CN117933404A - 基于独立同分布与多伯努利分布的多目标跟踪方法和装置 - Google Patents

基于独立同分布与多伯努利分布的多目标跟踪方法和装置 Download PDF

Info

Publication number
CN117933404A
CN117933404A CN202410344628.7A CN202410344628A CN117933404A CN 117933404 A CN117933404 A CN 117933404A CN 202410344628 A CN202410344628 A CN 202410344628A CN 117933404 A CN117933404 A CN 117933404A
Authority
CN
China
Prior art keywords
target
density
bernoulli
probability
time
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.)
Granted
Application number
CN202410344628.7A
Other languages
English (en)
Other versions
CN117933404B (zh
Inventor
卢哲俊
杨威
王志伟
夏靖远
张双辉
刘永祥
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202410344628.7A priority Critical patent/CN117933404B/zh
Publication of CN117933404A publication Critical patent/CN117933404A/zh
Application granted granted Critical
Publication of CN117933404B publication Critical patent/CN117933404B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请涉及一种基于独立同分布与多伯努利分布的多目标跟踪方法和装置。所述方法继承了基于独立同分布和多伯努利分布的随机有限集滤波器各自的优势，在滤波过程中保持目标的多伯努利分布，从而可以很方便地进行航迹维持和目标状态提取；在更新过程中利用独立同分布假设来高效计算量测与目标之间的关联边缘概率，从而避免了复杂的数据关联过程，极大地提高了算法效率，并获得了稳定准确的目标状态和目标数估计。

Description

基于独立同分布与多伯努利分布的多目标跟踪方法和装置
技术领域
本申请涉及目标跟踪技术领域，特别是涉及一种基于独立同分布与多伯努利分布的多目标跟踪方法和装置。
背景技术
随着目标跟踪场景越发复杂，对目标跟踪技术的要求也在不断提升，传感器经常需要对大量密集分布的多个目标进行跟踪，这就导致数据关联复杂，计算量增大，目标丢失率增高，目标数和目标状态的估计不稳定等情况，对传感器的数据处理能力提出了很大挑战。
基于随机有限集（Random Finite Set，RFS）理论的滤波器为处理多目标跟踪难题提供了有效工具。其中基于独立同分布的RFS滤波器在滤波过程中不需要显式的数据关联过程，计算效率高，但是存在漏检目标PHD（概率假设密度）的分配不正确，目标状态估计困难，不具有航迹维持能力等缺陷；基于多伯努利分布的RFS滤波器目标状态估计准确，航迹管理方便，但是往往要考虑数据关联难题，因此计算复杂度高，很难在工程实践中获得应用。
发明内容
基于此，有必要针对上述技术问题，提供一种能够利用独立同分布与多伯努利分布之间的互补优势的基于独立同分布与多伯努利分布的多目标跟踪方法和装置。
一种基于独立同分布与多伯努利分布的多目标跟踪方法，所述方法包括：
步骤1，根据目标的初始存在概率和初始概率密度对目标的多伯努利密度和势分布进行初始化；
步骤2，获取目标前一时刻的多伯努利密度和势分布，根据前一时刻的多伯努利密度和势分布对当前时刻的目标状态进行预测，得到预测多伯努利密度和预测势分布；
步骤3，根据传感器获取当前时刻的量测集合，根据量测集合对预测势分布进行更新，得到更新势分布；
步骤4，基于独立同分布假设，计算量测集合与目标之间的关联权重和关联边缘概率，根据关联权重和关联边缘概率对预测多伯努利密度进行更新，得到更新多伯努利密度；其中，更新多伯努利密度包括漏检目标的多伯努利密度和量测更新目标的多伯努利密度；
步骤5，根据更新势分布获取当前时刻的目标数估计，根据更新多伯努利密度获取各目标当前时刻的存在概率，通过根据当前时刻的存在概率对当前时刻的目标及对应的高斯分量进行修订，得到修正后的目标及对应的高斯分量，根据修正后的目标及对应的高斯分量获取当前时刻的目标状态估计；
步骤6，重复执行步骤2~5，直到目标不再需要跟踪为止。
在其中一个实施例中，根据目标的初始存在概率和初始概率密度对目标的多伯努利密度和势分布进行初始化，包括：
获取目标的初始存在概率/>和初始概率密度/>，根据/>和/>对目标的多伯努利密度进行初始化，得到初始多伯努利密度为/>；其中，/>表示/>个目标的集合，/>表示初始目标总数；
根据和/>对目标的势分布进行初始化，得到初始势分布，表示为；其中，/>表示/>的/>次初等对称函数。
在其中一个实施例中，获取目标前一时刻的多伯努利密度和势分布，根据前一时刻的多伯努利密度和势分布对当前时刻的目标状态进行预测，得到预测多伯努利密度和预测势分布，包括：
获取目标在/>时刻的多伯努利密度为/>，根据/>对目标/>在/>时刻的多伯努利密度进行预测，得到预测多伯努利密度，表示为
；
其中，表示存活目标的多伯努利密度，/>表示新生目标的多伯努利密度，/>表示/>时刻的预测多伯努利密度，表示目标/>在/>时刻的存在概率，/>表示目标/>在/>时刻的概率密度，/>表示目标存活概率，/>表示目标/>的预测存在概率，/>表示目标/>的预测概率密度，/>表示/>时刻的目标存活总数，/>表示新生目标/>的存在概率，/>表示新生目标/>的概率密度，/>表示新生目标总数，/>表示/>时刻的预测目标总数；
获取目标在/>时刻的势分布为/>，根据/>对目标/>在/>时刻的势分布进行预测，得到预测势分布表示为
；
其中，表示新生目标的势分布，/>和/>表示两个设定整数，/>表示组合数，/>。
在其中一个实施例中，根据传感器获取当前时刻的量测集合，根据量测集合对预测势分布进行更新，得到更新势分布，包括：
根据传感器获取时刻的量测集合/>，其中，/>是量测/>在/>时刻的量测状态，/>是/>时刻的量测数量，根据量测集合/>对预测势分布/>进行更新，得到更新势分布，表示为
；
其中，符号表示内积计算符。
在其中一个实施例中，基于独立同分布假设，计算量测集合与目标之间的关联权重和关联边缘概率，根据关联权重和关联边缘概率对预测多伯努利密度进行更新，得到更新多伯努利密度，表示为
；
其中，表示漏检目标的多伯努利密度，/>表示量测更新目标的多伯努利密度，/>表示/>时刻的更新多伯努利密度，/>表示目标/>在/>时刻的存在概率，/>表示目标/>在/>时刻的概率密度，/>表示/>时刻的更新目标总数，/>表示漏检目标的存在概率，/>表示漏检目标的概率密度，表示量测更新目标的存在概率，/>表示/>时刻量测/>与目标/>之间的关联权重，/>表示量测更新目标的概率密度，表示为
；
；
其中，表示在/>时刻量测/>更新的目标/>的第/>个的高斯分量，表示/>的权重，/>表示/>的均值，/>表示的协方差，/>表示/>时刻目标/>的预测高斯分量数，/>表示/>时刻量测与目标/>之间的关联边缘概率。
在其中一个实施例中，漏检目标的存在概率的计算步骤包括：
根据时刻量测/>与目标/>之间的关联权重/>计算目标/>的更新权重为；
设置更新权重阈值，当/>时，获取漏检目标的期望值/>，根据/>计算漏检目标的存在概率表示为/>；当/>时，令/>。
在其中一个实施例中，根据更新势分布获取当前时刻的目标数估计，包括：
将更新势分布取最大值时的整数作为/>时刻的目标数估计，表示为
。
在其中一个实施例中，根据更新多伯努利密度获取各目标当前时刻的存在概率，通过根据当前时刻的存在概率对当前时刻的目标及对应的高斯分量进行修订，得到修正后的目标及对应的高斯分量，包括：
根据更新多伯努利密度获取目标在/>时刻的存在概率为/>，将/>时刻各目标的存在概率按照从大到小的顺序排序，选取/>个目标；其中，/>表示k时刻的目标数估计；
设置目标剔除阈值为，若/>，将目标/>的所有高斯分量剔除；
设置高斯分量剔除阈值为，若/>，将目标/>的第/>个高斯分量剔除；
设置合并距离阈值为，若在/>时刻同一个目标的两个高斯分量之间的距离小于，将该两个高斯分量合并。
在其中一个实施例中，根据修正后的目标及对应的高斯分量获取当前时刻的目标状态估计，包括：
将修订后的个目标的高斯分量中权重最大的高斯分量的均值/>作为/>时刻的目标状态估计，表示为
。
一种基于独立同分布与多伯努利分布的多目标跟踪装置，包括存储器和处理器，所述存储器存储有基于独立同分布与多伯努利分布的多目标跟踪程序，所述处理器在运行所述基于独立同分布与多伯努利分布的多目标跟踪程序时执行所述基于独立同分布与多伯努利分布的多目标跟踪方法的步骤。
上述基于独立同分布与多伯努利分布的多目标跟踪方法和装置，继承了基于独立同分布和多伯努利分布的RFS滤波器各自的优势，在滤波过程中保持目标的多伯努利分布，从而可以很方便地进行航迹维持和目标状态提取；在更新过程中利用独立同分布假设来高效计算量测与目标之间的关联边缘概率，从而避免了复杂的数据关联过程，极大地提高了算法效率，并获得了稳定准确的目标状态和目标数估计。
附图说明
图1为一个实施例中基于独立同分布与多伯努利分布的多目标跟踪方法的流程示意图；
图2为一个实施例中仿真实验的监视场景和目标真实轨迹示意图；
图3为一个实施例中仿真实验中IID-MB(独立同分布与多伯努利分布)滤波器与传统CPHD(传统集势概率假设密度)滤波器平均OSPA(Optimal Subpatten Assignment，最优次模式分配)距离对比示意图，其中，图3(a)为检测概率为0.9、误差为5m时，IID-MB滤波器与传统CPHD滤波器平均OSPA距离对比示意图；图3 (b) 为检测概率为0.9、误差为20m时，IID-MB滤波器与传统CPHD滤波器平均OSPA距离对比示意图；图3 (c) 为检测概率为0.7、误差为5m时，IID-MB滤波器与传统CPHD滤波器平均OSPA距离对比示意图；
图4为一个实施例中仿真实验中IID-MB滤波器与传统CPHD滤波器平均OSPA位置估计误差对比示意图，其中，图4(a)为检测概率为0.9、误差为5m时，IID-MB滤波器与传统CPHD滤波器平均OSPA位置估计误差对比示意图；图4 (b) 为检测概率为0.9、误差为20m时，IID-MB滤波器与传统CPHD滤波器平均OSPA位置估计误差对比示意图；图4 (c)为检测概率为0.7、误差为20m时，IID-MB滤波器与传统CPHD滤波器平均OSPA位置估计误差对比示意图；
图5为一个实施例中仿真实验中IID-MB滤波器与传统CPHD滤波器耗时对比示意图；其中，图5(a)为检测概率为0.9、误差为5m时，IID-MB滤波器与传统CPHD滤波器耗时对比示意图；图5 (b) 为检测概率为0.9、误差为20m时，IID-MB滤波器与传统CPHD滤波器耗时对比示意图；图5 (c)为检测概率为0.7、误差为20m时，IID-MB滤波器与传统CPHD滤波器耗时对比示意图。
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。
在一个实施例中，如图1所示，提供了一种基于独立同分布与多伯努利分布的多目标跟踪方法，包括以下步骤：
步骤1，根据目标的初始存在概率和初始概率密度对目标的多伯努利密度和势分布进行初始化；
步骤2，获取目标前一时刻的多伯努利密度和势分布，根据前一时刻的多伯努利密度和势分布对当前时刻的目标状态进行预测，得到预测多伯努利密度和预测势分布；
步骤3，根据传感器获取当前时刻的量测集合，根据量测集合对预测势分布进行更新，得到更新势分布；
步骤4，基于独立同分布假设，计算量测集合与目标之间的关联权重和关联边缘概率，根据关联权重和关联边缘概率对预测多伯努利密度进行更新，得到更新多伯努利密度；其中，更新多伯努利密度包括漏检目标的多伯努利密度和量测更新目标的多伯努利密度；
步骤5，根据更新势分布获取当前时刻的目标数估计，根据更新多伯努利密度获取各目标当前时刻的存在概率，通过根据当前时刻的存在概率对当前时刻的目标及对应的高斯分量进行修订，得到修正后的目标及对应的高斯分量，根据修正后的目标及对应的高斯分量获取当前时刻的目标状态估计；
步骤6，重复执行步骤2~5，直到目标不再需要跟踪为止。
在其中一个实施例中，步骤1包括：
根据目标出现概率与出现地点，获取目标的初始存在概率/>和初始概率密度，根据/>和/>对目标的多伯努利密度进行初始化，得到初始多伯努利密度为；其中，/>表示/>个目标的集合，/>表示初始目标总数，/>的形式为/>，其中，/>表示初始时刻目标/>的第/>个高斯分量，/>表示/>的权重，/>表示/>的均值，/>表示的协方差，/>表示初始时刻目标/>的高斯分量数。
根据和/>对目标的势分布进行初始化，得到初始势分布，表示为；其中，/>表示/>的/>次初等对称函数，定义为，其中，/>是属于/>的集合，/>是/>中的元素，并规定/>。
在其中一个实施例中，步骤2包括：
获取目标在/>时刻的多伯努利密度为/>，根据/>对目标/>在/>时刻的多伯努利密度进行预测，得到预测多伯努利密度，表示为
；
其中，表示存活目标的多伯努利密度，/>表示新生目标的多伯努利密度，/>表示/>时刻的预测多伯努利密度，/>表示目标/>在/>时刻的存在概率，/>表示目标/>在/>时刻的概率密度，/>表示在/>时刻目标/>的第/>个高斯分量，/>表示/>的权重，/>表示/>的均值，/>表示/>的协方差，/>表示在/>时刻目标/>的高斯分量数，/>表示目标存活概率，/>表示目标/>的预测存在概率，/>表示目标/>的预测概率密度，/>和/>分别表示状态转移矩阵和过程噪声协方差矩阵，/>表示矩阵转置，/>表示/>时刻的目标存活总数，/>表示新生目标/>的存在概率，/>表示新生目标/>的概率密度，/>表示在/>时刻新生目标/>的第/>个高斯分量，/>表示/>的权重，/>表示/>的均值，/>表示/>的协方差，/>表示新生目标/>的高斯分量数，/>表示新生目标总数，/>表示时刻的预测目标总数；
获取目标在/>时刻的势分布为/>，根据/>对目标/>在/>时刻的势分布进行预测，得到预测势分布表示为
；
其中，表示新生目标的势分布，/>和/>表示两个设定整数，/>表示组合数，/>。
在其中一个实施例中，步骤3包括：
先由下式计算预测的概率假设密度为：
；
其中，表示在/>时刻预测的目标/>的第/>个高斯分量，表示/>的归一化权重，/>表示/>的权重，/>表示/>的均值，/>表示/>的协方差，/>在/>时刻目标/>的预测高斯分量数；
然后，根据传感器获取时刻的量测集合/>，其中，/>是量测/>在/>时刻的量测状态，/>是/>时刻的量测数量，根据量测集合/>对预测势分布/>进行更新，得到更新势分布，表示为
；
；
；
；
其中，符号表示内积计算符，/>为多目标量测伪似然函数，表示归一化权重似然比集合，/>表示杂波的势分布，/>表示量测矩阵，/>表示量测噪声协方差矩阵，/>表示目标检测概率，/>表示杂波的概率密度函数，表示高斯分量与量测/>的似然函数，/>表示排列数，/>。
在其中一个实施例中，步骤4包括：
基于独立同分布假设，计算量测集合与目标之间的关联权重和关联边缘概率，根据关联权重和关联边缘概率对预测多伯努利密度进行更新，得到更新多伯努利密度，表示为
；
其中，表示漏检目标的多伯努利密度，/>表示量测更新目标的多伯努利密度，/>表示/>时刻的更新多伯努利密度，/>表示目标/>在/>时刻的存在概率，/>表示目标/>在/>时刻的概率密度，/>表示/>时刻的更新目标总数，/>表示漏检目标的存在概率，/>表示漏检目标的概率密度，表示量测更新目标的存在概率，/>表示/>时刻量测/>与目标/>之间的关联权重，/>表示量测更新目标的概率密度，表示为
；
；
其中，表示在/>时刻量测/>更新的目标/>的第/>个的高斯分量，表示/>的权重，/>表示/>的均值，/>表示的协方差，/>表示/>时刻目标/>的预测高斯分量数，/>表示/>时刻量测/>与目标/>之间的关联边缘概率。
具体计算步骤包括：
假设目标满足独立同分布，计算时刻量测/>与目标/>之间的关联权重/>，表示为
；
其中表示集合/>去掉/>；
计算会重复使用的势分布和集合/>，其中上标/>表示排除目标/>；
排除目标的势分布/>由下式计算：
；
其中表示所有预测目标编号组成的集合，/>表示集合/>去掉/>，是属于/>的集合，/>是属于/>的元素，/>是属于的/>元素；
去掉后的归一化权重似然比集合/>为：
；
其中表示去掉/>后的归一化权重，由下式计算：
；
设置关联权重阈值，/>一般可设置为不大于/>的数，这里取/>，如果，则令/>；如果/>，计算/>时刻量测/>与目标/>之间的关联边缘概率，表示为
；
其中，为去掉/>后的量测/>与目标/>之间的关联边缘权重，由下式计算：
；
；
；
；
；
。
其中，为去掉/>后的多目标量测伪似然函数，/>为滤波中间变量。
在其中一个实施例中，步骤4中漏检目标的存在概率的计算步骤包括：
根据时刻量测/>与目标/>之间的关联权重/>计算目标/>的更新权重为；
设置更新权重阈值，/>一般可设置为不大于1的数，这里取/>，当时，获取漏检目标的期望值/>，根据/>计算漏检目标的存在概率表示为，其中，/>，为目标/>漏检的边缘权重；
当时，令/>。
在其中一个实施例中，步骤5中根据更新势分布获取当前时刻的目标数估计，包括：
将更新势分布取最大值时的整数作为/>时刻的目标数估计，表示为
。
在其中一个实施例中，步骤5中根据更新多伯努利密度获取各目标当前时刻的存在概率，通过根据当前时刻的存在概率对当前时刻的目标及对应的高斯分量进行修订，得到修正后的目标及对应的高斯分量，包括：
根据更新多伯努利密度获取目标在/>时刻的存在概率为/>，将/>时刻各目标的存在概率按照从大到小的顺序排序，选取/>个目标；其中，/>表示k时刻的目标数估计；
设置目标剔除阈值为，一般可设置为不大于/>的数，这里取/>，若，将目标/>的所有高斯分量剔除；
设置高斯分量剔除阈值为，一般可设置为不大于/>的数，这里取/>，若/>，将目标/>的第/>个高斯分量剔除；
设置合并距离阈值为，/>一般根据跟踪场景的大小决定，这里取/>，若在时刻同一个目标的两个高斯分量之间的距离小于/>，将该两个高斯分量合并。
在其中一个实施例中，步骤5中根据修正后的目标及对应的高斯分量获取当前时刻的目标状态估计，包括：
将修订后的个目标的高斯分量中权重最大的高斯分量的均值/>作为/>时刻的目标状态估计，表示为
。
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。
在一个实施例中，提供了一种基于独立同分布与多伯努利分布的多目标跟踪装置，包括存储器和处理器，所述存储器存储有基于独立同分布与多伯努利分布的多目标跟踪程序，所述处理器在运行所述基于独立同分布与多伯努利分布的多目标跟踪程序时执行所述基于独立同分布与多伯努利分布的多目标跟踪方法的步骤。
关于基于独立同分布与多伯努利分布的多目标跟踪装置的具体限定可以参见上文中对于基于独立同分布与多伯努利分布的多目标跟踪方法的限定，在此不再赘述。上述基于独立同分布与多伯努利分布的多目标跟踪装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，本发明的效果还可以通过以下仿真实验进一步说明：
仿真实验环境为英特尔i7 3.6Hz主频的8核CPU处理器，程序使用Matlab语言编写。
仿真实验中将基于本申请所述方法提出的IID-MB滤波器与传统集势概率假设密度（CPHD）滤波器进行对比。
1、仿真条件
选择一个大小为的矩形二维区域作为监视区域；
仿真过程中总共出现10个目标，目标的真实轨迹如图2中所示，目标在初始时刻从一个区域中产生，并运动到终止时刻，目标起始位置和终止位置已在图中标识；
目标的状态表示为，其中/>是目标横向和纵向的位置，/>是目标横向和纵向的速度；
采样间隔，状态转移矩阵/>为：
；
过程噪声协方差矩阵为：
；
其中过程噪声；
S1，设初始时刻，初始化多伯努利密度/>和势分布/>，具体为：
初始多伯努利密度中/>，每个伯努利分布具有相同的形式，其中存在概率，概率密度/>为：
；
其中初始权重，初始均值/>，初始协方差，之后每个时刻的新生目标多伯努利密度与/>相同；
初始势分布由下式计算：
；
量测矩阵为：
；
量测噪声协方差矩阵，其中量测误差取/>和两种情况；
杂波密度取，杂波平均分布在监测区域中；
检测概率取和/>两种情况；
目标存活概率为。
2、仿真结果分析
图3给出了IID-MB滤波器和传统CPHD滤波器在不同环境下进行100次蒙特卡洛仿真的平均结果，包括如图3(a)所示的检测概率为0.9、误差为5m时，IID-MB滤波器与传统CPHD滤波器平均OSPA距离对比示意图，如图3 (b) 所示的检测概率为0.9、误差为20m时，IID-MB滤波器与传统CPHD滤波器平均OSPA距离对比示意图，如图3 (c)所示的检测概率为0.7、误差为5m时，IID-MB滤波器与传统CPHD滤波器平均OSPA距离对比示意图。这里使用100次蒙特卡洛的平均OSPA距离作为性能评价准则。从图3中可以看出，在所有环境下，IID-MB滤波器的OSPA距离都明显小于传统CPHD滤波器，说明IID-MB滤波器跟踪性能有显著的提高。
图4给出了IID-MB滤波器和传统CPHD滤波器在这100次蒙特卡洛仿真中的平均OSPA位置估计误差，其中，图4(a)为检测概率为0.9、误差为5m时，IID-MB滤波器与传统CPHD滤波器平均OSPA位置估计误差对比示意图；图4 (b) 为检测概率为0.9、误差为20m时，IID-MB滤波器与传统CPHD滤波器平均OSPA位置估计误差对比示意图；图4 (c)为检测概率为0.7、误差为20m时，IID-MB滤波器与传统CPHD滤波器平均OSPA位置估计误差对比示意图。由图4可知， IID-MB滤波器在所有环境下的位置估计误差都比传统MS-CPHD滤波器低，尤其是当量测误差较大时，说明IID-MB滤波器跟踪性能有显著的提高，在较差测量条件下也能维持稳定的性能。
图5给出了IID-MB滤波器和传统CPHD滤波器在这100次蒙特卡洛仿真中的平均耗时，其中，图5(a)为检测概率为0.9、误差为5m时，IID-MB滤波器与传统CPHD滤波器耗时对比示意图；图5 (b) 为检测概率为0.9、误差为20m时，IID-MB滤波器与传统CPHD滤波器耗时对比示意图；图5 (c)为检测概率为0.7、误差为20m时，IID-MB滤波器与传统CPHD滤波器耗时对比示意图。可以看出IID-MB滤波器的耗时在量测误差较低时比传统CPHD滤波器少，在量测误差较高时比传统CPHD滤波器多，但是两者都具有很高的运算效率。说明本发明与CPHD滤波器具有相近的运算效率，同时跟踪性能显著提高，因此具有很好的工程应用前景。
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本申请范围的限制。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，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于独立同分布与多伯努利分布的多目标跟踪方法，其特征在于，所述方法包括：
步骤1，根据目标的初始存在概率和初始概率密度对目标的多伯努利密度和势分布进行初始化；
步骤2，获取目标前一时刻的多伯努利密度和势分布，根据前一时刻的多伯努利密度和势分布对当前时刻的目标状态进行预测，得到预测多伯努利密度和预测势分布；
步骤3，根据传感器获取当前时刻的量测集合，根据所述量测集合对所述预测势分布进行更新，得到更新势分布；
步骤4，基于独立同分布假设，计算所述量测集合与目标之间的关联权重和关联边缘概率，根据所述关联权重和关联边缘概率对所述预测多伯努利密度进行更新，得到更新多伯努利密度；其中，所述更新多伯努利密度包括漏检目标的多伯努利密度和量测更新目标的多伯努利密度；
步骤5，根据所述更新势分布获取当前时刻的目标数估计，根据所述更新多伯努利密度获取各目标当前时刻的存在概率，通过根据当前时刻的存在概率对当前时刻的目标及对应的高斯分量进行修订，得到修正后的目标及对应的高斯分量，根据所述修正后的目标及对应的高斯分量获取当前时刻的目标状态估计；
步骤6，重复执行步骤2~5，直到目标不再需要跟踪为止。
2.根据权利要求1所述的方法，其特征在于，根据目标的初始存在概率和初始概率密度对目标的多伯努利密度和势分布进行初始化，包括：
获取目标的初始存在概率/>和初始概率密度/>，根据所述/>和/>对目标的多伯努利密度进行初始化，得到初始多伯努利密度为/>；其中，/>表示/>个目标的集合，/>表示初始目标总数；
根据所述和/>对目标的势分布进行初始化，得到初始势分布，表示为；其中，/>表示/>的/>次初等对称函数。
3.根据权利要求2所述的方法，其特征在于，获取目标前一时刻的多伯努利密度和势分布，根据前一时刻的多伯努利密度和势分布对当前时刻的目标状态进行预测，得到预测多伯努利密度和预测势分布，包括：
获取目标在/>时刻的多伯努利密度为/>，根据/>对目标/>在时刻的多伯努利密度进行预测，得到预测多伯努利密度，表示为
；
其中，表示存活目标的多伯努利密度，/>表示新生目标的多伯努利密度，/>表示/>时刻的预测多伯努利密度，/>表示目标/>在/>时刻的存在概率，/>表示目标/>在/>时刻的概率密度，/>表示目标存活概率，/>表示目标/>的预测存在概率，/>表示目标/>的预测概率密度，/>表示/>时刻的目标存活总数，/>表示新生目标/>的存在概率，/>表示新生目标/>的概率密度，表示新生目标总数，/>表示/>时刻的预测目标总数；
获取目标在/>时刻的势分布为/>，根据/>对目标/>在/>时刻的势分布进行预测，得到预测势分布表示为
；
其中，表示新生目标的势分布，/>和/>表示两个设定整数，/>表示组合数，。
4.根据权利要求3所述的方法，其特征在于，根据传感器获取当前时刻的量测集合，根据所述量测集合对所述预测势分布进行更新，得到更新势分布，包括：
根据传感器获取时刻的量测集合/>，其中，/>是量测/>在/>时刻的量测状态，是/>时刻的量测数量，根据量测集合/>对预测势分布/>进行更新，得到更新势分布，表示为
；
其中，符号表示内积计算符。
5.根据权利要求4所述的方法，其特征在于，基于独立同分布假设，计算所述量测集合与目标之间的关联权重和关联边缘概率，根据所述关联权重和关联边缘概率对所述预测多伯努利密度进行更新，得到更新多伯努利密度，表示为
；
其中，表示漏检目标的多伯努利密度，/>表示量测更新目标的多伯努利密度，/>表示/>时刻的更新多伯努利密度，/>表示目标/>在/>时刻的存在概率，/>表示目标/>在/>时刻的概率密度， />表示/>时刻的更新目标总数，/>表示漏检目标的存在概率，/>表示漏检目标的概率密度，表示量测更新目标的存在概率，/>表示/>时刻量测/>与目标/>之间的关联权重，/>表示量测更新目标的概率密度，表示为
；
；
其中，表示在/>时刻量测/>更新的目标/>的第/>个的高斯分量，/>表示/>的权重，/>表示/>的均值，/>表示的协方差，/>表示/>时刻目标/>的预测高斯分量数，/>表示/>时刻量测与目标/>之间的关联边缘概率。
6.根据权利要求5所述的方法，其特征在于，漏检目标的存在概率的计算步骤包括：
根据时刻量测/>与目标/>之间的关联权重/>计算目标/>的更新权重为；
设置更新权重阈值，当/>时，获取漏检目标的期望值/>，根据/>计算漏检目标的存在概率表示为/>；当/>时，令/>。
7.根据权利要求1所述的方法，其特征在于，根据所述更新势分布获取当前时刻的目标数估计，包括：
将更新势分布取最大值时的整数作为/>时刻的目标数估计，表示为
。
8.根据权利要求1所述的方法，其特征在于，根据所述更新多伯努利密度获取各目标当前时刻的存在概率，通过根据当前时刻的存在概率对当前时刻的目标及对应的高斯分量进行修订，得到修正后的目标及对应的高斯分量，包括：
根据所述更新多伯努利密度获取目标在/>时刻的存在概率为/>，将/>时刻各目标的存在概率按照从大到小的顺序排序，选取/>个目标；其中，/>表示/>时刻的目标数估计；
设置目标剔除阈值为，若/>，将目标/>的所有高斯分量剔除；
设置高斯分量剔除阈值为，若/>，将目标/>的第/>个高斯分量剔除；
设置合并距离阈值为，若在/>时刻同一个目标的两个高斯分量之间的距离小于/>，将该两个高斯分量合并。
9.根据权利要求8所述的方法，其特征在于，根据所述修正后的目标及对应的高斯分量获取当前时刻的目标状态估计，包括：
将修订后的个目标的高斯分量中权重最大的高斯分量的均值/>作为/>时刻的目标状态估计，表示为
。
10.一种基于独立同分布与多伯努利分布的多目标跟踪装置，其特征在于，包括存储器和处理器，所述存储器存储有基于独立同分布与多伯努利分布的多目标跟踪程序，所述处理器在运行所述基于独立同分布与多伯努利分布的多目标跟踪程序时执行权利要求1至9任意一项所述方法的步骤。
CN202410344628.7A 2024-03-25 2024-03-25 基于独立同分布与多伯努利分布的多目标跟踪方法和装置 Active CN117933404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410344628.7A CN117933404B (zh) 2024-03-25 2024-03-25 基于独立同分布与多伯努利分布的多目标跟踪方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410344628.7A CN117933404B (zh) 2024-03-25 2024-03-25 基于独立同分布与多伯努利分布的多目标跟踪方法和装置

Publications (2)

Publication Number Publication Date
CN117933404A true CN117933404A (zh) 2024-04-26
CN117933404B CN117933404B (zh) 2024-06-18

Family

ID=90761453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410344628.7A Active CN117933404B (zh) 2024-03-25 2024-03-25 基于独立同分布与多伯努利分布的多目标跟踪方法和装置

Country Status (1)

Country Link
CN (1) CN117933404B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503071A (zh) * 2019-08-29 2019-11-26 电子科技大学 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
CN112305915A (zh) * 2020-10-28 2021-02-02 深圳大学 Tsk迭代回归模型的标签多伯努利多目标跟踪方法及系统
WO2021036367A1 (zh) * 2019-08-30 2021-03-04 深圳大学 一种基于测量分配的目标跟踪方法及装置
US20210233261A1 (en) * 2018-07-06 2021-07-29 Bayerische Motoren Werke Aktiengesellschaft Object Tracking Based on Multiple Measurement Hypotheses
CN115542335A (zh) * 2022-10-20 2022-12-30 哈尔滨电气集团海洋智能装备有限公司 一种基于多伯努利滤波未知检测概率的多目标跟踪方法
US20230082256A1 (en) * 2021-08-18 2023-03-16 Arizona Board Of Regents On Behalf Of Arizona State University Systems and methods for decentralized multi-target tracking with multiple robots using a phd filter
CN116148837A (zh) * 2022-11-11 2023-05-23 西安电子科技大学 非均匀杂波背景下稳健多传感器多目标跟踪方法
CN117115204A (zh) * 2023-08-11 2023-11-24 中国人民解放军国防科技大学 基于航迹泊松多伯努利的多目标跟踪方法、装置及设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210233261A1 (en) * 2018-07-06 2021-07-29 Bayerische Motoren Werke Aktiengesellschaft Object Tracking Based on Multiple Measurement Hypotheses
CN110503071A (zh) * 2019-08-29 2019-11-26 电子科技大学 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
WO2021036367A1 (zh) * 2019-08-30 2021-03-04 深圳大学 一种基于测量分配的目标跟踪方法及装置
CN112305915A (zh) * 2020-10-28 2021-02-02 深圳大学 Tsk迭代回归模型的标签多伯努利多目标跟踪方法及系统
US20230082256A1 (en) * 2021-08-18 2023-03-16 Arizona Board Of Regents On Behalf Of Arizona State University Systems and methods for decentralized multi-target tracking with multiple robots using a phd filter
CN115542335A (zh) * 2022-10-20 2022-12-30 哈尔滨电气集团海洋智能装备有限公司 一种基于多伯努利滤波未知检测概率的多目标跟踪方法
CN116148837A (zh) * 2022-11-11 2023-05-23 西安电子科技大学 非均匀杂波背景下稳健多传感器多目标跟踪方法
CN117115204A (zh) * 2023-08-11 2023-11-24 中国人民解放军国防科技大学 基于航迹泊松多伯努利的多目标跟踪方法、装置及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BENLIAN XU等: "An Ant Colony Inspired Multi-Bernoulli Filter for Cell Tracking in Time-Lapse Microscopy Sequences", IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS, 30 June 2020 (2020-06-30), pages 1703 - 1716 *
孙文;高林;魏平;廖红舒;: "多普勒耦合下的声呐系统TOA多目标跟踪", 信号处理, no. 07, 25 July 2018 (2018-07-25), pages 5 - 13 *

Also Published As

Publication number Publication date
CN117933404B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
CN111127523B (zh) 基于量测迭代更新的多传感器gmphd自适应融合方法
CN105405151A (zh) 基于粒子滤波和加权Surf的抗遮挡目标跟踪方法
WO2016107246A1 (zh) 基于小波降噪和相关向量机的锂电池剩余寿命预测方法
Zhu et al. Boosting out-of-distribution detection with typical features
CN112911627B (zh) 无线网络性能检测方法、装置以及存储介质
CN101719278B (zh) 基于khm算法的视频显微图像细胞自动跟踪方法
CN114580260B (zh) 一种基于机器学习和概率理论的滑坡区间预测方法
Lyu et al. Remaining useful life estimation with multiple local similarities
CN111709454B (zh) 一种基于最优copula模型的多风电场出力聚类评估方法
JP6707716B2 (ja) 異常情報推定装置、異常情報推定方法及びプログラム
CN112113572B (zh) 一种解决分布式标签融合的多目标跟踪方法
Liu A sequential GM-based PHD filter for a linear Gaussian system
CN110795599B (zh) 基于多尺度图的视频突发事件监测方法及系统
CN113793076B (zh) 一种风险池动态监测方法、系统、设备和可读存储介质
CN105718733B (zh) 基于模糊贴近度和粒子滤波的故障预报方法
CN117933404B (zh) 基于独立同分布与多伯努利分布的多目标跟踪方法和装置
JP2019191836A (ja) 異常検知システムおよびプログラム
JP7400819B2 (ja) 予測装置、予測方法、及び予測プログラム
Abdulghafoor et al. A local density-based outlier detection method for high dimension data
CN104809662B (zh) 一种火电厂制粉系统数据中异常数据的检测方法
CN111340853A (zh) 基于ospa迭代的多传感器gmphd自适应融合方法
CN115730845A (zh) 一种电力系统动态估计方法、装置、设备和可读存储介质
Yu et al. Cluster-based best match scanning for large-scale missing data imputation
RU2586025C2 (ru) Способ автоматической кластеризации объектов
CN115342817B (zh) 无人履带车辆轨迹跟踪状态监测方法、系统、设备、介质

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