CN113409363B - 一种基于bp-pmbm滤波算法的多目标跟踪方法 - Google Patents
一种基于bp-pmbm滤波算法的多目标跟踪方法 Download PDFInfo
- Publication number
- CN113409363B CN113409363B CN202010185729.6A CN202010185729A CN113409363B CN 113409363 B CN113409363 B CN 113409363B CN 202010185729 A CN202010185729 A CN 202010185729A CN 113409363 B CN113409363 B CN 113409363B
- Authority
- CN
- China
- Prior art keywords
- target
- component
- bin
- particle
- poisson
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001914 filtration Methods 0.000 title claims abstract description 38
- 239000002245 particle Substances 0.000 claims abstract description 110
- 238000012952 Resampling Methods 0.000 claims abstract description 7
- 238000013138 pruning Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 41
- 230000004083 survival effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 3
- 235000019735 Meat-and-bone meal Nutrition 0.000 description 32
- 238000000342 Monte Carlo simulation Methods 0.000 description 9
- 101001086191 Borrelia burgdorferi Outer surface protein A Proteins 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于BP‑PMBM滤波算法的多目标跟踪方法,包括:(1)初始化算法;(2)对目标状态进行预测;(3)更新所述目标状态;(4)对所述目标状态中的Poisson分量和MBM分量进行修剪;(5)对所述Poisson分量和所述MBM分量进行箱粒子重采样;(6)对所述目标状态进行估计,得到全局目标状态估计值。本发明提供的基于BP‑PMBM滤波算法的多目标跟踪方法具有跟踪精度高、运算速度快、可区分航迹等优点。
Description
技术领域
本发明属于信息融合技术领域,具体涉及一种基于BP-PMBM滤波算法的多目标跟踪方法。
背景技术
目标跟踪技术是计算机视觉研究领域中的热点之一,其在军事侦察、精确制导、火力打击、战场评估以及安防监控等诸多方面均有广泛的应用前景。多目标跟踪指从一系列量测中同时估计出未知时变的目标状态以及目标数目,是目标跟踪领域的重要研究方向之一。
对多目标跟踪问题的处理通常由两种主流方法,第一种是首先将目标和量测一一关联,然后利用贝叶斯滤波方法将多目标跟踪问题转换为单目标跟踪问题,是一种传统的多目标跟踪方法。另一种方法是随机有限集(Random Finite Set,RFS)框架下的多目标跟踪方法,该方法将目标的状态和量测建模为两个随机有限集,然后使用多目标贝叶斯滤波技术同时估计出目标的个数和状态,可以有效避免目标与量测之间复杂的数据关联过程。
然而,传统的多目标跟踪方法由于要处理数据关联过程,因此跟踪效率较低,实时性差;RFS框架下的多目标跟踪方法虽然可以避免数据关联过程,但由于集合内的元素都是无序的,因此这种方法只能估计目标的状态和数量,无法跟踪目标的航迹。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于BP-PMBM滤波算法的多目标跟踪方法。本发明要解决的技术问题通过以下技术方案实现:
一种基于BP-PMBM滤波算法的多目标跟踪方法,包括:
(1)初始化算法;
(2)对目标状态进行预测;
(21)对所述目标状态中的Poisson分量进行预测,得到所述Poisson分量的预测强度并用箱粒子集表示;
(22)对所述目标状态中的MBM分量进行预测,得到所述MBM分量的预测参数集;
(3)更新所述目标状态;
(31)更新所述Poisson分量,根据所述Poisson分量的预测强度得到所述Poisson分量的后验强度;
(32)更新所述MBM分量,根据所述MBM分量的预测参数集和量测信息得到更新后的MBM分量参数集;
(4)对所述Poisson分量和所述MBM分量进行修剪;
(5)对所述Poisson分量和述MBM分量进行箱粒子重采样;
(6)对所述目标状态进行估计,得到全局目标状态估计值。
在本发明的一个实施例中,步骤(21)包括:
(21-1)设k-1时刻Poisson分量的强度由箱粒子集表示为其中,表示第i个箱粒子在k-1时刻的状态,/>表示第i个箱粒子在k-1时刻的重要性权值,表示在k-1时刻所有箱粒子的数量;
(21-2)相应地,k时刻所述Poisson分量的预测强度箱粒子集为其中,/>表示预测箱粒子的数量。
在本发明的一个实施例中,所述Poisson分量的预测强度箱粒子集包括存活目标的预测箱粒子集和新生目标箱粒子集,其中,
所述存活目标的预测箱粒子表示为其中,/>表示第i个存活目标的预测箱粒子的状态,/>表示第i个存活目标的预测箱粒子的重要性权值,且
式中,ps表示目标的存活概率,[ω]表示过程噪声区间,[fk|k-1]表示状态转移函数的包含函数;
所述新生目标箱粒子集表示为其中,Bk表示新生箱粒子的数量,/>表示第i个新生目标箱粒子的状态,/>表示第i个新生目标箱粒子的重要性权值。
在本发明的一个实施例中,所述Poisson分量的预测强度箱粒子集表示为:
在本发明的一个实施例中,步骤(22)包括:
(22-1)设k-1时刻MBM分量由参数集表示为其中,h表示Bernoulli分量的索引,Hk-1表示所有Bernoulli分量的数量,/>表示Bernoulli分量的标签,/>和/>分别表示Bernoulli分量的存在概率和权值,/>表示Bernoulli分量的概率密度;
(22-2)相应地,k时刻MBM分量预测参数集为其中,Hk|k-1=Hk-1,/>表示预测概率密度,/>表示预测箱粒子的数量。
在本发明的一个实施例中,所述预测概率密度由一组加权箱粒子集表示为其中,
在本发明的一个实施例中,步骤(31)中,所述Poisson分量的后验强度为其中,
在本发明的一个实施例中,步骤(32)包括:
(32-1)设k时刻量测随机集为Z={[z1],…,[zm]};将所述MBM分量更新后的参数集表示为其中,所述更新后的MBM分量包括三种单目标假设,分别为潜在目标首次被检测到的假设、存活目标的漏检假设以及存活目标与每个量测匹配所形成的假设;
(32-2)根据所述量测随机集得到所述潜在目标首次被检测到所形成的Bernoulli分量的参数集;
(32-3)建立漏检假设并计算所述存活目标的漏检假设的参数集;
(32-4)根据所述量测随机集得到所述存活目标与每个量测匹配所形成的假设的参数集。
在本发明的一个实施例中,步骤(6)包括:
(61)将所述单目标假设的权值之积作为全局假设的权重,并找出所有全局假设中权值最大的全局假设;
(62)从所述权值最大的全局假设中筛选出其中存在概率大于某一预设门限的单目标假设,得到目标的状态估计区间;
(63)根据所述目标的状态估计区间得到目标状态估计值。
在本发明的一个实施例中,所述目标状态估计值为:
其中,表示目标的状态估计区间,mid(·)表示区间的中心点。
本发明的有益效果:
本发明提供的基于BP-PMBM滤波算法的多目标跟踪方法在PMBM滤波算法的基础上,将其推广到标签随机有限集(Labeled RFS,LRFS)中以实现对目标航迹的跟踪,并提出算法的箱粒子实现方式,具有跟踪精度高、运算速度快、可区分航迹等优点。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于BP-PMBM滤波算法的多目标跟踪方法流程示意图;
图2是本发明实施例提供的线性场景下目标运动轨迹与量测图;
图3是本发明实施例提供的线性场景下BP-PMBM滤波器一次蒙特卡洛的跟踪效果图;
图4是本发明实施例提供的线性场景下100次蒙特卡洛仿真的平均目标数估计;
图5是本发明实施例提供的线性场景下100次蒙特卡洛仿真的平均OSPA距离;
图6是本发明实施例提供的非线性场景下观测区域内6个目标的真实运动轨迹以及杂波的量测分布状况;
图7是本发明实施例提供的非线性场景下BP-PMBM滤波算法的一次蒙特卡洛跟踪表现;
图8是本发明实施例提供的非线性场景下BP-PMBM滤波算法在平均杂波数r=10时100次蒙特卡洛仿真的平均目标数估计;
图9是本发明实施例提供的非线性场景下BP-PMBM滤波算法在平均杂波数r=10时100次蒙特卡洛仿真的平均OSPA距离。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
首先,介绍一下箱粒子(Box Particle,BP)滤波和泊松多伯努利混合(PoissonMulti-Bernoulli Mixture,PMBM)滤波方法。
BP滤波是种广义的粒子滤波算法,其结合了区间分析与序贯蒙特卡洛方法,使用一种具有可控大小且最大误差已知的箱粒子来代替粒子滤波中所用的点粒子并使用误差界限模型来描述系统的随机不确定性。
PMBM滤波方法是一种RFS框架下的多目标跟踪方法,该方法将多目标的状态建模为Poisson随机集和多Bernoulli随机集的混合,即Poisson和MBM两部分,其中Poisson部分用来表示所有未被探测到的目标,MBM部分则用来处理所有的数据关联假设。
本实施例提供的基于BP-PMBM滤波算法的多目标跟踪方法是在PMBM滤波算法的基础上,将其推广到标签随机有限集(Labeled RFS,LRFS)中以实现对目标航迹的跟踪,并提出算法的箱粒子实现方式,即BP-PMBM滤波算法,其滤波结构如下:
算法可分为Poisson与MBM两部分,其中,Poisson部分可用其强度描述,可表示为一组加权箱粒子集表示状态区间(箱),/>为其权值,N为箱粒子的数量。MBM部分为多个带标签的Bernoulli分量的混合,每个Bernoulli分量表示一种目标—量测关联假设,可由参数集{l,r,w,p}描述,其中l表示标签,r和w分别为Bernoulli分量的存在概率和权重,p表示Bernoulli分量的概率密度,可以由一组加权箱粒子集/>表示。
具体地,请参见图1,图1是本发明实施例提供的一种基于BP-PMBM滤波算法的多目标跟踪方法流程示意图,包括:
(1)初始化算法;
具体地,PMBM概率密度包括Poisson与MBM两部分,Poisson部分的初始强度可由一组加权箱粒子表示,/>为一组从初始状态采样所得的箱粒子,N0为初始时刻箱粒子的数量,每个箱粒子的初始权值为1/N0。
由于初始时刻尚未产生Bernoulli分量,因此MBM的初始概率密度为空集。
(2)对目标状态进行预测;
(21)对所述目标状态中的Poisson分量进行预测,得到所述Poisson分量的预测强度并用箱粒子集表示;
进一步地,步骤(21)包括:
(21-1)设k-1时刻Poisson分量的强度由箱粒子集表示为其中,表示第i个箱粒子在k-1时刻的状态,/>表示第i个箱粒子在k-1时刻的重要性权值,表示在k-1时刻所有箱粒子的数量;
(21-2)相应地,k时刻所述Poisson分量的预测强度箱粒子集为其中,/>表示预测箱粒子的数量。
进一步地,所述Poisson分量的预测强度箱粒子集包括存活目标的预测箱粒子集和新生目标箱粒子集,其中,
所述存活目标的预测箱粒子表示为其中,/>表示第i个存活目标的预测箱粒子的状态,/>表示第i个存活目标的预测箱粒子的重要性权值,且
式中,ps表示目标的存活概率,[ω]表示过程噪声区间,[fk|k-1]表示状态转移函数的包含函数;
所述新生目标箱粒子集表示为其中,Bk表示新生箱粒子的数量,/>表示第i个新生目标箱粒子的状态,/>表示第i个新生目标箱粒子的重要性权值。
则所述Poisson分量的预测强度箱粒子集表示为:
(22)对所述目标状态中的MBM分量进行预测,得到所述MBM分量的预测参数集;
进一步地,步骤(22)包括:
(22-1)设k-1时刻MBM分量由参数集表示为其中,h表示Bernoulli分量的索引,Hk-1表示所有Bernoulli分量的数量,/>表示Bernoulli分量的标签,/>和/>分别表示Bernoulli分量的存在概率和权值,/>表示Bernoulli分量的概率密度;
具体地,可由一组加权箱粒子集/>描述。
(22-2)相应地,k时刻MBM分量预测参数集为其中,其中各项参数计算如下:
Hk|k-1=Hk-1 (8)
进一步地,预测概率密度可由一组加权箱粒子集/>表示,其中为预测箱粒子的数量,其值与/>相同。箱粒子的权值与状态分别为:
(3)更新所述目标状态;
(31)更新所述Poisson分量,根据所述Poisson分量的预测强度得到所述Poisson分量的后验强度;
具体地,由步骤(21)已得到,k时刻Poisson分量的预测强度由箱粒子集表示,则k时刻Poisson分量的后验强度可表示为箱粒子集/>其中,
(32)更新所述MBM分量,根据所述MBM分量的预测参数集和量测信息得到更新后的MBM分量参数集;
在本实施例中,由步骤(22)已得到,k时刻预测MBM分量可表示为参数集的形式,其中Bernoulli分量的概率密度/>可由一组加权箱粒子集/>表示,/>为箱粒子的数量。
进一步地,步骤(32)包括:
(32-1)设k时刻量测随机集为Z={[z1],…,[zm]};将所述MBM分量更新后的参数集表示为其中,所述更新后的MBM分量包括三种单目标假设,分别为潜在目标首次被检测到的假设、存活目标的漏检假设以及存活目标与每个量测匹配所形成的假设;
具体地,每个量测都可以被认为是来源于一个首次被检测到的潜在目标,这种假设的数量与量测数m相同,每个存活目标在当前时刻都有可能漏检,漏检假设的数量与预测单目标假设数Hk|k-1相同,每个存活目标在当前时刻可能和任何一个量测匹配,这种假设的数量为预测假设数与量测数的乘积Hk|k-1×m,更新后假设的数量Hk=m+Hk|k-1+Hk|k-1×m,可由加权箱粒子集/>表示。
(32-2)根据所述量测随机集得到所述潜在目标首次被检测到所形成的Bernoulli分量的参数集;
具体地,对于任意一量测,其可以被认为是一个首次被检测到的潜在目标,会形成一个Bernoulli分量,设该分量为(ln,rn,wn,pn),pn可由加权箱粒子集描述。
在本实施例中,对于潜在目标首次被检测到所形成的Bernoulli分量,如果Poisson分量的预测强度中所有箱粒子关于某一量测[z]的似然和高于某一预设门限,则/>为/>中所有似然不为0的/>每个箱粒子的权值为:
其中,N为似然不为0的箱粒子数。
Bernoulli分量的存在概率和权值分别为:
标签为ln=(k,j),k为当前时刻,j为量测的索引。
若关于量测[z]的似然和未达到预设门限,则rn=0,wn=c(z),ln=0。
(32-3)建立漏检假设并计算所述存活目标的漏检假设的参数集;
具体地,对于每个存活目标的单目标假设首先建立一个漏检假设(lmis,rmis,wmis,pmis),该假设的概率密度可由一组加权箱粒子集表示,其中每个箱粒子的状态与预测Bernoulli概率密度的加权箱粒子集/>中的箱粒子状态相同,权值为:
假设的存在概率和权值分别为:
标签为:
(32-4)根据所述量测随机集得到所述存活目标与每个量测匹配所形成的假设的参数集。
具体地,遍历所有的量测,对于每个量测[z],都将其与进行匹配从而形成一个新的假设(ldet,rdet,wdet,pdet),描述该假设概率密度的箱粒子集中每个箱粒子的状态与预测Bernoulli概率密度/>中的箱粒子状态相同,权值为:
假设的存在概率和权值分别为:
rdet=1 (22)
标签为:
(4)对所述Poisson分量和所述MBM分量进行修剪;
由于随着时间的递推,Poisson分量中的箱粒子数和MBM分量中的假设的数量会越来越多,滤波器的运行速率也会不断降低,因此需要对Poisson分量和MBM分量进行修剪。
具体地,可以通过设定两个门限TP和TB分别对应于Poisson分量和MBM分量,对于Poisson分量,裁减掉箱粒子权值低于预设门限值的箱粒子,对于MBM分量,则裁减掉其中Bernoulli权值低于门限值的Bernoulli项。
(5)对所述Poisson分量和MBM分量进行箱粒子重采样;
具体地,采用随机子划分策略,根据每个箱粒子的权值确定采样次数,假设某箱粒子的重采样次数为n,则该箱粒子在重采样后会被划分为n个子区间,最后将这些子区间作为重采样之后的箱粒子。
(6)对所述目标状态进行估计,得到全局目标状态估计值。
(61)将所述单目标假设的权值之积作为全局假设的权重,并找出所有全局假设中权值最大的全局假设;
具体地,将全局假设j中所有的单目标假设的权值之积即作为全局假设j的权重,找出权值最大的全局假设,设其为j*,即
(62)从所述权值最大的全局假设中筛选出其中存在概率大于某一预设门限的单目标假设,得到目标的状态估计区间;
具体地,遍历全局假设j*中所有的单目标假设并筛选出其中存在概率大于某一预设门限T的单目标假设,这些单目标假设的概率密度可由粒子集表示,则目标的状态估计区间可由每个假设的加权粒子和来表示,即
(63)根据所述目标的状态估计区间得到目标状态估计值。
具体地,目标的状态估计值可表示为:
其中,mid(·)表示区间的中心点。
本实施例提供的基于BP-PMBM滤波算法的多目标跟踪方法在PMBM滤波算法的基础上,将其推广到标签随机有限集(Labeled RFS,LRFS)中以实现对目标航迹的跟踪,并提出算法的箱粒子实现方式,具有跟踪精度高、运算速度快、可区分航迹等优点。
实施例二
下面结合MATLAB仿真对本发明做出进一步说明。
仿真实验一:线性场景下BP-PMBM的滤波性能表现
假设在区域大小为[-250m,250m]×[-250m,250]m的具有随机噪声的二维模拟监控区域内有6个目标在先后50个观测时刻内做匀速转弯运动,目标状态为其中(x,y)表示目标的位置,/>为目标在x方向和y方向上的速度,/>表示目标的角速度。表1所示为6个目标的初始状态和存活时间。
表1目标初始状态与存活时间
目标序号 | 目标初始状态/(m,m/s,m,m/s,rad/s) | 起始时刻/s | 终止时刻/s |
1 | [150,-2,100,-8,-2π/180]T | 1 | 50 |
2 | [150,-10,100,0,3π/180]T | 5 | 24 |
3 | [-100,8,0,-8,π/180]T | 8 | 30 |
4 | [-100,8,0,8,-π/180]T | 12 | 27 |
5 | [-50,8,150,1,π/180]T | 18 | 35 |
6 | [-50,8,150,-8,π/180]T | 22 | 37 |
假设新生目标的概率密度服从高斯分布,即pb=N(x;mb,Pb),目标的新生概率为rb=0.01,新生目标初始状态分别为 方差为PB=diag([10,10,10,10,3π/180])2。假设采样周期T=1s,目标的状态方程和量测方程为:
xk=Fxk-1+Gvk (27)
zk=Hxk+wk (28)
其中,
设量测区间长度为Δ=[15m,15m]T,其噪声协方差和过程协方差分别为R=diag([1.52,1.52])m2和其中σω=3m/s2,σu=π/180rad/s。杂波的数量服从均值为r=10的Poisson分布,其在监控区域内均匀分布。目标存活概率和检测概率分别为ps=0.99,pd=0.98,OSPA参数为p=1,c=300。6个目标的真实运动轨迹和量测和跟踪结果如图2~3所示。
其中,图2是本发明实施例提供的线性场景下目标运动轨迹与量测图,图2中实线所示为6个目标的真实运动轨迹,方形区域则表示区间量测。图3是本发明实施例提供的线性场景下BP-PMBM滤波器一次蒙特卡洛的跟踪效果图,图3中不同目标的航迹使用不同符号标记,从图3中可以看出,所提算法可以准确跟踪多目标的状态与航迹。
请参见图4和图5,图4是本发明实施例提供的线性场景下100次蒙特卡洛仿真的平均目标数估计;图5是本发明实施例提供的线性场景下100次蒙特卡洛仿真的平均OSPA距离。从图4中可以看出,滤波器可以较为准确的估计出目标的数量,且具有较好的跟踪精度。由于滤波器均基于多假设跟踪思想,当目标消失时,消失目标假设分量的权值变化存在一定的延迟,因此在图4中,在24、27、30、35、37时刻,当有目标消失时,真实目标数减少,估计目标数会延迟一个时刻减少,并且在图5中对应时刻的OSPA距离会出现尖峰。
实验中单次跟踪用时约35s,箱粒子数目为40,每个新生目标的箱粒子数目为5。
仿真实验二:非线性场景下SMC-PMBM的滤波性能表现
本实验在非线性雷达观测系统下对BP-PMBM滤波算法进行MATLAB仿真并评估及跟踪性能及表现。假设在50个观测时刻内,区域大小为[-250m,250m]×[-250m,250m]的模拟监控区域内先后新生6个目标做匀速转弯运动,目标状态为表2所示为6个目标的初始状态与起始、终止时刻。
表2目标初始状态与起止时刻
目标序号 | 目标初始状态/(m,m/s,m,m/s,rad/s) | 起始时刻/s | 终止时刻/s |
1 | [250,-2,100,-8,-π/180]T | 1 | 50 |
2 | [250,-10,100,0,3π/180]T | 8 | 27 |
3 | [-150,6,-200,5,π/180]T | 5 | 30 |
4 | [-150,4,-200,12,3π/180]T | 12 | 27 |
5 | [-170,10,150,-1,-π/180]T | 14 | 31 |
6 | [-170,8,150,-8,-π/180]T | 22 | 37 |
目标的状态方程与非线性量测方程为:
xk=Fxk-1+Gvk (29)
其中,
传感器采样周期为T=1s,过程噪声协方差为其中σω=3m/s2,σu=4π/180rad/s;量测噪声协方差为/>其中σα=π/(4×180)rad,σρ=1m,量测区间为Δ=[Δα,Δρ]T,其中Δα=6π/180rad,Δρ=20m。目标的新生概率为rb=0.01,新生目标的初始状态分别为 方差为Pb=diag([10,10,10,10,3π/180])2。
杂波的数量服从均值为r=10的Poisson分布且杂波均匀分布在监控区域内。目标存活概率为ps=0.99,检测概率为pd=0.98,OSPA参数设置为c=300,p=1。
请参见图6和图7,图6是本发明实施例提供的非线性场景下观测区域内6个目标的真实运动轨迹以及杂波的量测分布状况,图6中实线为目标的真实运动轨迹,方形区域则表示目标与杂波的区间量测。图7是本发明实施例提供的非线性场景下BP-PMBM滤波算法的一次蒙特卡洛跟踪表现,从图7中可以看出,滤波器基本可以有效跟踪多目标的状态并区分出不同目标的航迹。请参见图8和图9,图8是本发明实施例提供的非线性场景下BP-PMBM滤波算法在平均杂波数r=10时100次蒙特卡洛仿真的平均目标数估计;图9是本发明实施例提供的非线性场景下BP-PMBM滤波算法在平均杂波数r=10时100次蒙特卡洛仿真的平均OSPA距离。
从图8和图9中可以看出,BP-PMBM滤波算法的数目估计较为准确且具有较好的OSPA距离表现。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (1)
1.一种基于BP-PMBM滤波算法的多目标跟踪方法,其特征在于,包括:
(1)初始化算法;包括:令PMBM概率密度中Poisson部分的初始强度由一组加权箱粒子表示,/>为一组从初始状态采样所得的箱粒子,N0为初始时刻箱粒子的数量,每个箱粒子的初始权值为1/N0;同时令PMBM概率密度中MBM部分的初始概率密度为空集;
(2)对目标状态进行预测;
(21)对所述目标状态中的Poisson分量进行预测,得到所述Poisson分量的预测强度并用箱粒子集表示;包括:
(21-1)设k-1时刻Poisson分量的强度由箱粒子集表示为其中,/>表示第i个箱粒子在k-1时刻的状态,/>表示第i个箱粒子在k-1时刻的重要性权值,/>表示在k-1时刻所有箱粒子的数量;
其中,所述Poisson分量的预测强度箱粒子集包括存活目标的预测箱粒子集和新生目标箱粒子集,其中,
所述存活目标的预测箱粒子表示为其中,/>表示第i个存活目标的预测箱粒子的状态,/>表示第i个存活目标的预测箱粒子的重要性权值,且
式中,ps表示目标的存活概率,[ω]表示过程噪声区间,[fk|k-1]表示状态转移函数的包含函数;
所述新生目标箱粒子集表示为其中,Bk表示新生箱粒子的数量,/>表示第i个新生目标箱粒子的状态,/>表示第i个新生目标箱粒子的重要性权值;
所述Poisson分量的预测强度箱粒子集表示为:
(21-2)相应地,k时刻所述Poisson分量的预测强度箱粒子集为其中,表示预测箱粒子的数量;
(22)对所述目标状态中的MBM分量进行预测,得到所述MBM分量的预测参数集;包括:
(22-1)设k-1时刻MBM分量由参数集表示为其中,h表示Bernoulli分量的索引,Hk-1表示所有Bernoulli分量的数量,/>表示Bernoulli分量的标签,/>和/>分别表示Bernoulli分量的存在概率和权值,/>表示Bernoulli分量的概率密度;
(22-2)相应地,k时刻MBM分量预测参数集为其中,Hk|k-1=Hk-1,/>表示预测概率密度,/>表示预测箱粒子的数量;
其中,所述预测概率密度由一组加权箱粒子集表示为/>其中,
(3)更新所述目标状态;
(31)更新所述Poisson分量,根据所述Poisson分量的预测强度得到所述Poisson分量的后验强度;其中,所述Poisson分量的后验强度为其中,
(32)更新所述MBM分量,根据所述MBM分量的预测参数集和量测信息得到更新后的MBM分量参数集;包括:
(32-1)设k时刻量测随机集为Z={[z1],…,[zm]};将所述MBM分量更新后的参数集表示为其中,所述更新后的MBM分量包括三种单目标假设,分别为潜在目标首次被检测到的假设、存活目标的漏检假设以及存活目标与每个量测匹配所形成的假设;
(32-2)根据所述量测随机集得到所述潜在目标首次被检测到所形成的Bernoulli分量的参数集;
(32-3)建立漏检假设并计算所述存活目标的漏检假设的参数集;
(32-4)根据所述量测随机集得到所述存活目标与每个量测匹配所形成的假设的参数集;
(4)对所述Poisson分量和所述MBM分量进行修剪;
(5)对所述Poisson分量和所述MBM分量进行箱粒子重采样;
(6)对所述目标状态进行估计,得到全局目标状态估计值,包括:
(61)将所述单目标假设的权值之积作为全局假设的权重,并找出所有全局假设中权值最大的全局假设;
(62)从所述权值最大的全局假设中筛选出其中存在概率大于某一预设门限的单目标假设,得到目标的状态估计区间;
(63)根据所述目标的状态估计区间得到目标状态估计值;
其中,所述目标状态估计值为:
其中,表示目标的状态估计区间,mid(·)表示区间的中心点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010185729.6A CN113409363B (zh) | 2020-03-17 | 2020-03-17 | 一种基于bp-pmbm滤波算法的多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010185729.6A CN113409363B (zh) | 2020-03-17 | 2020-03-17 | 一种基于bp-pmbm滤波算法的多目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113409363A CN113409363A (zh) | 2021-09-17 |
CN113409363B true CN113409363B (zh) | 2024-04-05 |
Family
ID=77677059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010185729.6A Active CN113409363B (zh) | 2020-03-17 | 2020-03-17 | 一种基于bp-pmbm滤波算法的多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113409363B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310115A (zh) * | 2013-06-27 | 2013-09-18 | 西安电子科技大学 | 一种多目标跟踪的杂波估计方法 |
CN107730537A (zh) * | 2017-09-29 | 2018-02-23 | 桂林电子科技大学 | 基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法 |
WO2018119912A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳大学 | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 |
CN109508444A (zh) * | 2018-12-18 | 2019-03-22 | 桂林电子科技大学 | 区间量测下交互式多模广义标签多伯努利的快速跟踪方法 |
CN110865343A (zh) * | 2019-11-13 | 2020-03-06 | 中国人民解放军海军航空大学 | 基于lmb的粒子滤波检测前跟踪方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201004234D0 (en) * | 2010-03-15 | 2010-04-28 | Bae Systems Plc | Target tracking |
WO2012149624A1 (en) * | 2011-05-04 | 2012-11-08 | Jacques Georgy | Two-stage filtering based method for multiple target tracking |
-
2020
- 2020-03-17 CN CN202010185729.6A patent/CN113409363B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310115A (zh) * | 2013-06-27 | 2013-09-18 | 西安电子科技大学 | 一种多目标跟踪的杂波估计方法 |
WO2018119912A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳大学 | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 |
CN107730537A (zh) * | 2017-09-29 | 2018-02-23 | 桂林电子科技大学 | 基于箱粒子概率假设密度滤波的弱目标检测与跟踪方法 |
CN109508444A (zh) * | 2018-12-18 | 2019-03-22 | 桂林电子科技大学 | 区间量测下交互式多模广义标签多伯努利的快速跟踪方法 |
CN110865343A (zh) * | 2019-11-13 | 2020-03-06 | 中国人民解放军海军航空大学 | 基于lmb的粒子滤波检测前跟踪方法及系统 |
Non-Patent Citations (3)
Title |
---|
基于箱粒子PHD滤波的多目标视频跟踪方法;程慧;宋骊平;李翠芸;;计算机辅助设计与图形学学报(第02期);全文 * |
基于箱粒子滤波的鲁棒标签多伯努利跟踪算法;魏帅;冯新喜;王泉;鹿传国;;兵工学报(第10期);全文 * |
箱粒子广义标签多伯努利滤波的目标跟踪算法;苗雨;宋骊平;姬红兵;;西安交通大学学报(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113409363A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508444B (zh) | 区间量测下交互式多模广义标签多伯努利的快速跟踪方法 | |
CN107703496B (zh) | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 | |
CN111127523B (zh) | 基于量测迭代更新的多传感器gmphd自适应融合方法 | |
CN111562571B (zh) | 一种未知新生强度的机动多目标跟踪与航迹维持方法 | |
Li et al. | Multi-EAP: Extended EAP for multi-estimate extraction for SMC-PHD filter | |
CN109934849B (zh) | 基于轨迹度量学习的在线多目标跟踪方法 | |
CN109214432B (zh) | 一种多传感器多目标联合检测、跟踪与分类方法 | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
Liu | A sequential GM-based PHD filter for a linear Gaussian system | |
CN109671096B (zh) | 一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法 | |
CN113409363B (zh) | 一种基于bp-pmbm滤波算法的多目标跟踪方法 | |
Arasaratnam et al. | Tracking the mode of operation of multi-function radars | |
CN105353353B (zh) | 多重搜索粒子概率假设密度滤波的多目标跟踪方法 | |
WO2016000487A1 (zh) | 一种基于变系数α-β滤波器的目标跟踪方法与跟踪系统 | |
CN111811515B (zh) | 一种基于高斯混合概率假设密度滤波器的多目标航迹提取方法 | |
CN113537302B (zh) | 一种多传感器随机化数据关联融合方法 | |
CN115619825A (zh) | 地面多目标跟踪状态及轨迹确定方法 | |
CN110334472B (zh) | 一种群运动趋势辅助的集势概率假设密度滤波方法 | |
CN107590509B (zh) | 基于最大期望近似的切尔诺夫融合方法 | |
CN111504326B (zh) | 一种基于t分布的鲁棒glmb多目标跟踪方法 | |
CN117214881B (zh) | 一种复杂场景下基于Transformer网络的多目标跟踪方法 | |
CN112906743B (zh) | 一种快速多传感器集势概率假设密度滤波方法 | |
CN116246492B (zh) | 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法 | |
Yujie et al. | Target Birth Intensity Estimation in Dense Clutter |
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 |