CN113534131B - 基于gm-phd的运动参数估计组合平滑滤波方法 - Google Patents

基于gm-phd的运动参数估计组合平滑滤波方法 Download PDF

Info

Publication number
CN113534131B
CN113534131B CN202110816963.9A CN202110816963A CN113534131B CN 113534131 B CN113534131 B CN 113534131B CN 202110816963 A CN202110816963 A CN 202110816963A CN 113534131 B CN113534131 B CN 113534131B
Authority
CN
China
Prior art keywords
target
speed
phd
value
state
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
CN202110816963.9A
Other languages
English (en)
Other versions
CN113534131A (zh
Inventor
黄庆东
李晓瑞
王梅
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.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
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 Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN202110816963.9A priority Critical patent/CN113534131B/zh
Publication of CN113534131A publication Critical patent/CN113534131A/zh
Application granted granted Critical
Publication of CN113534131B publication Critical patent/CN113534131B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/414—Discriminating targets with respect to background clutter
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于GM‑PHD的运动参数估计组合平滑滤波方法，解决了GM‑PHD滤波方法没有充分利用现有信息的技术问题。实现包括使用GM‑PHD滤波器；目标状态信息获取；差分获取初步目标速度估计值；分速度并行处理得到平滑后的速度估计值；获取速度估计值的平滑差值；计算平滑后速度估计值的补偿值；获得组合平滑滤波速度估计；对获取的目标状态信息实时更新，完成对目标状态信息实时的运动参数估计组合平滑滤波。本发明利用位置差分获取速度估计值、对速度估计值组合平滑并对GM‑PHD滤波器中目标状态速度信息更新，获得更贴近实际的速度估计值，实时用于对目标状态的检测与跟踪，提高了跟踪精确度。

Description

基于GM-PHD的运动参数估计组合平滑滤波方法
技术领域
本发明属于信息融合技术领域，主要涉及运动目标跟踪和状态估计，具体是基于GM-PHD的运动参数估计组合平滑滤波方法，用于运动目标的状态估计、跟踪、定位等。
背景技术
信息融合是一门基于多种认知手段理解认识外部事物及其变化规律的交叉学科。目前信息融合理论与技术已被广泛应用于导航、遥感、目标检测、跟踪与识别环境监测等众多军事和民用领域。
20世纪70年代，目标跟踪理论引起人们大量关注，此后相继提出了多种经典的目标跟踪方法，Malher将点过程理论与专家系统理论相结合，提出了一种随机集RFS(RandomFinite Set)理论，为信息融合问题建立了统一的概率基础，RFS把每一个时间步上的目标状态构成的集合和传感器测量值集合定义为一个RFS变量进行处理，构建了基于RFS的最优多目标贝叶斯滤波框架，避免了传统多目标算法中的数据关联过程及其产生的大量的计算问题。随机有限集RFS框架内的概率假设密度PHD(Probability Hypothesis Density)是RFS多目标贝叶斯滤波器的次优近似算法，用以解决RFS理论框架内的多目标贝叶斯滤波器公式中存在的难以处理的集合积分问题。学者Vo B N等人利用高斯混合方法GM(GaussianMixture)近似推导出了GM-PHD(Gaussian Mixture Probability Hypothesis Density)滤波器，为PHD滤波器在线性高斯多目标假设情况下的封闭解。Mahler证明了在距离准则Kullback-Leibler下，PHD是多目标后验分布的最优泊松Poisson近似，这一结论为实现最优多目标贝叶斯滤波器的一阶矩近似递归提供了理论依据。
概率假设密度(PHD)滤波器通过一种混合高斯(GM)近似，在合理的假设条件下为PHD滤波器提供一种快速的解析解。虽然RFS理论实现了将多目标运动模型转换为相应的真实多目标马尔可夫密度，即该密度函数可如实反映多目标运动模型；同时GM-PHD能够通过近似提供合理解析解。但是在实际应用时，如何确保这个解析解能够高效、稳定起作用，关键在于是否能够从可用信息中充分提取和有效利用这些信息。本发明就是为了给GM-PHD在多目标运动模型环节，提供更充分、有效的信息，使多目标马尔可夫密度更能真实反映多目标运动模型而提出的。
PHD滤波被认为是解决难以处理的集合积分问题的有效解决方案，使多目标贝叶斯滤波器能够在运动目标跟踪监测、舰船跟踪定位、水下目标自主定位、行人检测跟踪等多种应用场合中使用。GM-PHD从统计意义上来说在线性高斯多目标假设情况下是最优的。实际中需要足够多的观测来准确估计目标状态，当滤波过程中采集的观测数据越少，或者观测数据越不准确，就需要足够多的观测数据做递归处理后才能精确估计目标状态；同样的当信噪比SNR越低时，正确估计状态需要的观测数也越多。其原因在于需要通过观测数据积累强化实际目标的可能性概率，进而获得更准确的估计。运动目标的建模越精确，贝叶斯滤波器就越有效，否则将会消耗一定量的数据来克服目标模型低效带来的负面影响。严重时甚至会无法锁定目标，导致系统失配。当对未知状态运动目标进行估计时，这种运动目标模型中未知参数的不确定性会对状态估计系统的准确快速估计带来困扰，信息累积强化的效率也不高。如果在此过程中能够逐步改善未知参数的影响，实现对未知参数的估计，协助观测信息累积强化，则能提升估计性能。
GM-PHD滤波方法在近些年的研究与应用越来越多，Kun Shi等人提出了一种路线图辅助的高斯混合概率假设密度滤波器，将GM-PHD用于多车辆跟踪，保证了智能车辆安全。Evangeline Pollard等人将GM-PHD用于对城市环境下航拍视频的多目标检测与跟踪，为动态城市场景解读提供了解决方案。Timothy Gallion等人将GM-PHD滤波器用于车辆应用中跟踪行人。Ben Liu等人将GM-PHD滤波器和基于社会力概念的运动模型相结合在水下跟踪潜水员，但它仍然受到水下潜水员复杂运动模型的影响。
实际应用中，使用PHD跟踪器进行海上监视时，目标跟踪系统上配备的海洋监视雷达对洋面进行雷达探测，目标跟踪系统上同时配置一个多目标PHD跟踪器来估计使用雷达探测的船舶的位置和大小，实现对舰船的跟踪定位。在智能车辆应用中，智能车辆安装有目标检测定位系统，安装在智能车辆前后和两侧的传感器对道路中其它车辆和目标进行检测，智能车辆通过目标检测定位系统上配置的PHD滤波器对道路中检测范围内的车辆进行目标跟踪定位和大小估计，实现对道路行驶环境安全状况的自动监测。设置在公共场所的行人目标检测系统，通过其上的图像传感器获得行人的检测，并通过配置在行人目标检测系统上的PHD滤波器实现对行人的位置、数量、运行轨迹进行检测。
目前，在实际应用中发现，GM-PHD滤波方法普遍存在的下列问题：1.GM-PHD滤波方法通常预设速度与目标的真实速度相接近时，才能表现出良好的跟踪性能，但实际情况下，目标运动速度如果是未知或与真实差异较大会导致目标运动状态参数不匹配，目标状态估计不准确；2.采用现有的跟踪算法对模型中运动速度未知的目标进行跟踪，无法获得可靠的跟踪效果；3.即使知道预设速度，但是目标的运动执行机构和传感器感知环节都可能会引入误差和随机性偏差，这些误差和随机性偏差会使实际执行速度与预设速度在各个具体时刻出现偏差，会对“速度已知GM-PHD”目标状态估计形成影响和干扰，进而影响估计精度；4.上述情况在各类PHD滤波方法普遍存在，具有相似性，对于广泛应用的卡尔曼滤波器也存在类似问题。
现有技术以上的缺陷，限制了GM-PHD滤波方法性能的提高，导致当前实际可用的有效信息没有充分被利用，定位精度没有被有效发掘，跟踪性能不稳定。从而影响了GM-PHD滤波方法的应用效果。
发明内容
本发明的目的在于克服上述已有技术的不足，提出一种具有实时性和准确性的基于GM-PHD滤波的运动参数组合平滑滤波方法。
本发明是一种基于GM-PHD的运动参数估计组合平滑滤波方法，在目标跟踪系统上运行，目标跟踪系统上设置有GM-PHD滤波器，滤波过程中涉及到对运动目标的状态进行跟踪、数据提取及其目标运动参数在线数据更新，其特征在于：包括有如下步骤：
步骤1使用GM-PHD滤波器：在目标跟踪系统上使用GM-PHD滤波器，假设目标跟踪系统所处环境符合线性高斯条件，假设被跟踪目标无衍生情况，则k时刻下GM-PHD滤波器得到目标的高斯混合GM分量为其中，表示时刻k第i个高斯混合GM分量的权值，为第i个高斯混合GM分量均值，即目标状态信息，为第i个高斯混合GM分量协方差；目标状态信息表达为其中为目标状态位置信息，分别为笛卡尔坐标系下x，y，z方向的目标状态位置信息；为目标状态速度信息，分别为笛卡尔坐标系下x，y，z方向的目标状态分速度信息，[·]T为转置操作；针对单目标进行滤波时i＝1，对单目标进行跟踪与检测；
对于多目标情形，采用轨迹类PHD滤波器或者标签类PHD滤波器进行目标区分和速度估计，多目标区分后的每个目标类同单目标时基于GM-PHD滤波器实现目标跟踪与检测；
步骤2目标状态信息获取：GM-PHD滤波器针对单目标进行跟踪滤波，首先得到k-1时刻目标状态的高斯混合GM分量利用k时刻传感器的观测信息zk和通过GM-PHD滤波器进行状态预测和状态更新获得k时刻的目标状态的高斯混合GM分量其中，表示k-1时刻目标状态对应高斯混合GM分量的权值；为k-1时刻目标状态对应高斯混合GM分量的均值，分别为k-1时刻笛卡尔坐标系下x，y，z方向的目标状态位置信息，分别为k-1时刻笛卡尔坐标系下x，y，z方向的目标状态速度估计；为k-1时刻目标状态对应高斯混合GM分量的协方差；获取的k时刻目标状态信息为其中包含目标状态位置信息和目标状态速度信息；
步骤3差分获取初步目标速度估计值：分别提取i目标k-1时刻和k时刻的目标状态的高斯混合GM分量中的目标状态位置信息，进行差分计算获得i目标k时刻初步目标速度估计值简称速度估计值，其中包含x，y，z方向的分速度；
步骤4分速度并行处理得到平滑后的速度估计值：对初步目标速度估计值的分速度并行依次进行5点中值滤波和3点线性平滑处理，5点中值滤波操作即从k时刻速度估计值开始向前提取5个相邻时刻的速度估计值按值大小降序排列，取中值作为5点中值滤波值输出lv(k)；对连续3个时刻的5点中值滤波值进行3点线性平滑计算得到平滑后的速度估计值 其中，ω(m)为3点线性平滑窗，满足
步骤5获取速度估计值的平滑差值：将速度估计值和平滑后的速度估计值时间对齐后相减，计算得到速度估计值的平滑差值
步骤6计算平滑后速度估计值的补偿值：对速度估计值的平滑差值的分速度并行先进行5点中值滤波操作，得到平滑差值的中值滤波值lΔv(k)；然后对lΔv(k)再进行3点线性平滑计算，得到平滑后速度估计值的补偿值
步骤7获得组合平滑滤波速度估计：将i目标k时刻平滑后的速度估计值和平滑后速度估计值的补偿值时间对齐后相加，作为组合平滑滤波的最终输出，即组合平滑滤波速度估计 其中 分别为i目标笛卡尔坐标系下x，y，z方向的目标状态速度估计；
步骤8对获取的目标状态信息实时更新：用组合平滑滤波速度估计替换GM-PHD滤波k时刻i目标的目标状态速度信息，即在GM-PHD滤波器中，i目标的目标状态速度信息更新为 则第i个高斯混合GM分量的均值更新为GM-PHD滤波器在k时刻i目标的GM分量由更新为更新后k时刻i目标的GM分量用于k+1时刻目标跟踪系统上GM-PHD滤波器，完成了一次对获取的目标状态信息实时的运动参数估计组合平滑滤波；本发明方法在跟踪过程中实时全程自动进行运动参数估计组合平滑滤波计算。
本发明解决了GM-PHD滤波器在目标跟踪和检测环境，使多目标马尔可夫密度更能真实反映多目标运动模型的技术问题；让GM-PHD滤波器在实际应用时，能够从可用信息中充分提取和有效利用这些目标运动状态信息，进而使多目标马尔可夫密度更能真实反映多目标运动模型，确保GM-PHD滤波器通过近似提供合理解析解能够高效、稳定起作用。当现有GM-PHD滤波方法普遍存在的被跟踪目标速度未知或预设速度与目标真实速度差异较大时，导致的目标运动状态参数不匹配，目标状态估计不准确，进而造成GM-PHD滤波方法目标状态估计不准确，无法获得准确跟踪效果的技术问题；另外，当目标预设运动速度已知，但是目标运动执行机构和目标运动控制传感器感知环节都可能会引入误差和随机性偏差，这些误差和随机性偏差会使目标实际运动速度与目标预设运动速度在各个具体时刻出现偏差，会对“速度已知GM-PHD”目标状态估计形成影响和干扰，进而影响目标状态估计精度。
与现有技术相比，本发明具有如下优点：
充分利用了GM-PHD滤波器较准确的位置状态信息，获得更贴近实际的速度估计值：通过GM-PHD滤波器初步获取的较准确状态信息，利用差分初步获取和组合平滑滤波方式及时确立相对可靠的速度估计值，改变运动模型参数未知或预设固定参数情况下相邻时刻运动信息不确定或孤立情况，建立相邻时刻运动信息的关联度，并充分体现实际速度信息，用于GM-PHD滤波器中提高后续状态转移估计的准确性，为观测更新提供更多的有效信息，改善和提高滤波器性能。
利用运动状态的平稳性，充分发挥组合平滑滤波性能，抑制干扰跳变和随机因素影响：假设目标运动状态是连续变化的，大多数应用场景满足上述假设，那么可以认为短时间内其运动状态具有平稳性，利用短时平稳特点可以进一步进行临近几个状态参数的滤波和平滑处理，改善单次实现(单次实验/各个时刻)确定的参数信息中随机性因素的影响，和干扰造成的跳变影响，组合平滑滤波利用不同时刻关联可用信息改善随机因素对系统性能影响。
具有广泛的适应性、移植性和扩展性：本发明并不仅仅针对GM-PHD滤波器，仅仅为了简单起见采用单目标GM-PHD来验证算法有效，对于其他类型PHD同样可以类似处理，比如轨迹类滤波器和标签类滤波器能够区分多目标，此时就很容易像单目标GM-PHD滤波器情况下直接进行类似处理。另外，对于应用广泛的卡尔曼滤波器也很容易移植本发明方法，与其结合改善状态估计和跟踪性能。
不需要额外信息，仅仅是充分利用现有信息，因此对于原有GM-PHD滤波器理论的封闭性不产生影响：本发明方法与PHD类型滤波器能够实现“共轭”，相互互补，相互促进，GM-PHD为组合平滑滤波提供状态更新值用于计算速度和滤波处理，而组合平滑滤波将滤波后的速度提供给GM-PHD用来在状态转移方程中对状态进行更有效的估计，并随着时间推移依序迭代执行，不断提升系统整体的状态估计性能。本发明只是充分利用现有GM-PHD滤波器的可用信息，并进行加工提炼后获得更有效的信息用于GM-PHD滤波器中，因此对于原有GM-PHD滤波器理论的封闭性不产生影响，但提示了其性能。
附图说明:
图1是本发明的流程框图；
图2是本发明的运动参数组合平滑框图；
图3(a)为x坐标轴目标跟踪定位图，图3(b)为图3(a)的x方向目标跟踪定位的局部放大图，图3(c)为y坐标轴目标跟踪定位图,图3(d)为图3(c)的y方向目标跟踪定位的局部放大图；
图4(a)为本发明目标x坐标轴上初步目标速度估计值和组合平滑速度估计速的对比图，图4(b)为本发明目标y坐标轴上初步目标速度估计值和组合平滑速度估计速的对比图；
图5(a)为初步目标速度估计值和5点中值滤波值的对比图；图5(b)为5点中值滤波值和平滑后的速度估计值的对比图，图5(c)为平滑差值和平滑插值的中值滤波值的对比图，图5(d)为平滑插值的中值滤波值和平滑后的速度估计值的补偿差值的对比图，图5(e)为平滑后的速度估计值的补偿差值和组合平滑滤波速度估计的对比图；
图6是本发明中的组合平滑滤波方法与其他方法的目标个数估计对比图；
图7是本发明与其他方法的OSPA随时间变化统计平均值对比图。
具体实施方式：
实施例1：
多目标跟踪的概念早在1955年被提出，并逐步发展成为多源信息融合领域的一个重要分支。随着雷达、声纳、红外等各类传感器的出现和技术水平的不断发展，多目标跟踪技术已经广泛应用于军事和民用领域，如弹道导弹防御系统、军事侦察和预警、精确制导、视频监控、空中交通管制、智能机器人。
现有GM-PHD滤波方法在近些年得到了广泛的应用，该方法通常预设速度与目标真实速度接近时，才能表现出良好的跟踪性能，但在实际情况下，跟踪环境复杂，速度信息往往无法已知，速度如果是未知或者与真实差异较大会导致状态参数不匹配，状态估计不准确。这些问题限制了目标跟踪技术性能的提高，导致当前实际可用的有效信息没有充分被利用，造成与真实目标运动模型存在偏差，算法精度没有被有效发掘，算法性能不稳定。从而影响了GM-PHD滤波方法的应用效果。本发明针对上述现状展开了研究与探索，提出一种具有实时性和准确性的基于GM-PHD滤波的运动参数组合平滑滤波方法。
本发明是一种基于GM-PHD的运动参数估计组合平滑滤波方法，在目标跟踪系统上运行，目标跟踪系统上设置有GM-PHD滤波器，滤波过程中涉及到对运动目标的状态进行跟踪、数据提取及其目标运动参数在线数据更新等，参见图1，图1为本发明的流程框图，包括有如下步骤：
步骤1使用GM-PHD滤波器：在目标跟踪系统上使用GM-PHD滤波器，假设目标跟踪系统所处环境符合线性高斯条件，假设被跟踪目标无衍生情况，则k时刻下GM-PHD滤波器得到目标的高斯混合GM分量为其中，表示时刻k第i个高斯混合GM分量的权值，为第i个高斯混合GM分量均值，即目标状态信息，为第i个高斯混合GM分量协方差。目标状态信息表达为第i个高斯混合GM分量均值中的前三个向量为目标状态位置信息，分别为笛卡尔坐标系下x，y，z方向的目标状态位置信息；第i个高斯混合GM分量均值中的后三个向量为目标状态速度信息，分别为笛卡尔坐标系下x，y，z方向的目标状态分速度信息，[·]T为转置操作。针对单目标进行滤波时i＝1，对单目标进行跟踪与检测。
单目标时由于对确定的某个目标进行跟踪，因此不同时刻的高斯混合GM分量对应的是同一目标，这样能满足后续步骤使用要求。
对于多目标情形，采用轨迹类PHD滤波器或者标签类PHD滤波器进行目标区分和速度估计，多目标区分后的每个目标类同单目标时基于GM-PHD滤波器实现目标跟踪与检测。
多目标时，由于同时对多个目标进行跟踪与监测，为了将不同时刻的各目标状态位置和速度信息按目标进行对应，则要对多目标中的各个目标做标记进行区分；轨迹类PHD滤波器是以轨迹形式对目标进行区分，建立不同时刻各目标运行轨迹，使不同时刻各目标状态位置和速度信息按目标进行对应；标签类PHD滤波器是对不同目标加标签的形式实现不同时刻各目标的区分和对应，使不同时刻各目标状态位置和速度信息按目标进行对应。多目标跟踪和检测原理同样是将多目标运动模型转换为相应的真实多目标马尔可夫密度，与单目标GM-PHD滤波器存在的实际可用的有效信息没有充分被利用，造成与真实目标运动模型存在偏差问题相同，在多目标实现目标区分后，采用与本发明处理单目标时基于GM-PHD滤波器类似方法就可以实现对于多目标跟踪与检测时PHD滤波器的性能提升。
步骤2目标状态信息获取：位于跟踪系统上的GM-PHD滤波器针对单目标进行跟踪滤波，对于GM-PHD滤波器，首先获取上一轮滤波得到的k-1时刻目标状态的高斯混合GM分量利用k时刻传感器的观测信息zk和就是将和k时刻观测信息zk通过GM-PHD滤波器进行状态预测和状态更新获得k时刻的目标状态的高斯混合GM分量其中，表示k-1时刻目标状态对应高斯混合GM分量的权值；为k-1时刻目标状态对应高斯混合GM分量的均值，分别为k-1时刻笛卡尔坐标系下x，y，z方向的目标状态位置信息，分别为k-1时刻笛卡尔坐标系下x，y，z方向的目标状态速度估计；为k-1时刻目标状态对应高斯混合GM分量的协方差；获取的k时刻目标状态信息为其中包含目标状态位置信息和目标状态速度信息。
目标跟踪系统上设置有GM-PHD滤波器和传感器，滤波过程中实时对运动目标的状态进行检测、跟踪、数据提取。在目标跟踪系统上使用的GM-PHD滤波器，在初始时刻，可以通过初始化得到目标状态的高斯混合GM分量在其它运行时刻，通过上一轮运行GM-PHD滤波器并进行运动参数估计组合平滑滤波，然后对目标状态速度信息更新后得到k-1时刻目标状态对应高斯混合GM分量的权值。
步骤3差分获取初步目标速度估计值：分别提取i目标k-1时刻和k时刻的目标状态的高斯混合GM分量中的目标状态位置信息，进行差分计算获得i目标k时刻初步目标速度估计值简称速度估计值，其中包含x，y，z方向的分速度。
本发明利用位置状态信息差分获取初步目标速度估计值；通过对同一目标不同时刻的目标状态位置信息进行提取，然后进行时间差分计算后得到此目标在这两时刻过程中初步目标速度估计值，得到的目标瞬时速度能够充分体现目标实时运动状态，瞬间物理量的转换很好解决了运动目标速度参数估计准确性的问题，也为本发明的后续处理步骤提供了有理论计算依据和准确地初步目标速度估计值。此速度估计值是通过GM-PHD滤波器得到较精确的目标状态位置信息进行差分计算得到，因而更能体现目标真实的运动速度，为跟踪系统进一步提升跟踪与监测性能提供可能。
步骤4分速度并行处理得到平滑后的速度估计值：对初步目标速度估计值的x，y，z方向的分速度并行依次进行5点中值滤波和3点线性平滑处理，5点中值滤波操作即从k时刻速度估计值开始向前提取5个相邻时刻的速度估计值按值大小降序排列，取中值作为5点中值滤波值输出lv(k)；接着对连续3个时刻的5点中值滤波值，即对5点中值滤波值输出lv(k)进行3点线性平滑计算，得到平滑后的速度估计值 其中，ω(m)为3点线性平滑窗，满足
本发明对初步目标速度估计值的分速度并行采用了5点中值滤波和3点线性平滑；由于PHD滤波器是统计最优贝叶斯滤波器的近似，因此对于单次执行的结果来说可能会存在随机偏差，另外由于实际运行环境条件并非理想，还可能会对跟踪系统引入干扰，这些都会影响目标状态位置信息，进而使差分获得的目标速度估计值有随机跳变数据和随机干扰波动，需要进一步处理获得更贴近真实速度的信息需要进一步处理。本发明采用5点中值滤波去除随机跳变数据的影响，同时能确保阶跃性速度变化能够有效保留；然后采用3点线性平滑对于随机干扰波动进行平滑处理，抑制波动影响。
步骤5获取速度估计值的平滑差值：将速度估计值和平滑后的速度估计值时间对齐后矢量相减，计算得到速度估计值的平滑差值
步骤6计算平滑后速度估计值的补偿值：对速度估计值的平滑差值的分速度并行先进行5点中值滤波操作，得到平滑差值的中值滤波值lΔv(k)；然后对lΔv(k)再进行3点线性平滑计算，得到平滑后速度估计值的补偿值
为了避免在步骤5滤波时把一些有用信息也滤除了，造成有效信息的损失，最终导致PHD滤波器性能出现恶化，因此有必要对滤除的信息进一步进行筛选，将其中的有效信息进行保留，所以本发明对于滤除的信息进行了5点中值滤波和3点线性平滑，获得筛选后的信息将来补偿到速度估计值中，确保系统有效信息少流失。
步骤7获得组合平滑滤波速度估计：将i目标k时刻平滑后的速度估计值和平滑后速度估计值的补偿值时间对齐后相加，作为组合平滑滤波的最终输出，即组合平滑滤波速度估计 其中 分别为i目标笛卡尔坐标系下x，y，z方向的目标状态速度估计。
本发明在滤波过程中对于筛选后的信息补偿到速度估计值中，确保有效信息少流失，得到了更能体现目标真实速度的组合平滑滤波速度估计该估计值是本发明经过组合平滑滤波保留了更多的有效信息，为PHD滤波器提供了更准确的运动目标速度参数估计值。此速度估计更能体现目标真实速度，将来用于PHD滤波器中，能够获取使运动目标的建模更精确，获得更好的目标跟踪和检测效结果。
步骤8对获取的目标状态信息实时更新：用组合平滑滤波速度估计替换GM-PHD滤波k时刻i目标的目标状态速度信息，即在GM-PHD滤波器中，i目标的目标状态速度信息更新为 则第i个高斯混合GM分量的均值更新为GM-PHD滤波器在k时刻i目标的GM分量由更新为更新后k时刻i目标的GM分量用于k+1时刻目标跟踪系统上GM-PHD滤波器，完成了一次对获取的目标状态信息实时的运动参数估计组合平滑滤波。
进行下一轮计算，由于跟踪系统实时在线跟踪，本发明方法在跟踪过程中也自动进入下一轮针对获取目标状态信息运动参数的实时估计组合平滑滤波，直至完成目标全程跟踪过程的运动参数估计组合平滑滤波
本发明提供的整体技术方案中，更充分、有效的体现了目标状态速度信息，使目标马尔可夫密度更能真实反映目标运动模型，对GM-PHD滤波方法是一种提升，使用的目标状态速度与目标的真实速度相接近，确保其表现出良好的跟踪性能。
为了简单起见，本发明对单目标情况进行详述，多目标情形可以在目标区分后借鉴单目标的处理方法，很容易实现多目标跟踪与检测时PHD滤波器的性能提升，后续步骤中多目标处理情况类同，对多目标进行目标区分后，对区分后的各目标进行后续各步骤类似的方式处理即可。
目前的GM-PHD滤波器具有计算量小、目标状态提取简单等优点，但仍然存在GM-PHD滤波方法通常预设速度与目标的真实速度相接近时，才能更真实反映目标运动模型，表现出良好的跟踪性能；采用现有的跟踪算法对模型中速度未知的目标进行跟踪，无法获得可靠的跟踪效果；即使知道预设速度，但是运动执行机构和传感器感知环节都可能会引入误差和随机性偏差，这些误差和随机性偏差会使实际执行速度与预设速度在各个具体时刻出现偏差，会对“速度已知GM-PHD”形成影响和干扰，进而影响估计精度。
本发明使用在GM-PHD滤波中获得的位置状态信息计算得到的实时速度信息估计，并进行组合平滑滤波处理获得准确性更好、状态预测精度更高的速度参数估计，在GM-PHD滤波状态预测阶段的状态转移方程中使用此速度参数提高状态预测精度，改善状态估计性能。
在速度不确定情况下，首先依据GM-PHD滤波得到的位置信息计算得到实时速度信息，由于GM-PHD滤波得到的位置信息稳定可靠，因此在速度不确定情况下，依据位置信息的时间差分，得到速度的估计值，但此速度受系统误差和随机性偏差影响有很大的抖动，对初步速度估计值进行5点中值滤波和3点线性平滑的组合平滑滤波，去除随机跳变数据并抑制噪声波动影响，使估计的速度值更加接近真实速度。通过速度准确性的提高，能够提供更精确的运动模型，提升GM-PHD状态估计环节的准确性，进一步提高状态估计的准确性。
本发明提出的基于GM-PHD的运动参数估计组合平滑滤波方法，能够有效发掘现有信息，充分利用有效信息、算法精度高。将获得的更准确的速度信息充分、高效的用于多目标马尔可夫密度函数中，使多目标马尔可夫密度函数更能真实反映多目标运动模型，进而使GM-PHD能够对目标进行高效、准确、稳定的检测、跟踪与识别。
实施例2：
基于GM-PHD的运动参数估计组合平滑滤波方法同实施例1，步骤3所述的差分计算i目标的目标速度估计值，包括有如下步骤：
3.1获取k-1时刻和k时刻的目标状态位置信息：利用i目标的k-1时刻目标状态的高斯混合GM分量和k时刻目标状态的高斯混合GM分量其中，仅从中提取i目标k-1时刻状态位置信息和从中提取i目标k时刻状态位置信息
本发明从对同一目标不同时刻相对比较准确的状态位置信息进行提取，为后续获得较准确的目标速度估计值做准备。状态位置信息按笛卡尔三维坐标方向进行区分，且分别进行提取将来用于笛卡尔三维坐标方向各分速度的计算。
3.2差分计算目标状态分速度：通过i目标的状态位置信息进行差分运算，获得i目标状态位置坐标对应的各分速度信息；各分速度与位置坐标关系为：
初步目标速度估计值为存在以下等式关系
τk为时间差。
通过对同一目标不同时刻目标状态位置信息按笛卡尔三维坐标划分并进行差分后，获得对应的三维目标分速度此分速度来自于目标跟踪系统对现实目标状态位置的检测跟踪，更能真实体现目标在各时刻的真实速度信息。
首先获得k-1时刻和k时刻的目标状态高斯混合GM分量中的目标状态位置信息和目标状态位置信息是经过统计最优理论进行“状态预测估计—观测更新”的贝叶斯估计获得，因此更为精确，从而对于系统引入的误差和随机性偏差具有一定免疫，利用目标状态位置信息计算得到的实时速度信息估计，即初步目标速度估计值为
通常情况下，τk为k-1时刻和k时刻的时间差，实际滤波中，在获取目标状态过程中可能存在漏检问题，漏检时，τk的取值为前一次检测到目标时刻和当前检测到目标时刻的时间差，如果k-1时刻漏检，就将前一次检测到目标时刻作为k-1时刻，其检测到目标状态位置信息记为k时刻状态位置信息为当前时刻检测到目标的目标位置信息。
充分利用了GM-PHD滤波器较准确的位置状态信息，获得更贴近实际的速度估计值，本发明通过GM-PHD滤波器初步获取的较准确状态信息，利用差分获取初步目标速度和组合平滑滤波方式及时确立相对可靠的速度估计值，改变运动模型参数未知或预设固定参数情况下相邻时刻运动信息不确定或孤立情况，建立相邻时刻运动信息的关联度，并充分体现实际速度信息，用于GM-PHD滤波器中提高后续状态转移估计的准确性，为观测更新提供更多的有效信息，改善和提高滤波器性能。
实施例3：
基于GM-PHD的运动参数估计组合平滑滤波方法同实施例1-2，步骤4中所述的对初步目标速度估计值进行平滑处理，其中，3点线性平滑窗选取海明窗的3个归一化非零权值0.25，0.5，0.25作为ω(m)的值。
本发明中3点线性平滑窗函数的选择可以有多种可选窗，比如矩形窗、汉宁窗、海明窗、布莱克曼窗、高斯窗等。
本例使用海明窗，考虑到组合平滑滤波系统应对环境速度变化响应要尽可能快，窗长不宜设置过长，因此选取3个归一化非零权值0.25，0.5，0.25作为ω(m)的值，取得了较好的平滑效果。
本发明公开基于GM-PHD的运动参数估计组合平滑滤波方法，使用在GM-PHD滤波中获得的位置状态信息计算得到的实时速度信息估计，并进行组合平滑滤波处理获得准确性更好、状态预测精度更高的速度参数估计，在GM-PHD滤波状态预测阶段的状态转移方程中使用此速度参数提高状态预测精度，改善状态估计性能；高效利用了贝叶斯统计最优理论的GM-PHD滤波能获得更精确位置状态信息的特点，解决了原有算法中速度信息未知，或速度为固定预设值时，不能及时反映实时速度信息的问题；通过对临近几个时刻计算得到的速度信息进行中值平滑和线性平滑组合处理，线性平滑中通过对平滑窗的选取，获得更好的平滑效果，更进一步改善了系统引入的误差和随机性偏差的影响，提高速度估计准确性，并将估计速度用于GM-PHD滤波的目标速度参数中，用于提升目标个数和位置的估计精度；适合与多种类型PHD滤波器相结合，对于多目标情况可以和标签类PHD滤波器或轨迹类PHD滤波器结合提升多目标状态估计性能，同样适用于与广泛应用的各类卡尔曼滤波器相结合提升状态估计性能。本发明能能够明显改善PHD滤波器状态估计性能。下面给出更具体、更详细的例子，结合应用对本发明进一步说明
实施例4：
基于GM-PHD滤波的运动参数组合平滑滤波方法同实施例1-3，参照图2，图2为本发明的运动参数组合平滑框图，实现步骤包括有：
步骤1初始化：在目标跟踪系统上使用GM-PHD滤波器对单目标进行跟踪，对GM-PHD滤波器进行初始化，起始时刻初始化目标跟踪系统初始运行时，初始化并运行GM-PHD滤波器。
步骤2GM-PHD滤波器进行目标状态估计：由初始化设置的目标状态的高斯混合GM分量，或执行过程中通过前一轮GM-PHD滤波计算并进行参数更新替代后得到的k-1时刻高斯混合GM分量并通过目标跟踪系统上的传感器对目标的观测信息zk送入GM-PHD滤波器进行目标状态估计，得到k时刻的目标状态的高斯混合GM分量也就是的获取了目标状态位置信息。
步骤3提取目标状态位置信息：本发明从对应的目标状态的高斯混合GM分量中可以得到及并从及中获取目标对应时刻的状态位置信息，具体表达为及
步骤4差分获取初步目标速度估计值：根据目标对应的状态位置信息及差分运算后得到x，y，z方向的初步目标速度估计值分速度后，并行送入组合平滑滤波器。本发明利用位置信息转换为速度信息表达为高效利用了贝叶斯统计最优理论的GM-PHD滤波能获得更精确位置状态信息的特点。
步骤5组合平滑处理：本发明对获取初步目标速度估计值的分速度进行平滑处理，具体是5点中值滤波与3点线性平滑的组合平滑，5点中值滤波并行处理，获得5点中值滤波输出lv(k)，经中值平滑处理可以将影响较大的随机跳变数据剔除，数据平稳性变得更好，数据分布相对更集中，使数据更能真实体现实际运动情况；再对lv(k)进行3点平滑计算平滑后的速度估计值线性平滑可以对中值滤波后的值进一步进行平滑处理，进一步抑制随机噪声波动影响，使估计的速度值更加接近真实速度。
本发明的5点中值滤波和3点线性平滑的组合平滑滤波，去除随机跳变数据并抑制噪声波动影响，使估计的速度值更加接近真实速度。通过速度准确性的提高，能够提供更精确的运动模型，提升后续GM-PHD状态估计环节的转移概率密度函数的准确性，进一步提高后续GM-PHD滤波器最终状态估计的准确性。
步骤6速度的差值反馈：根据初步目标速度估计值和平滑后速度估计值时间对齐后计算差值对经过5点中值滤波得到平滑差值的中值滤波值lΔv(k)，然后对lΔv(k)进行3点线性平滑得到平滑后速度估计值的补偿值
步骤7获得组合平滑滤波速度估计：将平滑后速度估计值和平滑后速度估计值的补偿值时间对齐后相加，计算平滑滤波器的输出
步骤8目标状态速度信息更新：根据平滑滤波器的输出替换GM-PHD滤波k时刻i目标的目标状态速度信息，即在GM-PHD滤波器中，i目标的目标状态速度信息更新为 则第i个高斯混合GM分量的均值更新为GM-PHD滤波器在k时刻i目标的GM分量由更新为完成对获取的目标状态信息实时的运动参数估计组合平滑滤波。
步骤9下一轮操作：下一时刻，重复步骤2-8。对新获取的目标状态信息实时进行组合平滑滤波操作。
本发明利用运动状态的平稳性，充分发挥组合平滑滤波性能，抑制干扰跳变和随机因素影响；假设目标运动状态是连续变化的，大多数运动应用场景满足上述假设，那么可以认为短时间内其运动状态具有平稳性，利用短时平稳特点可以进一步进行临近几个状态参数的滤波和平滑处理，改善单次实现(单次实验/各个时刻)确定的参数信息中随机性因素的影响，和干扰造成的跳变影响，组合平滑滤波利用不同时刻关联可用信息改善随机因素对系统性能影响。
本发明通过对速度及目标状态进行逐步迭代之后，使速度更加准确接近实际情况，对于阶跃性跳变也能够更快速响应。GM-PHD为组合平滑滤波提供状态更新值用于计算速度和滤波处理，而组合平滑滤波将滤波后的速度提供给GM-PHD用来在状态转移方程中对状态进行更有效的估计，并随着时间推移依序迭代执行，不断提升目标跟踪系统整体的状态估计性能。
通过以下仿真实验结果对本发明的技术效果再做说明。
实施例5：
基于GM-PHD滤波的运动参数组合平滑滤波方法同实施例1-4。
仿真条件：
仿真实验的条件如下：仿真在目标跟踪系统上使用GM-PHD滤波器对单目标进行跟踪，目标跟踪系统上传感器能够感知和检测跟踪区域内的运动目标，目标跟踪系统提前对于运动目标速度未知，假设目标在跟踪区域内按预设速度进行运动。目标的跟踪区域为三维区域，大小设置为[0m,200m]×[0m,200m]×[0m,10m]。假设在监测的时间段内，目标运动的速度未知且不随时间变化。为目标在k时刻目标状态信息向量，其中为目标状态位置信息向量；为目标状态速度信息向量。目标的运动模型为，
其中，Fk表示匀速模型的状态转移矩阵；nk表示过程噪声向量,为高斯分布函数，其均值为0向量06×1，协方差矩阵Qk为6维方阵。其中
其中I3为3维单位矩阵，03为3维零矩阵，Δk为迭代时间间隔。
假设初始时刻并假设目标在第100s的时候3维坐标速度由[1,1.5,0]跳变为[3,0,0]，在第200s的时候3维坐标速度跳变为[5,2,0]。
假设两状态位置向量其欧几里得距离表示为：
dc(xk,yk)＝||xk-yk||
其中，||·||表示欧几里得范数。给定两RFS随机有限集和其中各状态位置向量xk,i和yk,j，1≤i≤M，1≤j≤N，M≤N。反映估计精度的最优子模式分配(Optimal SubPattern Assignment,OSPA)距离表示为：
其中，ΠN表示{1,2,…,N}上所有的排列组成的集合，而π(i)表示ΠN中某一排列组合中的第i个元素。1≤p＜∞是OSPA的度量参量，截取参数值c是两条轨迹之间的截止距离；OSPA距离可以同时衡量目标个数和目标状态的估计精度，值越小，即表示多目标跟踪算法的性能越好。仿真中OSPA参数选择c＝100，p＝1。GM-PHD滤波器用到的其它实验参数如表1所示。
表1实验参数设置
仿真内容及仿真结果：
仿真内容：对本发明在动态场景下对的匀速运动目标跟踪定位进行仿真，且本发明z方向速度设置为0，因此本例只考虑x，y平面上的运动。
仿真结果与分析：
图3(a)为x方向的目标跟踪定位图，横坐标为目标x方向的运动范围，纵坐标为目标的运动时间，图中带有“×”为杂波和目标量测值，标记“o”代表本发明目标的位置估计值，实线代表目标真实轨迹。图3(b)为x方向目标跟踪定位的局部放大图。
图3(c)为y方向的目标跟踪定位图，横坐标为目标y方向的运动范围，纵坐标为目标的运动时间，图中带有“×”为杂波和目标量测值，标记“o”代表目标的位置估计值，实线代表目标真实轨迹。图3(d)为y方向目标跟踪定位的局部放大图。
图3(a)和图3(c)中均显示目标真实轨迹能够被本发明目标的位置估计值覆盖，图3(b)和图3(d)的局部放大图中可见本发明目标的位置估计值都在真实轨迹附近显示，没有远离真实轨迹的目标的位置估计值，可以看出本发明的精确度高，此外在整个区间内均是如此，也验证本发明方法的稳定性。可以得出本发明组合平滑GM-PHD方法在速度未知情况实时对目标状态估计、目标跟踪状态良好，说明本发明具有良好的准确性和稳定性。
实施例6：
基于GM-PHD滤波的运动参数组合平滑滤波方法同实施例1-4，仿真条件同实施例5。
仿真内容及仿真结果：
仿真内容：针对本发明得到初步目标速度估计值和组合平滑速度估计进行仿真对比。具体实验得到的结果见图4(a)和图4(b)。本发明为了简单并重点突出参数估计，只进行了单目标的运动参数估计，对于多目标情形，可以采用标签滤波器或者轨迹滤波器进行目标区分和速度估计，通过标签方式或者轨迹方式进行目标区分后，此时多目标状态就能够和具体目标相对应，那么后续处理过程就和单目标情况类似，进而很容易和本发明方法结合，推广到多目标滤波器中使用；同时对于应用广泛的卡尔曼滤波器本发明方法也很容易结合使用，卡尔曼滤波器实际上可以认为是单目标单传感器情况下的贝叶斯近似，其过程和原理以及问题与上述单目标GM-PHD滤波器很相似，因此非常容易将本发明方法与卡尔曼滤波器结合进行推广使用。
仿真结果与分析：
图4(a)为本发明目标在x坐标轴上初步目标速度估计值和组合平滑速度估计的对比图，横坐标为目标x方向的速度波动范围，纵坐标为目标的运动时间步数，图中带有“*”的实线为x方向本发明初步目标速度估计值，带有“o”的实线为x方向本发明组合平滑速度估计值，加粗实线代表目标x方向真实速度。图4(b)为本发明目标y坐标轴上初步目标速度估计值和组合平滑速度估计速的对比图，横坐标为目标y方向的速度波动范围，纵坐标为目标的运动时间步数，图中带有“*”的实线为y方向本发明初步目标速度估计值，带有“o”的实线为y方向本发明组合平滑速度估计值，加粗实线代表y方向目标真实速度。
由图4(a)可以看出，本发明x方向组合平滑方法处理后的组合平滑速度估计值波动比初步目标速度估计值小，且更接近真实速度值，并且在速度跳变的地方能够快速响应。经计算初步目标速度估计值x方向速度方差为2.6102；组合平滑速度估计方差为0.4244，相比初步目标速度估计值，本发明的组合平滑速度估计更稳定且更接近真实速度。由图4(b)可以看出，本发明y方向组合平滑方法处理后速度估计值波动比初步目标速度估计值小，且更接近真实速度值，并且在速度跳变的地方能够快速响应。初步目标速度估计值初步获取y方向速度方差为1.5718；组合平滑速度估计方差为0.3679。因此相比平滑前速度，本发明的组合平滑速度估计更稳定且更接近真实速度。
仿真内容：针对组合平滑的仿真实验：为了说明组合平滑中间过程数据变化，仅对中x轴方向速度及各中间过程速度的变化进行数据绘图详细分析，如图5(a)～(e)所示；y轴和z轴方向类似，三坐标轴分速度各自独立进行组合平滑处理。
图5(a)～(e)各图中带有“*”的实线为代表处理前数据，带有“o”的实线表示处理后数据。图5(a)为初步目标速度估计值和5点中值滤波值的对比图；图5(b)为5点中值滤波值和平滑后的速度估计值的对比图，图5(c)为平滑差值和平滑差值的中值滤波值的对比图，图5(d)为平滑差值的中值滤波值和平滑后的速度估计值的补偿差值的对比图，图5(e)为平滑后的速度估计值的补偿差值和组合平滑滤波速度估计的对比图。
图5(a)为初步目标速度估计值进行5点中值滤波得到5点中值滤波值lv(k)对应的x轴速度处理前后对比图，可以看出带有“o”的实线形成的曲线走向是经本发明中值滤波后将少量的跳变比较剧烈的随机“野点”进行了过滤，同时保留了阶跃性变化信息。
从图5(b)可以看出5点中值滤波值经过3点线性平滑后得到平滑后的速度估计值，可以看出带有“o”的实线形成的曲线走向是经本发明对数据中少量毛刺进行了平滑修正。
图5(c)将平滑差值中对应的x轴数据进一步进行5点中值滤波得到平滑差值的中值滤波值，可以看出带有“o”的实线形成的曲线走向是经本发明类似图5(a)的处理将差值中少量跳变比较剧烈的随机“野点”进行了过滤，平滑处理过后的数据更为集中。
图5(d)进一步将平滑差值的中值滤波值进行3点线性平滑得到平滑后的速度估计值的补偿差值，去毛刺修正。从图5(b)和图5(d)可见，线性平滑可以将中值平滑保留的高频成分进行滤除，得到更好的平滑效果。图5(e)为平滑后的速度估计值的补偿差值与组合平滑滤波速度估计中的对应x轴方向速度对比，虽然表现的更接近预设速度(加粗实线表示)，但加了差值补偿后的即“(组合平滑)本说明算法”，更接近实际情况，对于阶跃性跳变也能够更快速响应。
从图5(a)、图5(b)和图5(e)均是不同处理阶段的速度估计值，分析可看出，在速度平稳阶段(加粗实线)，估计速度在预设速度(加粗实线)附近保持相对稳定跟随；更为明显的是在100和200时间步，速度发生跳变时，各图速度保持稳定的跟随趋势，进行持续稳定跟随。同时对照图7中OSPA性能随时间推移整体保持稳定趋势，没有出现明显波动，说明逐步迭代实现速度更新和状态更新是持续有效进行的。
实施例7：基于GM-PHD滤波的运动参数组合平滑滤波方法同实施例1-4。
仿真条件：
仿真实验的条件如下：本发明仿真条件同实施例5，在不同过程噪声Qk＝q×I6情况下，其中q为过程噪声因子，对比了100次蒙特卡洛重复实验统计情况下，几种GM-PHD滤波算法在不同过程噪声下的平均OSPA距离。
仿真内容及仿真结果：
仿真内容：对“速度已知GM-PHD”、“(平滑前)方法”、“(组合平滑)方法”、“(无差值补偿)方法”、“速度未知GM-PHD”的GM-PHD滤波方法在不同过程噪声下的平均OSPA距离。具体仿真实验结果见表2，表2为不同过程噪声下现有算法与本发明各阶段的滤波结果的平均OSPA距离的实验结果表。
仿真结果与分析：
表2中“速度已知GM-PHD”、“(平滑前)方法”即利用初步目标速度估计值作为目标状态速度参数的目标状态估计、“(组合平滑)本发明方法”即利用组合平滑滤波速度估计作为目标状态速度参数的目标状态估计、“(无差值补偿)方法”即利用平滑后的速度估计值作为目标状态速度参数的目标状态估计，分别由真实速度、初步目标速度估计值、组合平滑滤波速度估计和平滑后的速度估计值作为运动参数代入GM-PHD方法实现；“速度未知GM-PHD”则设置GM-PHD运动参数为0；“(无差值补偿)方法”设置GM-PHD运动参数为可以看出，速度未知时性能最差；“(平滑前)方法”性能接近于采用预设速度的“速度已知GM-PHD”方法，但性能略好；组合平滑后GM-PHD算法整体性能优于“(平滑前)方法”算法，其中“(组合平滑)本发明算法”性能最优，而“(无差值补偿)方法”性能次之。因此，能够获得优于采用已知预设速度的性能，主要是由于在速度平滑过程中，所得到的速度更接近于实际运动速度，同时对于运动过程中的噪声进行了平滑，而预设速度与实际运动速度之间依然存在噪声因素和运动随机性影响。
表2不同过程噪声下算法的平均OSPA距离
对比表中数据可见，本发明“(组合平滑)本发明算法”相较“速度未知GM-PHD”性能提升明显。相较于“速度已知GM-PHD”的性能也有所提高，可见，本发明在已知条件更少的情况下可以得到更加准确的跟踪精度。
实施例8：基于GM-PHD滤波的运动参数组合平滑滤波方法同实施例1-4。仿真条件同实施例7。
仿真内容及仿真结果：
仿真内容：本发明方法与其他算法的目标个数估计对比：在实际操作中对目标个数估计会出现不准确的问题，本例对现有算法与本发明各阶段方法的目标个数估计结果进行仿真实验和分析。
图6是本发明各个阶段与其他方法的目标个数估计对比图；图6纵坐标为目标的估计个数，横坐标为目标的运动时间步数。粗实线为真实目标个数；空圈标记为速度已知GM-PHD；星号标记为现有技术中的速度未知GM-PHD；菱形标记为“(平滑前)方法”；实心圈标记为本发明“(组合平滑)本发明算法”。
图6为对比了本发明与其他方法的目标个数估计情况，目标真实个数设置为1，但实际滤波过程中本发明与其他方法的目标个数估计均存在目标个数估计误差，本发明与其他方法在仿真时间内基本都在真实目标估计个数即加粗实线上出现，但仍存在目标个数估计为0的情况，在个数估计错误情况下，星号标记和菱形标记出现的次数最多，只有本发明经过组合平滑后的方法估计目标个数为0的情况最少，与“速度已知GM-PHD”表现相当，估计性能最好，本发明在速度未知的情况下使用了本发明的基于GM-PHD的运动参数估计组合平滑滤波方法取得了和速度已知情况下相差不大的目标估计结果。
图7是本发明与其他方法的OSPA随时间变化统计平均值对比图。是本发明中的组合平滑滤波方法与其他方法在100次蒙特卡洛重复实验统计情况下得出的。横坐标为目标运动的时间步数，纵坐标为OSPA距离，菱形标记为速度已知GM-PHD；星号标记为现有技术中的速度未知GM-PHD；五角星标记为“(平滑前)方法”；空圈标记为本发明“(组合平滑)本发明算法”完整方案得到的OSPA距离。
由图7可知，在不同时刻下的OSPA距离，“速度未知GM-PHD”性能最差，其OSPA距离最大，其他三种方法均优于速度未知情况；“(平滑前)方法”波动接近于采用真实速度的“速度已知GM-PHD”算法，稳定性稍好，整体性能略好。本发明经过组合平滑后的整体方案得到的OSPA距离波动最小，稳定性最好，同时整体更接近0值，性能最好。从目标个数估计和OSPA距离上来看，都能体现本发明经过组合平滑后的整体方案准确性更高，稳定性更好。
综上所述，本发明公开的一种基于GM-PHD的运动参数估计组合平滑滤波方法，解决了原有GM-PHD滤波方法不能及时获取和利用运动目标实际速度估计，没有充分发掘利用现有信息中的有效可用信息，不能充分发挥GM-PHD滤波性能的技术问题。实现包括使用GM-PHD滤波器；目标状态信息获取；差分获取初步目标速度估计值；分速度并行处理得到平滑后的速度估计值；获取速度估计值的平滑差值；计算平滑后速度估计值的补偿值；获得组合平滑滤波速度估计；对获取的目标状态信息实时更新，完成对目标状态信息实时的运动参数估计组合平滑滤波。本发明利用位置差分获取速度估计值、对速度估计值进行组合平滑、用组合平滑滤波速度估计对GM-PHD滤波器中目标状态速度信息更新，本发明的GM-PHD滤波能获得更精确位置状态信息的特点，解决了原有算法中速度信息未知，或速度为固定预设值时，不能及时反映实时速度信息的问题。本发明充分利用了GM-PHD滤波器较准确的位置状态信息，获得更贴近实际的速度估计值，提高后续状态转移估计的准确性，为观测更新提供更多的有效信息，改善和提高滤波器性能。用于对目标状态的检测与跟踪。

Claims (3)

1.一种基于GM-PHD的运动参数估计组合平滑滤波方法，在目标跟踪系统上运行，目标跟踪系统上设置有GM-PHD滤波器，滤波过程中涉及到对运动目标的状态进行跟踪、数据提取及其目标运动参数在线数据更新，其特征在于：包括有如下步骤：
步骤1使用GM-PHD滤波器：在目标跟踪系统上使用GM-PHD滤波器，假设目标跟踪系统所处环境符合线性高斯条件，假设被跟踪目标无衍生情况，则k时刻下GM-PHD滤波器得到目标的高斯混合GM分量为其中，表示时刻k第i个高斯混合GM分量的权值，为第i个高斯混合GM分量均值，即目标状态信息，为第i个高斯混合GM分量协方差；目标状态信息表达为其中为目标状态位置信息，分别为笛卡尔坐标系下x，y，z方向的目标状态位置信息；为目标状态速度信息，分别为笛卡尔坐标系下x，y，z方向的目标状态分速度信息，[·]T为转置操作；针对单目标进行滤波时i＝1，对单目标进行跟踪与检测；
对于多目标情形，采用轨迹类PHD滤波器或者标签类PHD滤波器进行目标区分和速度估计，多目标区分后的每个目标类同单目标时基于GM-PHD滤波器实现目标跟踪与检测；
步骤2目标状态信息获取：GM-PHD滤波器针对单目标进行跟踪滤波，首先得到k-1时刻目标状态的高斯混合GM分量利用k时刻传感器的观测信息zk和通过GM-PHD滤波器进行状态预测和状态更新获得k时刻的目标状态的高斯混合GM分量其中，表示k-1时刻目标状态对应高斯混合GM分量的权值；为k-1时刻目标状态对应高斯混合GM分量的均值，分别为k-1时刻笛卡尔坐标系下x，y，z方向的目标状态位置信息，分别为k-1时刻笛卡尔坐标系下x，y，z方向的目标状态速度估计；为k-1时刻目标状态对应高斯混合GM分量的协方差；获取的k时刻目标状态信息为其中包含目标状态位置信息和目标状态速度信息；
步骤3差分获取初步目标速度估计值：分别提取i目标k-1时刻和k时刻的目标状态的高斯混合GM分量中的目标状态位置信息，进行差分计算获得i目标k时刻初步目标速度估计值简称速度估计值，其中包含x，y，z方向的分速度；
步骤4分速度并行处理得到平滑后的速度估计值：对初步目标速度估计值的分速度并行依次进行5点中值滤波和3点线性平滑处理，5点中值滤波操作即从k时刻速度估计值开始向前提取5个相邻时刻的速度估计值按值大小降序排列，取中值作为5点中值滤波值输出lv(k)；对连续3个时刻的5点中值滤波值进行3点线性平滑计算得到平滑后的速度估计值 其中，ω(m)为3点线性平滑窗，满足
步骤5获取速度估计值的平滑差值：将速度估计值和平滑后的速度估计值时间对齐后相减，计算得到速度估计值的平滑差值
步骤6计算平滑后速度估计值的补偿值：对速度估计值的平滑差值的分速度并行先进行5点中值滤波操作，得到平滑差值的中值滤波值lΔv(k)；然后对lΔv(k)再进行3点线性平滑计算，得到平滑后速度估计值的补偿值
步骤7获得组合平滑滤波速度估计：将i目标k时刻平滑后的速度估计值和平滑后速度估计值的补偿值时间对齐后相加，作为组合平滑滤波的最终输出，即组合平滑滤波速度估计 其中 分别为i目标笛卡尔坐标系下x，y，z方向的目标状态速度估计；
步骤8对获取的目标状态信息实时更新：用组合平滑滤波速度估计替换GM-PHD滤波k时刻i目标的目标状态速度信息，即在GM-PHD滤波器中，i目标的目标状态速度信息更新为 则第i个高斯混合GM分量的均值更新为GM-PHD滤波器在k时刻i目标的GM分量由更新为更新后k时刻i目标的GM分量用于k+1时刻目标跟踪系统上GM-PHD滤波器，完成了一次对获取的目标状态信息实时的运动参数估计组合平滑滤波；本发明方法在跟踪过程中实时全程自动进行运动参数估计组合平滑滤波计算。
2.根据权利要求1所述的基于GM-PHD的运动参数估计组合平滑滤波方法，其特征在于：步骤3所述的差分计算i目标的目标速度估计值，包括有如下步骤：
3.1获取k-1时刻和k时刻的目标状态位置信息：利用i目标的k-1时刻目标状态的高斯混合GM分量和k时刻目标状态的高斯混合GM分量其中，仅从中提取i目标k-1时刻状态位置信息和从中提取i目标k时刻状态位置信息
3.2差分计算目标状态分速度：通过i目标的状态位置信息进行差分运算，获得i目标状态位置坐标对应的各分速度信息；各分速度与位置坐标关系为：
初步目标速度估计值为存在以下等式关系
τk为前一次检测到i目标时刻和当前检测到i目标时刻的时间差。
3.根据权利要求1或2所述的基于GM-PHD的运动参数估计组合平滑滤波方法，其特征在于：步骤4中所述的对初步目标速度估计值进行平滑处理，其中，3点线性平滑窗选取海明窗的3个归一化非零权值0.25，0.5，0.25作为ω(m)的值。
CN202110816963.9A 2021-07-20 2021-07-20 基于gm-phd的运动参数估计组合平滑滤波方法 Active CN113534131B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110816963.9A CN113534131B (zh) 2021-07-20 2021-07-20 基于gm-phd的运动参数估计组合平滑滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110816963.9A CN113534131B (zh) 2021-07-20 2021-07-20 基于gm-phd的运动参数估计组合平滑滤波方法

Publications (2)

Publication Number Publication Date
CN113534131A CN113534131A (zh) 2021-10-22
CN113534131B true CN113534131B (zh) 2023-08-08

Family

ID=78128849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110816963.9A Active CN113534131B (zh) 2021-07-20 2021-07-20 基于gm-phd的运动参数估计组合平滑滤波方法

Country Status (1)

Country Link
CN (1) CN113534131B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109946694A (zh) * 2019-03-22 2019-06-28 哈尔滨工业大学 基于随机有限集的圆周sar多目标跟踪方法
CN110320512A (zh) * 2019-07-09 2019-10-11 大连海事大学 一种基于带标签的gm-phd平滑滤波多目标跟踪方法
CN111736145A (zh) * 2020-06-28 2020-10-02 电子科技大学 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018049602A1 (zh) * 2016-09-14 2018-03-22 深圳大学 一种适用于杂波环境的多目标跟踪方法及跟踪系统
US10908261B2 (en) * 2017-11-09 2021-02-02 Vadum, Inc. Target identification and clutter mitigation in high resolution radar systems

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109946694A (zh) * 2019-03-22 2019-06-28 哈尔滨工业大学 基于随机有限集的圆周sar多目标跟踪方法
CN110320512A (zh) * 2019-07-09 2019-10-11 大连海事大学 一种基于带标签的gm-phd平滑滤波多目标跟踪方法
CN111736145A (zh) * 2020-06-28 2020-10-02 电子科技大学 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于GM-PHD平滑器的检测前跟踪技术;朱红鹏;黄勇;修建娟;关键;;雷达科学与技术(第06期);全文 *

Also Published As

Publication number Publication date
CN113534131A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN110596694B (zh) 一种复杂环境雷达多目标跟踪和道路行驶环境预测方法
CN103729859B (zh) 一种基于模糊聚类的概率最近邻域多目标跟踪方法
CN103885057B (zh) 自适应变滑窗多目标跟踪方法
CN109633589A (zh) 目标跟踪中基于多模型优化多假设的多目标数据关联方法
CN101221238B (zh) 基于高斯均值移动配准的动态偏差估计方法
CN104730537B (zh) 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法
CN104199022B (zh) 一种基于目标模态估计的临近空间高超声速目标跟踪方法
CN112146648B (zh) 一种基于多传感器数据融合的多目标跟踪方法
CN105654139A (zh) 一种采用时间动态表观模型的实时在线多目标跟踪方法
CN114002667B (zh) 一种基于随机矩阵法的多近邻扩展目标跟踪算法
CN114035187B (zh) 一种自动驾驶系统的感知融合方法
CN106291498A (zh) 一种基于粒子滤波的检测跟踪联合优化方法
CN110738275A (zh) 基于ut-phd的多传感器序贯融合跟踪方法
CN111562570A (zh) 基于毫米波雷达的面向自动驾驶的车辆感知方法
CN111007880B (zh) 一种基于汽车雷达的扩展目标跟踪方法
CN114137562B (zh) 一种基于改进全局最邻近的多目标跟踪方法
CN111929676A (zh) 一种基于密度聚类的x波段雷达目标检测与跟踪方法
CN111399021A (zh) 一种导航定位方法
CN105701292B (zh) 一种机动目标转弯角速度的解析辨识方法
CN105373805A (zh) 一种基于最大熵准则的多传感器机动目标跟踪方法
CN111896946B (zh) 一种基于航迹拟合的连续时间目标跟踪方法
CN113534131B (zh) 基于gm-phd的运动参数估计组合平滑滤波方法
CN112083410A (zh) 机动目标跟踪方法
CN107590509B (zh) 基于最大期望近似的切尔诺夫融合方法
CN115755023A (zh) 一种基于识别信息的低慢小目标跟踪方法

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