CN114325686B - 基于smc-phd滤波器的多目标跟踪方法 - Google Patents
基于smc-phd滤波器的多目标跟踪方法 Download PDFInfo
- Publication number
- CN114325686B CN114325686B CN202111592377.7A CN202111592377A CN114325686B CN 114325686 B CN114325686 B CN 114325686B CN 202111592377 A CN202111592377 A CN 202111592377A CN 114325686 B CN114325686 B CN 114325686B
- Authority
- CN
- China
- Prior art keywords
- target
- particle
- particles
- state
- weight
- 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 34
- 239000002245 particle Substances 0.000 claims abstract description 243
- 230000004083 survival effect Effects 0.000 claims description 40
- 238000005259 measurement Methods 0.000 claims description 21
- 238000012952 Resampling Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 238000001914 filtration Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004088 simulation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001212 derivatisation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种基于SMC‑PHD滤波器的多目标跟踪方法，所述方法包括：通过根据新生目标的初始状态和新生时刻给每个新生粒子赋予唯一的标签，该标签在整个滤波递归过程中保持不变，这样使得在得到各时刻目标状态估计的同时还可以得到各目标的轨迹。并且在目标状态提取阶段，相同标签对应的粒子的加权平均值即作为该目标的状态估计值，以解决现有技术中目标状态估计误差较大的问题。
Description
技术领域
本申请涉及多目标跟踪技术领域，特别是涉及一种基于SMC-PHD滤波器的多目标跟踪方法。
背景技术
多目标跟踪的目的是根据传感器量测数据，联合估计目标的数目及其各自的状态，并提供目标的轨迹，在空中交通管制、自动驾驶、计算机视觉、生物医学以及国土防空、海洋监控等诸多领域有广泛应用。传统的多目标跟踪算法主要包括多假设跟踪(MultipleHypothesis Tracking，MHT)算法、联合概率数据关联(Joint Probability DataAssociation，JPDA)滤波器，其基本原理是通过数据关联处理将多目标跟踪问题转化为多个独立的单目标跟踪问题。近年提出的基于随机有限集(Random Finite Set，RFS)的多目标滤波器将目标新生、死亡、衍生、漏检和杂波统一归集到贝叶斯框架，并通过贝叶斯多目标滤波公式直接计算多目标后验密度，在复杂场景下相对于其它传统算法性能更加优越，成为了国内外学者研究的热点。
概率假设密度(Probability Hypothesis Density，PHD)滤波器是多目标贝叶斯滤波器的一阶矩近似，该算法避免了数据关联，是多目标跟踪的有效手段之一，通常可采用序贯蒙特卡罗(Sequential Monte Carlo，SMC)和高斯混合(Gaussian Mixture，GM)两种方式实现。标准的序贯蒙特卡罗概率假设密度(SMC-PHD)滤波器存在两个明显的缺陷：一是该算法只能输出目标数估计值和多目标状态估计，不能直接形成目标轨迹；二是经典的状态估计方法，如期望最大化算法、K均值算法等，稳健性不高，在复杂场景下存在目标数估计不稳定、目标状态估计误差大等问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够输出目标航迹以及对目标状态进行准估计的基于SMC-PHD滤波器的目标跟踪方法。
一种基于SMC-PHD滤波器的多目标跟踪方法，所述方法包括：
根据上一时刻的后验概率假设密度的粒子数、粒子状态、各粒子的权值和标签对当前时刻的存活目标的粒子数、粒子状态、各粒子的权值和标签进行预测；
根据新生目标的概率假设密度得到当前时刻新生目标的粒子数、粒子状态以及各粒子的权值，并对新生目标的各粒子赋予标签；
根据当前时刻存活目标以及新生目标的粒子数、粒子状态、各粒子的权值以及粒子标签得到当前时刻的预测概率假设密度的粒子数、粒子状态、各粒子的权值以及标签；
获取当前时刻的多个目标的量测集，根据所述当前时刻的多个目标量测集校正当前时刻的预测概率假设密度，得到当前时刻后验概率假设密度以及相应的粒子数、粒子状态、各粒子的权值以及标签；
对所述当前时刻的后验概率假设密度进行重采样，并根据重采样后的后验概率假设密度进行计算得到当前时刻各目标的状态估计值，其中在计算各目标状态估计值时，将具有相同标签的粒子的加权平均值作为该目标的状态估计值；
将当前时刻各目标的粒子权值之和与预设的第一门限值进行对比，将大于所述第一门限值的所有目标的状态估计值输出，以实现对当前时刻的多目标跟踪，并还将当前时刻各目标的粒子权值之和与预设的第二门限值进行对比，将小于所述第二门限值的所有目标进行剔除，并保留所有大于第二门限值的目标；
根据当前时刻的后验概率假设密度的粒子数、粒子状态、各粒子的权值和标签对下一时刻存活目标的粒子数、粒子状态、各粒子的权值和标签进行预测，以计算下一时刻的预测概率假设密度，并对下一时刻的目标进行跟踪，直至多目标跟踪结束。
在其中一实施例中，在对各粒子进行标记时，将描述同一个目标的粒子标记上相同的标签。
在其中一实施例中，计算当前时刻的存活目标的粒子数、粒子状态、各粒子的权值和标签时包括：
所述当前时刻的存活目标的粒子数和上一时刻后验概率假设密度的粒子数相同；
所述当前时刻的存活目标的粒子状态从单目标马尔科夫状态转移密度中采样得到；
所述当前时刻的存活目标的各粒子预测权值根据上一时刻各目标粒子的权值以及从上一时刻到当前时刻目标存活概率计算得到；
对当前时刻预测存活目标的粒子赋予上一时刻对应粒子的标签。
在其中一实施例中，计算当前时刻的新生目标的粒子数、粒子状态以及各粒子的权值，并对新生目标的各粒子赋予标签时包括：
所述当前时刻的新生目标的粒子数根据高斯分量数以及描述各目标的粒子数量进行计算得到，而各所述新生目标的粒子状态从新生密度函数中进行采样得到；
所述当前时刻的新生目标的粒子权值为其中b(x)为新生目标的概率假设密度，Nb为当前时刻的新生目标的粒子数；
在当前时刻新生的第n个高斯分量所对应的粒子将被赋予标签l＝(k+1,n)，其中k+1表示当前时刻。
在其中一实施例中，所述新生目标的概率假设密度建模为高斯混合形式：
在上式中，N(·；μ,Σ)表示均值为μ协方差矩阵为∑的高斯分布概率密度函数，Nbirth是高斯分量数，和/>分别是第n个分量的权值、均值和协方差。
在其中一实施例中，所述当前时刻的预测概率假设密度为：
在上式中，Nk+1|k为当前时刻的所述存活目标以及新生目标的粒子数之和，为当前时刻的所述存活目标以及新生目标的各粒子的权值，/>为当前时刻的所述存活目标以及新生目标的各粒子状态，δ(·)为标准Dirac delta函数。
在其中一实施例中，当预测的多目标分布可近似为泊松分布时，所述当前时刻的后验概率假设密度为：
在上式中，Nk+1|k+1、以及/>分别表示当前时刻目标的粒子数、各粒子的权值以及粒子状态；
其中，当前时刻目标的粒子数量等于当前时刻存活目标以及新生目标的粒子数之和；
当前时刻各粒子的状态为在当前时刻的所述存活目标以及新生目标中对应粒子的状态；
当前时刻目标的各粒子的权值根据对应各粒子的预测权值以及量测集进行计算得到；
当前时刻目标的各粒子的标签不变。
在其中一实施例中，计算当前时刻目标的各粒子的权值时采用以下公式：
在上式中，所述量测集表示为pD(x)是目标x的检测概率，l(z|x)是单目标似然函数，c(z)是泊松杂波的强度函数。
在其中一实施例中，在对所述当前时刻的后验概率假设密度进行重采样时，重采样只在具有相同标签的多个粒子内部实施，并不改变各目标的权值的和。
上述基于SMC-PHD滤波器的多目标跟踪方法，通过根据新生目标的初始状态和新生时刻给每个新生粒子赋予唯一的标签，该标签在整个滤波递归过程中保持不变，这样使得在得到各时刻目标状态估计的同时还可以得到各目标的轨迹。并且在目标状态提取阶段，相同标签对应的粒子的加权平均值即作为该目标的状态估计值，以解决现有技术中目标状态估计误差较大的问题。
附图说明
图1为一个实施例中基于SMC-PHD滤波器的多目标跟踪方法的流程示意图；
图2为一个实施例中基于多目标跟踪方法进行实际操作时的步骤流程示意图；
图3为一个仿真实验中双基地雷达几何关系示意图；
图4为典型仿真场景的示意图；
图5为仿真实验中基于标准的SMC-PHD滤波器跟踪的结果示意图；
图6为仿真实验中基于本方法的SMC-PHD滤波器跟踪的结果示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
针对现有技术中，基于标准的序贯蒙特卡罗概率假设密度(SMC-PHD)滤波器进行目标跟踪时，一方面只能输出目标数的估计值以及各目标的状态估计值，而不能直接形成轨迹，另一方面是在进行状态估计时，如通常采用的期望最大化算法、K均值算法等都稳健性不高，在复杂场景下存在目标数估计不稳定、目标状态估计误差大等问题，而在本申请中，如图1所示，提供了一种基于SMC-PHD滤波器的多目标跟踪方法，包括以下步骤：
步骤S100，根据上一时刻的后验概率假设密度的粒子数、粒子状态、各粒子的权值和标签对当前时刻的存活目标的粒子数、粒子状态、各粒子的权值和标签进行预测；
步骤S110，根据新生目标的概率假设密度得到当前时刻新生目标的粒子数、粒子状态以及各粒子的权值，并对新生目标的各粒子赋予标签；
步骤S120，根据当前时刻存活目标以及新生目标的粒子数、粒子状态、各粒子的权值以及粒子标签得到当前时刻的预测概率假设密度的粒子数、粒子状态、各粒子的权值以及标签；
步骤S130，获取当前时刻的多个目标的量测集，根据所述当前时刻的多个目标量测集校正当前时刻的预测概率假设密度，得到当前时刻后验概率假设密度以及相应的粒子数、粒子状态、各粒子的权值以及标签；
步骤S140，对所述当前时刻的后验概率假设密度进行重采样，并根据重采样后的后验概率假设密度进行计算得到当前时刻各目标的状态估计值，其中在计算各目标状态估计值时，将具有相同标签的粒子的加权平均值作为该目标的状态估计值；
步骤S150，将当前时刻各目标的粒子权值之和与预设的第一门限值进行对比，将大于所述第一门限值的所有目标的状态估计值输出，以实现对当前时刻的多目标跟踪，并还将当前时刻各目标的粒子权值之和与预设的第二门限值进行对比，将小于所述第二门限值的所有目标进行剔除，并保留所有大于第二门限值的目标；
步骤S160，根据当前时刻的后验概率假设密度的粒子数、粒子状态、各粒子的权值和标签对下一时刻存活目标的粒子数、粒子状态、各粒子的权值和标签进行预测，以计算下一时刻的预测概率假设密度，并对下一时刻的目标进行跟踪，直至多目标跟踪结束。
在基于SMC-PHD滤波器进行目标跟踪时，滤波器的输入是每一时刻传感器接收到的多目标量测集，输出是该时刻多目标状态估计。量测数据通常表示在传感器坐标系，目标状态输出表示在直角坐标系。量测数据存在量测误差，传感器检测目标并非完美，即存在目标漏检和杂波。此外，由于目标的新生和死亡，传感器视野中的真实目标数是未知且时变的。
在本实施例中，采用通过上一时刻的值对当前时刻的目标先进行预测，再根据当前时刻接收到的多目标量测数据对预测值进行校正后再得到当前时刻的目标状态估计值。
在步骤S100-S110中，首先通过上一时刻的后验概率假设密度的粒子数、粒子状态、各粒子的权值和标签对当前时刻的存活目标的粒子数、粒子状态、各粒子的权值和标签进行预测。由于在PHD滤波器中，采用多个粒子对同一个目标进行描述，所以从上一时刻到当前时刻有的目标持续出现了，则对应的粒子也就存活到了当前时刻，而在当前时刻也有新的目标出现了，所以对应计算出当前时刻新生目标的粒子数、粒子状态以及各粒子的权值，并对新生目标的各粒子赋予标签。而当前时刻的预测概率假设密度的粒子是从上一时刻存活到当前时刻的存活目标对应的粒子和新生目标对应粒子的和。
具体地，在计算当前时刻的存活目标的粒子数、粒子状态、各粒子的权值和标签时包括：当前时刻的存活目标的粒子数和上一时刻后验概率假设密度的粒子数相同，当前时刻的存活目标的粒子状态从单目标马尔科夫状态转移密度中采样得到，当前时刻的存活目标的各粒子预测权值根据上一时刻各目标粒子的权值以及从上一时刻到当前时刻目标存活概率计算得到，并对当前时刻预测存活目标的粒子赋予上一时刻对应粒子的标签。
为了进一步说明，可以假设k时刻的后验(校正)概率假设密度由一组粒子近似为：
在公式(1)中，k时刻可以理解为上一时刻，Nk|k是粒子数，和/>分别是第i个粒子，及其权值，其中，Nk|k，/>和/>均为校正后的数据，δ(·)是标准Dirac delta函数，第i个粒子的标签用/>表示，那么k+1时刻也就是当前时刻存活目标的预测粒子、预测权值、预测标签分别计算如下，而k+1时刻粒子数与k时刻的粒子数是相等的：
预测粒子从单目标马尔科夫状态转移密度/>中采样得到；
预测权值为其中pS(x)是k时刻状态为x的目标存活至k+1时刻的概率；
预测标签为
在这里需要说明的是，从各参数的下标可以看出，当下标竖线的前后为一样的表示时，则说明是后验数据也就是校正后的数据，例如k|k；当下标竖线前面的数字大于后面的数字时，则说明是根据后者对前者进行预测，例如k+1|k，表示根据k时刻的数据对k+1时刻进行预测。
具体地，计算当前时刻的新生目标的粒子数、粒子状态以及各粒子的权值，并对新生目标的各粒子赋予标签包括：当前时刻的新生目标的粒子数根据高斯分量数以及描述各目标的粒子数量进行计算得到，而各新生目标的粒子状态从新生密度函数中进行采样得到，当前时刻的新生目标的粒子权值为其中b(x)为新生目标的概率假设密度，Nb为当前时刻的新生目标的粒子数，在当前时刻新生的第n个高斯分量所对应的粒子将被赋予标签l＝(k+1,n)，其中k+1表示当前时刻。
为了进一步说明，假设新生目标的概率假设密度已知，并且可建模为高斯混合形式：
在公式(2)中，N(·；μ,∑)表示均值为μ协方差矩阵为∑的高斯分布概率密度函数，Nbirth是高斯分量数，和/>分别是第n个分量的权值、均值和协方差，那么k+1时刻新生目标的粒子数、粒子状态、权值、标签分别计算如下：
粒子数为Nb＝Nbirth×N，其中每个目标由N个粒子描述；
粒子从新生密度函数b(x)/∫b(x)dx中采样得到；
权值为
而标签采用如下规则确定：k+1时刻出生的第n个高斯分量所对应的粒子均被赋予标签l＝(k+1,n)。
在步骤S100-S110中，得到了对当前时刻存活目标和新生目标的粒子预测，此时，在步骤S120中，就可以对当前时刻的预测概率假设密度进行构建，则是由存活目标的概率假设密度和新生目标的概率假设密度相加得到，则可以得到公式：
还可以将公式(3)替换为更为简单的表达方式：
在公式(4)中，Nk+1|k为当前时刻的存活目标以及新生目标的粒子数之和，为当前时刻的存活目标以及新生目标的各粒子的权值，/>为当前时刻的所述存活目标以及新生目标的各粒子状态，而当前时刻目标的各粒子的标签不变，δ(·)为标准Diracdelta函数。
在步骤S120中，在公式(4)的基础上，并且考虑当预测的多目标分布可近似为泊松分布时，则当前时刻的后验概率假设密度为：
在公式(5)中，Nk+1|k+1、以及/>分别表示当前时刻目标的粒子数、各粒子的权值以及粒子状态；
其中，当前时刻后验概率假设密度的粒子数和预测概率假设密度的粒子数相等，也就是Nk+1|k+1＝Nk+1|k；
当前时刻后验概率假设密度的粒子就是预测概率假设密度的粒子，也就是
当前时刻后验概率假设密度的粒子的权值根据对应各粒子的预测权值以及量测集进行计算得到。
具体地，计算当前时刻后验概率假设密度的粒子权值时采用以下公式：
在公式(6)中，量测集表示为pD(x)是目标x的检测概率，l(z|x)是单目标似然函数，c(z)是泊松杂波的强度函数。
而当前时刻后验概率假设密度的粒子标签为
故在步骤S130中，根据当前时刻获取的多目标量测集对预测概率假设密度进行校正，得到后验概率假设密度，再根据后验概率假设密度进行目标状态的估计。
在步骤S140中，为了避免粒子多样性匮乏，对公式(5)进行重采样，而重采样只在具有相同标签的多个粒子内部实施，并不改变各目标的权值的和，也就是说对不同目标的粒子进行分开处理，并且各目标均由相同数量的粒子进行表示。
具体地，假设标签为l的目标由N个粒子描述下面以随机重采样为例，说明重采样实现过程：
S1：产生[0,1]上均匀分布随机数组其中N为粒子数；
S2：产生粒子权值累积函数cdf，满足
S3：开始计算
其中，index(i)＝k表示第k个粒子经重采样后被复制在第i个位置上。
实际处理可采用多项式重采样、系统重采样、残差重采样等其他重采样技术。
接着利用后验概率假设密度估计多目标状态，将相同标签对应粒子的加权平均值即作为该目标的状态估计值。
具体地，假设标签为l的N个粒子及其权值分别为那么标签为l的目标的状态估计值为
再遍历所有标签，计算出所有目标的状态估计值。
在步骤S140中，是通过预设的两个门限值对各目标进行筛选，其中第一门限值为目标状态输出门限wex，假设标签为l的目标的粒子权值之和为当/>成立时，则将标签为l的目标的状态估计值和标签输出。遍历所有标签，输出所有满足条件的目标的状态估计值，以实现对当前时刻多目标的跟踪。
而第二门限值为目标保留与剔除门限wpr。假设标签为l的目标的权值之和为当/>成立时，剔除该目标的所有粒子、权值、标签。遍历所有标签，剔除所有满足条件的目标，保留剩余目标。
在本实施例中，第一门限值大于第二门限值。
在步骤S160中，重复步骤S100到步骤S150的过程，直至目标跟踪结束，以完成对多目标的跟踪。
在按照本方法进行实际操作时，还可以按照如图2所示的算法流程进行实施，其流程步骤包括：
S1：初始化概率假设密度。
S2：计算存活目标的粒子、权值、标签。
S3：计算新生目标的粒子、权值、标签。
S4：计算预测概率假设密度。
S5：计算后验概率假设密度。
S6：重采样。
S7：目标状态估计。
S8：目标状态输出。
S9：目标保留与剔除。
S10：循环S2-S9，直至跟踪结束。
其中，在S1中，在二维直角坐标系下，将目标状态定义为x＝[px,vx,py,vy]T，其中px、vx分别表示目标在x轴的位置和速度，py、vy分别表示目标在y轴的位置和速度。初始化概率假设密度为D0|0(x)＝0，即k＝0时刻不存在目标。
其余步骤均与上述步骤相同，在此不再赘述。
在下文中，还通过仿真实验将本方法与标准的SMC-PHD滤波器进行对比，来检验它的优异性。
在二维直角坐标系下，单目标的运动方程为
xk+1＝Fxk+Gnk (8)
在公式(8)中，xk＝[px,k,vx,k,py,k,vy,k]T是k时刻的目标状态，由x轴和y轴的位置、速度构成，nk是k时刻协方差矩阵为Q＝diag(10-2,10-2)的零均值高斯白过程噪声，F和G分别是状态转移矩阵和噪声增益矩阵：
在公式(9)和(10)中，T＝1s是系统采样周期。
在该仿真实验中，以双基地雷达为例，而双基地雷达的几何关系如图3所示。接收机位于坐标原点，发射机的坐标为(L,0)T，其中L＝4000m表示基线距离。不考虑时间变量，将目标状态定义为x＝[px,vx,py,vy]T，其中px、vx分别表示目标在x轴的位置和速度，py、vy分别表示目标在y轴的位置和速度。目标位置也可以用双基地坐标z＝(b,α)T表示，其中b＝r1+r2是双基地距离，α是目标方位角。从直角坐标到双基地坐标的变换为：
则单目标量测方程为：
zk＝h(xk)+wk (12)
在公式(12)中，wk是k时刻协方差矩阵为的零均值高斯白量测噪声，双基地距离量测噪声标准差为σb＝10m，方位量测噪声标准差为σα＝0.3°。雷达观测范围为[4000m,14000m]×[π/4,3π/4]，雷达观测总时间为K＝100s，仿真中共有3个目标进入观测区域，其运动参数如表1所示。雷达检测概率为pD＝0.75，泊松杂波均值为λ＝10，每个杂波点均匀分布在整个雷达观测范围。滤波器的新生目标参数设置如下：高斯分量数为Nbirth＝3，均值/>为表1所示的真值，协方差为/>权值为/>仿真中每个目标采用N＝1000个粒子描述，存活概率设置为pS＝0.99，标准的SMC-PHD滤波器采用K均值算法估计目标状态。如图4-6所示为典型仿真场景和跟踪结果，标准的SMC-PHD滤波器的跟踪性能较差，在目标漏检时易出现目标丢失现象，高杂波使目标状态估计偏差较大；本发明能够有效应对低检测概率和高杂波，目标跟踪性能优异。
表1目标运动参数
| 目标 | 初始状态 | 出生时间 | 死亡时间 |
| 1 | [4000m,-100m/s,4000m,0] | 1 | 77 |
| 2 | [-2000m,80m/s,2000m,80m/s] | 10 | 68 |
| 3 | [0,40m/s,6428m,-40m/s] | 14 | 94 |
上述基于SMC-PHD滤波器的多目标跟踪方法中，通过根据新生目标的初始状态和新生时刻给每个新生粒子赋予唯一的标签，该标签在整个滤波递归过程中保持不变，这样使得在得到各时刻目标状态估计的同时还可以得到各目标的轨迹。并且在目标状态提取阶段，相同标签对应的粒子的加权平均值即作为该目标的状态估计值，以解决现有技术中目标状态估计误差较大的问题。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.基于SMC-PHD滤波器的多目标跟踪方法，其特征在于，所述方法包括：
根据上一时刻的后验概率假设密度的粒子数、粒子状态、各粒子的权值和标签对当前时刻的存活目标的粒子数、粒子状态、各粒子的权值和标签进行预测；
根据新生目标的概率假设密度得到当前时刻新生目标的粒子数、粒子状态以及各粒子的权值，并对新生目标的各粒子赋予标签；
根据当前时刻存活目标以及新生目标的粒子数、粒子状态、各粒子的权值以及粒子标签得到当前时刻的预测概率假设密度的粒子数、粒子状态、各粒子的权值以及标签；
获取当前时刻的多个目标的量测集，根据所述当前时刻的多个目标量测集校正当前时刻的预测概率假设密度，得到当前时刻后验概率假设密度以及相应的粒子数、粒子状态、各粒子的权值以及标签；
对所述当前时刻的后验概率假设密度进行重采样，并根据重采样后的后验概率假设密度进行计算得到当前时刻各目标的状态估计值，其中在计算各目标状态估计值时，将具有相同标签的粒子的加权平均值作为该目标的状态估计值；
将当前时刻各目标的粒子权值之和与预设的第一门限值进行对比，将大于所述第一门限值的所有目标的状态估计值输出，以实现对当前时刻的多目标跟踪，并还将当前时刻各目标的粒子权值之和与预设的第二门限值进行对比，将小于所述第二门限值的所有目标进行剔除，并保留所有大于第二门限值的目标；
根据当前时刻的后验概率假设密度的粒子数、粒子状态、各粒子的权值和标签对下一时刻存活目标的粒子数、粒子状态、各粒子的权值和标签进行预测，以计算下一时刻的预测概率假设密度，并对下一时刻的目标进行跟踪，直至多目标跟踪结束。
2.根据权利要求1所述的多目标跟踪方法，其特征在于，在对各粒子进行标记时，将描述同一个目标的粒子标记上相同的标签。
3.根据权利要求2所述的多目标跟踪方法，其特征在于，计算当前时刻的存活目标的粒子数、粒子状态、各粒子的权值和标签时包括：
所述当前时刻的存活目标的粒子数和上一时刻后验概率假设密度的粒子数相同；
所述当前时刻的存活目标的粒子状态从单目标马尔科夫状态转移密度中采样得到；
所述当前时刻的存活目标的各粒子预测权值根据上一时刻各目标粒子的权值以及从上一时刻到当前时刻目标存活概率计算得到；
对当前时刻预测存活目标的粒子赋予上一时刻对应粒子的标签。
4.根据权利要求3所述的多目标跟踪方法，其特征在于，计算当前时刻的新生目标的粒子数、粒子状态以及各粒子的权值，并对新生目标的各粒子赋予标签时包括：
所述当前时刻的新生目标的粒子数根据高斯分量数以及描述各目标的粒子数量进行计算得到，而各所述新生目标的粒子状态从新生密度函数中进行采样得到；
所述当前时刻的新生目标的粒子权值为其中b(x)为新生目标的概率假设密度，Nb为当前时刻的新生目标的粒子数；
在当前时刻新生的第n个高斯分量所对应的粒子将被赋予标签l＝(k+1,n)，其中k+1表示当前时刻。
5.根据权利要求4所述的多目标跟踪方法，其特征在于，所述新生目标的概率假设密度建模为高斯混合形式：
在上式中，N(·；μ,Σ)表示均值为μ协方差矩阵为∑的高斯分布概率密度函数，Nbirth是高斯分量数，和/>分别是第n个分量的权值、均值和协方差。
6.根据权利要求5所述的多目标跟踪方法，其特征在于，所述当前时刻的预测概率假设密度为：
在上式中，Nk+1|k为当前时刻的所述存活目标以及新生目标的粒子数之和，为当前时刻的所述存活目标以及新生目标的各粒子的权值，/>为当前时刻的所述存活目标以及新生目标的各粒子状态，δ(·)为标准Dirac delta函数。
7.根据权利要求6所述的多目标跟踪方法，其特征在于，当预测的多目标分布可近似为泊松分布时，所述当前时刻的后验概率假设密度为：
在上式中，Nk+1|k+1、以及/>分别表示当前时刻目标的粒子数、各粒子的权值以及粒子状态；
其中，当前时刻目标的粒子数量等于当前时刻存活目标以及新生目标的粒子数之和；
当前时刻各粒子的状态为在当前时刻的所述存活目标以及新生目标中对应粒子的状态；
当前时刻目标的各粒子的权值根据对应各粒子的预测权值以及量测集进行计算得到；
当前时刻目标的各粒子的标签不变。
8.根据权利要求7所述的多目标跟踪方法，其特征在于，计算当前时刻目标的各粒子的权值时采用以下公式：
在上式中，所述量测集表示为pD(x)是目标x的检测概率，l(z|x)是单目标似然函数，c(z)是泊松杂波的强度函数。
9.根据权利要求8所述的多目标跟踪方法，其特征在于，在对所述当前时刻的后验概率假设密度进行重采样时，重采样只在具有相同标签的多个粒子内部实施，并不改变各目标的权值的和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111592377.7A CN114325686B (zh) | 2021-12-23 | 2021-12-23 | 基于smc-phd滤波器的多目标跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111592377.7A CN114325686B (zh) | 2021-12-23 | 2021-12-23 | 基于smc-phd滤波器的多目标跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114325686A CN114325686A (zh) | 2022-04-12 |
| CN114325686B true CN114325686B (zh) | 2024-05-03 |
Family
ID=81054041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111592377.7A Active CN114325686B (zh) | 2021-12-23 | 2021-12-23 | 基于smc-phd滤波器的多目标跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114325686B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111562571A (zh) * | 2020-05-28 | 2020-08-21 | 江南大学 | 一种未知新生强度的机动多目标跟踪与航迹维持方法 |
| CN111580084A (zh) * | 2020-05-13 | 2020-08-25 | 中国人民解放军国防科技大学 | 一种面向多距离扩展目标的多伯努利检测前跟踪方法 |
| WO2021008077A1 (zh) * | 2019-07-16 | 2021-01-21 | 深圳大学 | 一种闪烁噪声下的多目标跟踪方法及系统 |
-
2021
- 2021-12-23 CN CN202111592377.7A patent/CN114325686B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2021008077A1 (zh) * | 2019-07-16 | 2021-01-21 | 深圳大学 | 一种闪烁噪声下的多目标跟踪方法及系统 |
| CN111580084A (zh) * | 2020-05-13 | 2020-08-25 | 中国人民解放军国防科技大学 | 一种面向多距离扩展目标的多伯努利检测前跟踪方法 |
| CN111562571A (zh) * | 2020-05-28 | 2020-08-21 | 江南大学 | 一种未知新生强度的机动多目标跟踪与航迹维持方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种新的SMC-PHD滤波的多目标状态估计方法;罗少华;徐晖;薛永宏;;宇航学报;20111030(第10期);全文 * |
| 基于SMC-PHD 滤波的显式航迹维持算法;高乙月，蒋德富，刘铭，付伟;计算机与现代化;20171231(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114325686A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arnold et al. | Efficient target tracking using dynamic programming | |
| CN109188423B (zh) | 一种基于多源聚类的分布式多目标跟踪方法 | |
| Reuter et al. | Real-time multi-object tracking using random finite sets | |
| 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 | |
| CN111562569A (zh) | 基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法 | |
| CN111325776A (zh) | 一种基于变分贝叶斯t分布卡尔曼滤波的phd多目标跟踪方法 | |
| CN113296089B (zh) | 用于多预警机目标跟踪系统的lmb密度融合方法及装置 | |
| CN114325686B (zh) | 基于smc-phd滤波器的多目标跟踪方法 | |
| CN111504327B (zh) | 一种基于航迹平滑技术的广义标签多伯努利多目标跟踪方法 | |
| CN116400318B (zh) | 基于在线粒子群优化的多观测目标位置估计方法及装置 | |
| CN117433538A (zh) | 一种多源异构传感器航迹融合方法 | |
| CN109799477B (zh) | 一种面向毫米波车联网的序贯车辆指纹定位方法及装置 | |
| CN111262556A (zh) | 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法 | |
| CN113721237B (zh) | 一种多隶属度的目标智能匹配算法 | |
| CN115544425A (zh) | 一种基于目标信噪比特征估计的鲁棒多目标跟踪方法 | |
| Zhu et al. | The modified probability hypothesis density filter with adaptive birth intensity estimation for multi-target tracking in low detection probability | |
| Yang | Review of Target Tracking Algorithms Based on Bayes Filtering | |
| CN110673132A (zh) | 一种用于多帧联合检测与跟踪的点迹序列实时滤波方法 | |
| Yu et al. | Bernoulli Track-before-detect Algorithm for Distributed Target with Unknown Amplitude Information | |
| CN112816973B (zh) | 一种跟踪信息辅助的目标检测方法 | |
| Kumari et al. | An Improved Radar target tracking system using fusion algorithm of Kalman and Particle filters | |
| CN111504326B (zh) | 一种基于t分布的鲁棒glmb多目标跟踪方法 | |
| Chen et al. | Online clutter estimation using a Gaussian kernel density estimator for target tracking | |
| Ishibashi et al. | Noise-estimate particle phd filter | |
| CN113989332B (zh) | 一种目标跟踪方法、装置、存储介质及电子设备 |
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 |