CN112967324B - 一种多假设的目标跟踪方法、装置、存储介质及电子设备 - Google Patents

一种多假设的目标跟踪方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN112967324B
CN112967324B CN202110278712.XA CN202110278712A CN112967324B CN 112967324 B CN112967324 B CN 112967324B CN 202110278712 A CN202110278712 A CN 202110278712A CN 112967324 B CN112967324 B CN 112967324B
Authority
CN
China
Prior art keywords
potential
target
potential target
representing
sub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110278712.XA
Other languages
English (en)
Other versions
CN112967324A (zh
Inventor
刘宗香
陈启跃
陈金江
陈为
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202110278712.XA priority Critical patent/CN112967324B/zh
Publication of CN112967324A publication Critical patent/CN112967324A/zh
Application granted granted Critical
Publication of CN112967324B publication Critical patent/CN112967324B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)

Abstract

本发明公开了一种多假设的目标跟踪方法、装置、存储介质及电子设备，该方法包括：预测当前时刻的各个潜在目标；生成当前时刻的各个新生的潜在目标，将二者合并；采用贝叶斯规则对测量进行处理，得到更新子项；建立用于二维分配的代价矩阵；求解二维分配问题，得到K个最好的假设；基于K个最好的假设，计算得到当前时刻的各个潜在目标；提取存在概率大于第一阈值的潜在目标作为真实目标，将所提取的真实目标的轨迹标识和状态均值组成当前时刻的轨迹标识集和状态均值集，作为滤波器当前时刻的输出；筛选存在概率大于或等于第二阈值的潜在目标，作为滤波器下一次递归的输入。通过实施本发明，保证了多目标跟踪精度，有效减少了计算量，且适用性强。

Description

一种多假设的目标跟踪方法、装置、存储介质及电子设备
技术领域
本发明涉及多目标跟踪技术领域，具体涉及一种多假设的目标跟踪方法、装置、存储介质及电子设备。
背景技术
在存在数据关联不确定、漏检和杂波环境下，广义标签多贝努利(GeneralizedLabeled Multi-Bernoulli，GLMB)滤波器是一种用于多目标跟踪的有效方法。该滤波器可以提供目标轨迹，在低信噪比环境下性能优异。但GLMB滤波器的计算复杂度高，计算量大。如何建立具有目标跟踪精度高、计算速度快的多目标跟踪滤波器是当前亟需探索和解决的问题。
发明内容
有鉴于此，本发明实施例提供了涉及一种多假设的目标跟踪方法、装置、存储介质及电子设备，以解决现有技术中GLMB滤波器的计算复杂度高，计算量大的技术问题。
本发明提出的技术方案如下：
本发明实施例第一方面提供一种多假设的目标跟踪方法，包括：步骤A：基于前一时刻的各个潜在目标，预测得到当前时刻的各个潜在目标；步骤B：生成当前时刻的各个新生的潜在目标，将当前时刻的各个新生的潜在目标与预测的各个潜在目标合并，得到合并后的预测潜在目标；步骤C：采用贝叶斯规则对测量和所述合并后的预测潜在目标进行处理，得到各个预测潜在目标对应各个测量的更新子项；步骤D：建立用于二维分配的代价矩阵；步骤E：基于二维分配的代价矩阵，采用Murty算法求解二维分配问题，得到K个代价最小的分配结果，作为K个最好的假设；步骤F：基于K个最好的假设，计算得到当前时刻的各个潜在目标；步骤G：从当前时刻的所有潜在目标中提取存在概率大于第一阈值的潜在目标作为真实目标，将所提取的真实目标的轨迹标识和状态均值组成当前时刻的轨迹标识集和状态均值集，作为滤波器当前时刻的输出；步骤H：从当前时刻的所有潜在目标中，筛选出存在概率大于或等于第二阈值的潜在目标，对筛选出的每一个目标，将其权重小于第三阈值的子项删除，将间距小于第四阈值的子项进行合并，将筛选出的潜在目标作为滤波器下一次递归的输入。
可选地，所述前一时刻的各个潜在目标表示为：
Figure BDA0002976694100000021
其中，k表示前一时刻，Tk,i表示k时刻的潜在目标i，Nk表示k时刻潜在目标的总数，rk,i和lk,i分别表示潜在目标i的存在概率和轨迹标识，xk,i表示k时刻潜在目标i的状态，
Figure BDA0002976694100000022
和
Figure BDA0002976694100000023
表示潜在目标i的一个子项的权重和概率密度函数，nk,i表示潜在目标i的子项总数，N(·)表示高斯分布，
Figure BDA0002976694100000024
和
Figure BDA0002976694100000025
分别表示子项e的状态均值和误差协方差，潜在目标i各个子项的权重之和为1，表示为
Figure BDA0002976694100000026
所述预测得到当前时刻的各个潜在目标表示为：
Figure BDA0002976694100000027
其中，k+1表示当前时刻，Tk+1|k,i表示预测得到的k+1时刻的潜在目标i，rk+1|k,i和lk+1|k,i分别表示预测的存在概率和预测的轨迹标识，xk+1,i表示k+1时刻潜在目标i的状态，nk+1|k,i表示潜在目标i的子项总数，
Figure BDA0002976694100000031
和
Figure BDA0002976694100000032
分别表示子项e的权重、状态均值和误差协方差，并且有：
rk+1|k,i＝rk,ipS，lk+1|k,i＝lk,i，
Figure BDA0002976694100000033
nk+1|k,i＝nk,i，
Figure BDA0002976694100000034
其中，pS表示幸存概率，Φk和Qk分别表示状态转移矩阵和过程噪声协方差矩阵。
可选地，所述当前时刻的各个新生的潜在目标表示为：
Figure BDA0002976694100000035
其中，
Figure BDA0002976694100000036
表示k+1时刻新生的潜在目标i，
Figure BDA0002976694100000037
表示k+1时刻新生潜在目标的总数，
Figure BDA0002976694100000038
和
Figure BDA0002976694100000039
分别表示新生潜在目标i的存在概率和轨迹标识，
Figure BDA00029766941000000310
为新生潜在目标i的子项总数，
Figure BDA00029766941000000311
和
Figure BDA00029766941000000312
分别表示新生潜在目标i中子项e的权重、状态均值和误差协方差，并且有：
Figure BDA00029766941000000313
所述合并后的预测潜在目标表示为：
Figure BDA0002976694100000041
其中，
Figure BDA0002976694100000042
表示合并后预测潜在目标的总数。
可选地，预测潜在目标i的子项e对应于测量
Figure BDA0002976694100000043
的更新概率密度函数为：
Figure BDA0002976694100000044
其中，
Figure BDA0002976694100000045
Figure BDA0002976694100000046
Figure BDA0002976694100000047
表示当前时刻的所有测量，Mk+1表示当前时刻测量的总数，Hk+1表示观测矩阵，Rk+1表示观测噪声的协方差矩阵；
预测潜在目标i的子项e对应于测量
Figure BDA0002976694100000048
的更新权重为：
Figure BDA0002976694100000049
预测潜在目标i产生测量
Figure BDA00029766941000000410
的概率为：
Figure BDA00029766941000000411
其中，i＝1,…,Nk+1|k，j＝1,…,Mk+1，e＝1,…,nk+1|k,i。
可选地，所述二维分配的代价矩阵表示为：
Figure BDA0002976694100000051
其中：
Figure BDA0002976694100000052
Figure BDA0002976694100000053
Figure BDA0002976694100000054
pD为探测概率，λc为杂波密度。
可选地，所述K个最好的假设及其代价表示为：
Figure BDA0002976694100000055
其中，he表示假设e，
Figure BDA0002976694100000056
表示假设e的代价，e＝1,…,K，K为假设的总数，
Figure BDA0002976694100000057
代表二维分配代价矩阵的列号；
Figure BDA0002976694100000058
表示测量
Figure BDA0002976694100000059
被分配给潜在目标i，
Figure BDA00029766941000000510
表示潜在目标i被漏检，
Figure BDA00029766941000000511
表示目标i已消失；
基于代价向量Ch中各个假设的代价，计算得到各个假设的权重：
Figure BDA0002976694100000061
其中，e＝1,…,K。
可选地，基于K个最好的假设，计算得到当前时刻的各个潜在目标，包括：
步骤F1：输入：
Figure BDA0002976694100000062
Figure BDA0002976694100000063
Figure BDA0002976694100000064
步骤F2：设置ei＝0，其中i＝1,…,Nk+1|k；
步骤F3：依次对每一个假设e和每一个潜在目标i进行处理：
如果
Figure BDA0002976694100000065
取：
Figure BDA0002976694100000066
ei＝ei+nk+1|k,i；
如果
Figure BDA0002976694100000067
取：
Figure BDA0002976694100000068
ei＝ei+nk+1|k,i；
步骤F4：对每一个潜在目标i，其中i＝1,…,Nk+1|k，取：nk+1,i＝ei，
Figure BDA0002976694100000071
lk+1,i＝lk+1|k,i，
Figure BDA0002976694100000072
则当前时刻的潜在目标表示为：
Figure BDA0002976694100000073
本发明实施例第二方面提供一种多假设的目标跟踪装置，包括：预测模块，用于基于前一时刻的各个潜在目标，预测得到当前时刻的各个潜在目标；潜在新生目标生成模块，用于生成当前时刻的各个新生的潜在目标，将当前时刻的各个新生的潜在目标与预测的各个潜在目标合并，得到合并后的预测潜在目标；更新模块，用于采用贝叶斯规则对测量和所述合并后的预测潜在目标进行处理，得到各个预测潜在目标对应于各个测量的更新子项；二维分配代价矩阵建立模块，用于建立用于二维分配的代价矩阵；二维分配求解模块，用于基于二维分配的代价矩阵，采用Murty算法求解二维分配问题，得到K个代价最小的分配结果，作为K个最好的假设；潜在目标计算模块，用于基于K个最好的假设，计算得到当前时刻的各个潜在目标；提取模块，用于从当前时刻的所有潜在目标中提取存在概率大于第一阈值的潜在目标作为真实目标，将所提取的真实目标的轨迹标识和状态均值组成当前时刻的轨迹标识集和状态均值集，作为滤波器当前时刻的输出；筛选模块，用于从当前时刻的所有潜在目标中，筛选出存在概率大于或等于第二阈值的潜在目标，对筛选出的每一个目标，将其权重小于第三阈值的子项删除，将间距小于第四阈值的子项进行合并，将筛选出的潜在目标作为滤波器下一次递归的输入。
本发明实施例第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的多假设的目标跟踪方法。
本发明实施例第四方面提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第一方面及第一方面任一项所述的多假设的目标跟踪方法。
本发明提供的技术方案，具有如下效果：
本发明实施例提供的多假设的目标跟踪方法、装置、存储介质及电子设备，通过前一时刻的潜在目标预测当前时刻的潜在目标，将生成的新生目标和预测潜在目标合并，采用贝叶斯规则对合并后的潜在目标进行处理得到更新子项，同时建立二维分配代价矩阵并求解，采用求解后的结果以及更新子项计算得到当前时刻的潜在目标，最后通过对计算的潜在目标进行提取和筛选，得到滤波器当前时刻的输出以及下一次递归的输入。通过本发明实施例，保证了多目标跟踪精度，有效减少了计算量，在存在杂波、目标出现和消失的场景下具有很强的适用性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的多假设的目标跟踪方法的流程图；
图2是根据本发明实施例的所有目标的运动轨迹示意图；
图3是根据本发明实施例的平均OSPA距离对比示意图；
图4是根据本发明实施例的多假设的目标跟踪装置的结构框图；
图5是根据本发明实施例提供的计算机可读存储介质的结构示意图；
图6是根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明实施例提供一种多假设的目标跟踪方法，如图1所示，该目标跟踪方法包括如下步骤：
步骤A：基于前一时刻的各个潜在目标，预测得到当前时刻的各个潜在目标。
在一实施例中，前一时刻的各个潜在目标表示为：
Figure BDA0002976694100000091
其中，k表示前一时刻，Tk,i表示k时刻的潜在目标i，Nk表示k时刻潜在目标的总数，rk,i和lk,i分别表示潜在目标i的存在概率和轨迹标识，xk,i表示k时刻潜在目标i的状态，
Figure BDA0002976694100000101
和
Figure BDA0002976694100000102
表示潜在目标i的一个子项的权重和概率密度函数，nk,i表示潜在目标i的子项总数，N(·)表示高斯分布，
Figure BDA0002976694100000103
和
Figure BDA0002976694100000104
分别表示子项e的状态均值和误差协方差，潜在目标i各个子项的权重之和为1，表示为
Figure BDA0002976694100000105
预测得到当前时刻的各个潜在目标表示为：
Figure BDA0002976694100000106
其中，k+1表示当前时刻，Tk+1|k,i表示预测得到的k+1时刻的潜在目标i，rk+1|k,i和lk+1|k,i分别表示预测的存在概率和预测的轨迹标识，xk+1,i表示k+1时刻潜在目标i的状态，nk+1|k,i表示潜在目标i的子项总数，
Figure BDA0002976694100000107
和
Figure BDA0002976694100000108
分别表示子项e的权重、状态均值和误差协方差。具体地，rk+1|k,i＝rk,ipS，lk+1|k,i＝lk,i，
Figure BDA0002976694100000109
nk+1|k,i＝nk,i，
Figure BDA00029766941000001010
其中，pS表示幸存概率，Φk和Qk分别表示状态转移矩阵和过程噪声协方差矩阵。
步骤B：生成当前时刻的各个新生的潜在目标，将当前时刻的各个新生的潜在目标与预测的各个潜在目标合并，得到合并后的预测潜在目标。
在一实施例中，当前时刻的各个新生的潜在目标表示为：
Figure BDA00029766941000001011
其中，
Figure BDA00029766941000001012
表示k+1时刻新生的潜在目标i，
Figure BDA00029766941000001013
表示k+1时刻新生潜在目标的总数，
Figure BDA0002976694100000111
和
Figure BDA0002976694100000112
分别表示新生潜在目标i的存在概率和轨迹标识，
Figure BDA0002976694100000113
为新生潜在目标i的子项总数，
Figure BDA0002976694100000114
和
Figure BDA0002976694100000115
分别表示新生潜在目标i中子项e的权重、状态均值和误差协方差，并且有：
Figure BDA0002976694100000116
合并后的预测潜在目标表示为：
Figure BDA0002976694100000117
其中，
Figure BDA0002976694100000118
表示合并后预测潜在目标的总数。
步骤C：采用贝叶斯规则对测量和合并后的预测潜在目标进行处理，得到各个预测潜在目标对应于各个测量的更新子项。
在一实施例中，测量为采用传感器得到的一些测量值，具体以
Figure BDA0002976694100000119
表示当前时刻的所有测量，Mk+1表示当前时刻测量的总数，采用贝叶斯规则对合并后的预测潜在目标i的子项e和测量
Figure BDA00029766941000001110
进行处理，得到子项e对应于测量
Figure BDA00029766941000001111
的更新概率密度函数
Figure BDA00029766941000001112
其中，
Figure BDA00029766941000001113
Figure BDA00029766941000001114
Hk+1表示观测矩阵，Rk+1表示观测噪声的协方差矩阵；同时还可以得到子项e对应于测量
Figure BDA00029766941000001115
的更新权重为：
Figure BDA0002976694100000121
在一实施例中，预测潜在目标i产生测量
Figure BDA0002976694100000122
的概率为：
Figure BDA0002976694100000123
其中，i＝1,…,Nk+1|k，j＝1,…,Mk+1，e＝1,…,nk+1|k,i。
步骤D：建立用于二维分配的代价矩阵。
在一实施例中，建立的二维分配的代价矩阵表示为：
Figure BDA0002976694100000124
其中：
Figure BDA0002976694100000125
Figure BDA0002976694100000126
Figure BDA0002976694100000127
pD为探测概率，λc为杂波密度。
步骤E：基于二维分配的代价矩阵，采用Murty算法求解二维分配问题，得到K个代价最小的分配结果，作为K个最好的假设。
在一实施例中，K个最好的假设及其代价表示为：
Figure BDA0002976694100000131
其中，he表示假设e，
Figure BDA0002976694100000132
表示假设e的代价，e＝1,…,K，K为假设的总数，
Figure BDA0002976694100000133
代表二维分配代价矩阵的列号；
Figure BDA0002976694100000134
表示测量
Figure BDA0002976694100000135
被分配给潜在目标i，
Figure BDA0002976694100000136
表示潜在目标i被漏检，
Figure BDA0002976694100000137
表示目标i已消失；
同时，基于代价向量Ch中各个假设的代价，计算得到各个假设的权重：
Figure BDA0002976694100000138
其中，e＝1,…,K。
步骤F：基于K个最好的假设，计算得到当前时刻的各个潜在目标。
在一实施例中，在计算当前时刻的各个潜在目标时，可以按照以下步骤实现：
步骤F1：根据上述步骤，输入：
Figure BDA0002976694100000139
Figure BDA00029766941000001310
Figure BDA0002976694100000141
步骤F2：设置ei＝0，其中i＝1,…,Nk+1|k；
步骤F3：依次对每一个假设e和每一个潜在目标i进行处理：
如果
Figure BDA0002976694100000142
取：
Figure BDA0002976694100000143
ei＝ei+nk+1|k,i；
如果
Figure BDA0002976694100000144
取：
Figure BDA0002976694100000145
ei＝ei+nk+1|k,i；
步骤F4：对每一个潜在目标i，其中i＝1,…,Nk+1|k，取：nk+1,i＝ei，
Figure BDA0002976694100000146
lk+1,i＝lk+1|k,i，
Figure BDA0002976694100000147
则当前时刻的潜在目标表示为：
Figure BDA0002976694100000148
步骤G：从当前时刻的所有潜在目标中提取存在概率大于第一阈值的潜在目标作为真实目标，将所提取的真实目标的轨迹标识和状态均值组成当前时刻的轨迹标识集和状态均值集，作为滤波器当前时刻的输出。
在一实施例中，在获取真实目标后，将被提取的潜在目标的轨迹标识作为真实目标的轨迹标识，因一个潜在目标有多个子项，从被提取的潜在目标中将权重最大的子项的状态均值作为真实目标的状态均值。然后将该真实目标的轨迹标识和状态均值组成当前时刻的轨迹标识集和状态均值集，作为滤波器当前时刻的输出。
步骤H：从当前时刻的所有潜在目标中，筛选出存在概率大于或等于第二阈值的潜在目标，对筛选出的每一个目标，将权重小于第三阈值的子项删除，将间距小于第四阈值的子项进行合并，然后再将其作为滤波器下一次递归的输入，将筛选出的潜在目标作为滤波器下一次递归的输入。
在一实施例中，筛选出的潜在目标表示为：
Figure BDA0002976694100000151
其中，Nk+1为当前时刻的潜在目标总数。
本发明实施例提供的多假设的目标跟踪方法，通过前一时刻的潜在目标预测当前时刻的潜在目标，将生成的新生目标和预测潜在目标合并，采用贝叶斯规则对合并后的潜在目标进行处理得到更新子项，同时建立二维分配代价矩阵并求解，采用求解后的结果以及更新子项计算得到当前时刻的潜在目标，最后通过对计算的潜在目标进行提取和筛选，得到滤波器当前时刻的输出以及下一次递归的输入。通过本发明实施例，保证了多目标跟踪精度，有效减少了计算量，在存在杂波、目标出现和消失的场景下具有很强的适用性。
实施例2
为了对本发明的内容进行更好的说明，本实施例以一个具体的例子对本发明的效果进行解释。
本发明实施例提供的多假设的目标跟踪方法，如图2所示，采用二维空间[－1000m，1000m]×[－1000m，1000m]中运动的目标，在该二维空间中，共设置7个目标，所有目标的运动轨迹如图2所示。
在本发明实施例中，目标的状态由位置和速度构成，表示为
Figure BDA0002976694100000161
其中
Figure BDA0002976694100000162
和
Figure BDA0002976694100000163
分别表示位置分量，
Figure BDA0002976694100000164
和
Figure BDA0002976694100000165
分别表示速度分量，上标T表示向量的转置；状态转移矩阵为
Figure BDA0002976694100000166
过程噪声方差矩阵为
Figure BDA0002976694100000167
其中，Δtk＝tk-tk-1为当前时刻与前一时刻的时间差，σv为过程噪声标准差且σv＝2ms-2；观测噪声设协方差为
Figure BDA0002976694100000168
其中，σw＝2m，观测矩阵取为
Figure BDA0002976694100000169
本实施例采用了7个潜在的新生目标模型，7个潜在的新生目标模型为
Figure BDA00029766941000001610
其中
Figure BDA00029766941000001611
Figure BDA00029766941000001612
Figure BDA00029766941000001613
和
Figure BDA00029766941000001614
本实施例的其他参数设置为：第一阈值为0.5，第二阈值为10-3，第三阈值为10-5，第四阈值为4，pS＝0.99，pD＝0.9，λc＝7.5×10-6m-2，K＝30。
表1
Figure BDA0002976694100000171
表1所示为采用本发明实施例的多假设的目标跟踪方法和现有的GLMB滤波器在经过100次实验得到的平均OSPA(2)(Optimal Subpattern Assignment，最优亚模式分配)误差和平均执行时间；图3所示为采用本发明实施例的多假设的目标跟踪方法和现有的GLMB滤波器得到的平均OSPA(2)误差对比示意图，即图3分别示出了本发明实施例的多假设的目标跟踪方法和现有的GLMB滤波器在经过100次实验得到的平均OSPA(2)误差。图3和表1中的实验结果比较表明，与GLMB滤波器相比，本发明实施例提供的多假设的目标跟踪方法可以获得更为精确和可靠的目标状态估计、其OSPA(2)误差比现有的GLMB滤波器的OSPA(2)误差要小；同时本发明实施例提供的方法运行速度快，且平均执行时间远小于GLMB滤波器的平均执行时间。
实施例3
本发明实施例提供一种多假设的目标跟踪装置，如图4所示，该装置包括：
预测模块1，用于基于前一时刻的各个潜在目标，预测得到当前时刻的各个潜在目标；详细内容参见上述方法实施例中步骤A的相关描述。
潜在新生目标生成模块2，用于生成当前时刻的各个新生的潜在目标，将当前时刻的各个新生的潜在目标与预测的各个潜在目标合并，得到合并后的预测潜在目标；详细内容参见上述方法实施例中步骤B的相关描述。
更新模块3，用于采用贝叶斯规则对测量和所述合并后的预测潜在目标进行处理，得到各个预测潜在目标对应于各个测量的更新子项；详细内容参见上述方法实施例中步骤C的相关描述。
二维分配代价矩阵建立模块4，用于建立用于二维分配的代价矩阵；详细内容参见上述方法实施例中步骤D的相关描述。
二维分配求解模块5，用于基于二维分配的代价矩阵，采用Murty算法求解二维分配问题，得到K个代价最小的分配结果，作为K个最好的假设；详细内容参见上述方法实施例中步骤E的相关描述。
潜在目标计算模块6，用于基于K个最好的假设，计算得到当前时刻的各个潜在目标；详细内容参见上述方法实施例中步骤F的相关描述。
提取模块7，用于从当前时刻的所有潜在目标中提取存在概率大于第一阈值的潜在目标作为真实目标，将所提取的真实目标的轨迹标识和状态均值组成当前时刻的轨迹标识集和状态均值集，作为滤波器当前时刻的输出；详细内容参见上述方法实施例中步骤G的相关描述。
筛选模块8，用于从当前时刻的所有潜在目标中，筛选出存在概率大于或等于第二阈值的潜在目标，对筛选出的每一个目标，将权重小于第三阈值的子项删除，将间距小于第四阈值的子项进行合并，将筛选出的潜在目标作为滤波器下一次递归的输入。详细内容参见上述方法实施例中步骤H的相关描述。
本发明实施例提供的多假设的目标跟踪装置，通过前一时刻的潜在目标预测当前时刻的潜在目标，将生成的新生目标和预测潜在目标合并，采用贝叶斯规则对合并后的潜在目标进行处理得到更新子项，同时建立二维分配代价矩阵并求解，采用求解后的结果以及更新子项计算得到当前时刻的潜在目标，最后通过对计算的潜在目标进行提取和筛选，得到滤波器当前时刻的输出以及下一次递归的输入。通过本发明实施例，保证了多目标跟踪精度，有效减少了计算量，在存在杂波、目标出现和消失的场景下具有很强的适用性。
本发明实施例提供的多假设的目标跟踪装置的功能描述详细参见上述实施例中多假设的目标跟踪方法描述。
实施例4
本发明实施例还提供一种存储介质，如图5所示，其上存储有计算机程序601，该指令被处理器执行时实现上述实施例中多假设的目标跟踪方法的步骤。该存储介质上还存储有音视频流数据，特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
实施例5
本发明实施例还提供了一种电子设备，如图6所示，该电子设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图6中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的多假设的目标跟踪方法。
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1所示实施例中的多假设的目标跟踪方法。
上述电子设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (5)

1.一种多假设的目标跟踪方法，其特征在于，包括：
步骤A：基于前一时刻的各个潜在目标，预测得到当前时刻的各个潜在目标；
步骤B：生成当前时刻的各个新生的潜在目标，将当前时刻的各个新生的潜在目标与预测的各个潜在目标合并，得到合并后的预测潜在目标；
步骤C：采用贝叶斯规则对测量和对所述合并后的预测潜在目标进行处理，得到各个预测潜在目标对应于各个测量的更新子项；
步骤D：建立用于二维分配的代价矩阵；
步骤E：基于二维分配的代价矩阵，采用Murty算法求解二维分配问题，得到K个代价最小的分配结果，作为K个最好的假设；
步骤F：基于K个最好的假设，计算得到当前时刻的各个潜在目标；
步骤G：从当前时刻的所有潜在目标中提取存在概率大于第一阈值的潜在目标作为真实目标，将所提取的真实目标的轨迹标识和状态均值组成当前时刻的轨迹标识集和状态均值集，作为滤波器当前时刻的输出；
步骤H：从当前时刻的所有潜在目标中，筛选出存在概率大于或等于第二阈值的潜在目标，对筛选出的每一个目标，将其权重小于第三阈值的子项删除，将间距小于第四阈值的子项进行合并，将筛选出的潜在目标作为滤波器下一次递归的输入；
所述前一时刻的各个潜在目标表示为：
Figure FDA0003949894720000021
其中，k表示前一时刻，Tk,i表示k时刻的潜在目标i，Nk表示k时刻潜在目标的总数，rk,i和lk,i分别表示潜在目标i的存在概率和轨迹标识，xk,i表示k时刻潜在目标i的状态，
Figure FDA0003949894720000022
和
Figure FDA0003949894720000023
表示潜在目标i的一个子项的权重和概率密度函数，nk,i表示潜在目标i的子项总数，N(·)表示高斯分布，
Figure FDA0003949894720000024
和
Figure FDA0003949894720000025
分别表示子项e的状态均值和误差协方差，潜在目标i各个子项的权重之和为1，表示为
Figure FDA0003949894720000026
所述预测得到当前时刻的各个潜在目标表示为：
Figure FDA0003949894720000027
其中，k+1表示当前时刻，Tk+1|k,i表示预测得到的k+1时刻的潜在目标i，rk+1|k,i和lk+1|k,i分别表示预测的存在概率和预测的轨迹标识，xk+1,i表示k+1时刻潜在目标i的状态，nk+1|k,i表示潜在目标i的子项总数，
Figure FDA0003949894720000028
分别表示子项e的权重、状态均值和误差协方差，并且有：
rk+1|k,i＝rk,ipS，lk+1|k,i＝lk,i，
Figure FDA0003949894720000029
nk+1|k,i＝nk,i，
Figure FDA00039498947200000210
其中，pS表示幸存概率，Φk和Qk分别表示状态转移矩阵和过程噪声协方差矩阵；
所述当前时刻的各个新生的潜在目标表示为：
Figure FDA0003949894720000031
其中，
Figure FDA0003949894720000032
表示k+1时刻新生的潜在目标i，
Figure FDA0003949894720000033
表示k+1时刻新生潜在目标的总数，
Figure FDA0003949894720000034
和
Figure FDA0003949894720000035
分别表示新生潜在目标i的存在概率和轨迹标识，
Figure FDA0003949894720000036
为新生潜在目标i的子项总数，
Figure FDA0003949894720000037
和
Figure FDA0003949894720000038
分别表示新生潜在目标i中子项e的权重、状态均值和误差协方差，并且有：
Figure FDA0003949894720000039
所述合并后的预测潜在目标表示为：
Figure FDA00039498947200000310
其中，
Figure FDA00039498947200000311
表示合并后预测潜在目标的总数；
预测潜在目标i的子项e对应于测量
Figure FDA00039498947200000312
的更新概率密度函数为：
Figure FDA00039498947200000313
其中，
Figure FDA00039498947200000314
Figure FDA0003949894720000041
表示当前时刻的所有测量，Mk+1表示当前时刻测量的总数，Hk+1表示观测矩阵，Rk+1表示观测噪声的协方差矩阵；
预测潜在目标i的子项e对应于测量
Figure FDA0003949894720000042
的更新权重为：
Figure FDA0003949894720000043
预测潜在目标i产生测量
Figure FDA0003949894720000044
的概率为：
Figure FDA0003949894720000045
其中，i＝1,…,Nk+1|k,j＝1,…,Mk+1,e＝1,…,nk+1|k,i；
所述二维分配的代价矩阵表示为：
Figure FDA0003949894720000046
其中：
Figure FDA0003949894720000047
Figure FDA0003949894720000048
Figure FDA0003949894720000049
pD为探测概率，λc为杂波密度；
所述K个最好的假设及其代价表示为：
Figure FDA0003949894720000051
其中，he表示假设e，
Figure FDA0003949894720000052
表示假设e的代价，e＝1,…,K，K为假设的总数，
Figure FDA0003949894720000053
代表二维分配代价矩阵的列号；
Figure FDA0003949894720000054
表示测量
Figure FDA0003949894720000055
被分配给潜在目标i，
Figure FDA0003949894720000056
表示潜在目标i被漏检，
Figure FDA0003949894720000057
表示目标i已消失；
基于代价向量Ch中各个假设的代价，计算得到各个假设的权重：
Figure FDA0003949894720000058
其中，e＝1,…,K。
2.根据权利要求1所述的多假设的目标跟踪方法，其特征在于，基于K个最好的假设，计算得到当前时刻的各个潜在目标，包括：
步骤F1：输入：
Figure FDA0003949894720000059
Figure FDA00039498947200000510
Figure FDA0003949894720000061
步骤F2:设置ei＝0，其中i＝1,…,Nk+1|k；
步骤F3:依次对每一个假设e和每一个潜在目标i进行处理：
如果
Figure FDA0003949894720000062
取：
Figure FDA0003949894720000063
ei＝ei+nk+1|k,i；
如果
Figure FDA0003949894720000064
取：
Figure FDA0003949894720000065
ei＝ei+nk+1|k,i；
步骤F4:对每一个潜在目标i，其中i＝1,…,Nk+1|k，取：nk+1,i＝ei，
Figure FDA0003949894720000066
lk+1,i＝lk+1|k,i，
Figure FDA0003949894720000067
则当前时刻的潜在目标表示为：
Figure FDA0003949894720000068
3.一种多假设的目标跟踪装置，其特征在于，包括：
预测模块，用于基于前一时刻的各个潜在目标，预测得到当前时刻的各个潜在目标；
潜在新生目标生成模块，用于生成当前时刻的各个新生的潜在目标，将当前时刻的各个新生的潜在目标与预测的各个潜在目标合并，得到合并后的预测潜在目标；
更新模块，用于采用贝叶斯规则对测量和所述合并后的预测潜在目标进行处理，得到各个预测潜在目标对应于各个测量的更新子项；
二维分配代价矩阵建立模块，用于建立用于二维分配的代价矩阵；
二维分配求解模块，用于基于二维分配的代价矩阵，采用Murty算法求解二维分配问题，得到K个代价最小的分配结果，作为K个最好的假设；
潜在目标计算模块，用于基于K个最好的假设，计算得到当前时刻的各个潜在目标；
提取模块，用于从当前时刻的所有潜在目标中提取存在概率大于第一阈值的潜在目标作为真实目标，将所提取的真实目标的轨迹标识和状态均值组成当前时刻的轨迹标识集和状态均值集，作为滤波器当前时刻的输出；
筛选模块，用于从当前时刻的所有潜在目标中，筛选出存在概率大于或等于第二阈值的潜在目标，对筛选出的每一个目标，将其权重小于第三阈值的子项删除，将间距小于第四阈值的子项进行合并，将筛选出的潜在目标作为滤波器下一次递归的输入；
所述前一时刻的各个潜在目标表示为：
Figure FDA0003949894720000081
其中，k表示前一时刻，Tk,i表示k时刻的潜在目标i，Nk表示k时刻潜在目标的总数，rk,i和lk,i分别表示潜在目标i的存在概率和轨迹标识，xk,i表示k时刻潜在目标i的状态，
Figure FDA0003949894720000082
和
Figure FDA0003949894720000083
表示潜在目标i的一个子项的权重和概率密度函数，nk,i表示潜在目标i的子项总数，N(·)表示高斯分布，
Figure FDA0003949894720000084
和
Figure FDA0003949894720000085
分别表示子项e的状态均值和误差协方差，潜在目标i各个子项的权重之和为1，表示为
Figure FDA0003949894720000086
所述预测得到当前时刻的各个潜在目标表示为：
Figure FDA0003949894720000087
其中，k+1表示当前时刻，Tk+1|k,i表示预测得到的k+1时刻的潜在目标i，rk+1|k,i和lk+1|k,i分别表示预测的存在概率和预测的轨迹标识，xk+1,i表示k+1时刻潜在目标i的状态，nk+1|k,i表示潜在目标i的子项总数，
Figure FDA0003949894720000088
和
Figure FDA0003949894720000089
分别表示子项e的权重、状态均值和误差协方差，并且有：
rk+1|k,i＝rk,ipS，lk+1|k,i＝lk,i，
Figure FDA00039498947200000810
nk+1|k,i＝nk,i，
Figure FDA00039498947200000811
其中，pS表示幸存概率，Φk和Qk分别表示状态转移矩阵和过程噪声协方差矩阵；
所述当前时刻的各个新生的潜在目标表示为：
Figure FDA0003949894720000091
其中，
Figure FDA0003949894720000092
表示k+1时刻新生的潜在目标i，
Figure FDA0003949894720000093
表示k+1时刻新生潜在目标的总数，
Figure FDA0003949894720000094
和
Figure FDA0003949894720000095
分别表示新生潜在目标i的存在概率和轨迹标识，
Figure FDA0003949894720000096
为新生潜在目标i的子项总数，
Figure FDA0003949894720000097
和
Figure FDA0003949894720000098
分别表示新生潜在目标i中子项e的权重、状态均值和误差协方差，并且有：
Figure FDA0003949894720000099
所述合并后的预测潜在目标表示为：
Figure FDA00039498947200000910
其中，
Figure FDA00039498947200000911
表示合并后预测潜在目标的总数；
预测潜在目标i的子项e对应于测量
Figure FDA00039498947200000912
的更新概率密度函数为：
Figure FDA00039498947200000913
其中，
Figure FDA00039498947200000914
Figure FDA0003949894720000101
表示当前时刻的所有测量，Mk+1表示当前时刻测量的总数，Hk+1表示观测矩阵，Rk+1表示观测噪声的协方差矩阵；
预测潜在目标i的子项e对应于测量
Figure FDA0003949894720000102
的更新权重为：
Figure FDA0003949894720000103
预测潜在目标i产生测量
Figure FDA0003949894720000104
的概率为：
Figure FDA0003949894720000105
其中，i＝1,…,Nk+1|k,j＝1,…,Mk+1,e＝1,…,nk+1|k,i；
所述二维分配的代价矩阵表示为：
Figure FDA0003949894720000106
其中：
Figure FDA0003949894720000107
Figure FDA0003949894720000108
Figure FDA0003949894720000109
pD为探测概率，λc为杂波密度；
所述K个最好的假设及其代价表示为：
Figure FDA0003949894720000111
其中，he表示假设e，
Figure FDA0003949894720000112
表示假设e的代价，e＝1,…,K，K为假设的总数，
Figure FDA0003949894720000113
代表二维分配代价矩阵的列号；
Figure FDA0003949894720000114
表示测量
Figure FDA0003949894720000115
被分配给潜在目标i，
Figure FDA0003949894720000116
表示潜在目标i被漏检，
Figure FDA0003949894720000117
表示目标i已消失；
基于代价向量Ch中各个假设的代价，计算得到各个假设的权重：
Figure FDA0003949894720000118
其中，e＝1,…,K。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1或2所述的多假设的目标跟踪方法。
5.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1或2所述的多假设的目标跟踪方法。
CN202110278712.XA 2021-03-15 2021-03-15 一种多假设的目标跟踪方法、装置、存储介质及电子设备 Active CN112967324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110278712.XA CN112967324B (zh) 2021-03-15 2021-03-15 一种多假设的目标跟踪方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110278712.XA CN112967324B (zh) 2021-03-15 2021-03-15 一种多假设的目标跟踪方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN112967324A CN112967324A (zh) 2021-06-15
CN112967324B true CN112967324B (zh) 2023-04-11

Family

ID=76279268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110278712.XA Active CN112967324B (zh) 2021-03-15 2021-03-15 一种多假设的目标跟踪方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN112967324B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345577A (zh) * 2013-06-27 2013-10-09 江南大学 变分贝叶斯概率假设密度多目标跟踪方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8180107B2 (en) * 2009-02-13 2012-05-15 Sri International Active coordinated tracking for multi-camera systems
GB201004232D0 (en) * 2010-03-15 2010-04-28 Bae Systems Plc Target tracking
CN103366370B (zh) * 2013-07-03 2016-04-20 深圳市智美达科技股份有限公司 视频监控中的目标跟踪方法和装置
CN106910205A (zh) * 2017-03-03 2017-06-30 深圳市唯特视科技有限公司 一种基于随机有限集滤波器耦合的多目标跟踪方法
US11080867B2 (en) * 2019-01-03 2021-08-03 United States Of America As Represented By The Secretary Of The Army Motion-constrained, multiple-hypothesis, target- tracking technique
CN110390684A (zh) * 2019-07-16 2019-10-29 深圳大学 一种闪烁噪声下的多目标跟踪方法及系统
CN110501671B (zh) * 2019-08-30 2021-04-13 深圳大学 一种基于测量分配的目标跟踪方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345577A (zh) * 2013-06-27 2013-10-09 江南大学 变分贝叶斯概率假设密度多目标跟踪方法

Also Published As

Publication number Publication date
CN112967324A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
CN110516556B (zh) 基于Darkflow-DeepSort的多目标追踪检测方法、装置及存储介质
CN108875666B (zh) 运动轨迹的获取方法、装置、计算机设备及存储介质
Maggio et al. Efficient multitarget visual tracking using random finite sets
JP7270617B2 (ja) 歩行者流量ファネル生成方法及び装置、プログラム、記憶媒体、電子機器
US9792697B2 (en) State estimation apparatus, state estimation method, and integrated circuit
CN111709975B (zh) 多目标跟踪方法、装置、电子设备及存储介质
CN110501671B (zh) 一种基于测量分配的目标跟踪方法及装置
CN106846361B (zh) 基于直觉模糊随机森林的目标跟踪方法及装置
CN110782483A (zh) 基于分布式相机网络的多视图多目标跟踪方法及系统
Dong et al. Maneuvering multi-target tracking based on variable structure multiple model GMCPHD filter
US9911191B2 (en) State estimation apparatus, state estimation method, and integrated circuit with calculation of likelihood data and estimation of posterior probability distribution data
US9805285B2 (en) State estimation apparatus, state estimation method, and integrated circuit
CN111402293B (zh) 面向智能交通的一种车辆跟踪方法及装置
US20150104067A1 (en) Method and apparatus for tracking object, and method for selecting tracking feature
WO2018010099A1 (zh) 一种用于跟踪转弯机动目标的方法及其系统
KR20220074782A (ko) 동시적 위치추정 및 지도작성(slam) 방법 및 장치
Urdiales et al. An improved deep learning architecture for multi-object tracking systems
CN116740126A (zh) 目标跟踪方法、高速相机及存储介质
JP2021196949A (ja) 物体追跡装置、物体追跡方法及びプログラム
Bazzani et al. A comparison of multi hypothesis kalman filter and particle filter for multi-target tracking
CN112967324B (zh) 一种多假设的目标跟踪方法、装置、存储介质及电子设备
CN111681264A (zh) 一种监控场景的实时多目标跟踪方法
CN111784750A (zh) 视频图像中移动物体追踪方法、装置、设备以及存储介质
CN116523957A (zh) 一种多目标跟踪方法、系统、电子设备及存储介质
KR101280348B1 (ko) 다중 표적 추적 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant