WO2020151135A1 - 一种多目标跟踪方法及系统 - Google Patents

一种多目标跟踪方法及系统 Download PDF

Info

Publication number
WO2020151135A1
WO2020151135A1 PCT/CN2019/087202 CN2019087202W WO2020151135A1 WO 2020151135 A1 WO2020151135 A1 WO 2020151135A1 CN 2019087202 W CN2019087202 W CN 2019087202W WO 2020151135 A1 WO2020151135 A1 WO 2020151135A1
Authority
WO
WIPO (PCT)
Prior art keywords
target
existence probability
moment
distribution
marginal distribution
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.)
Ceased
Application number
PCT/CN2019/087202
Other languages
English (en)
French (fr)
Inventor
刘宗香
吴冕
唐修江
李良群
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
Publication of WO2020151135A1 publication Critical patent/WO2020151135A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion

Definitions

  • the present invention belongs to the technical field of multi-sensor information fusion, and particularly relates to a multi-target tracking method and system. Background technique
  • the present invention provides a multi-target tracking method and system, which aims to solve the problem of multi-target tracking in a nonlinear non-Gaussian system.
  • the first aspect of the embodiments of the present invention provides a multi-target tracking method, and the method includes:
  • the steps of generating and expanding the newborn target are to first generate the marginal distribution of the newborn target at the previous moment from the measurement data at the previous moment, and specify the existence probability for the newborn target, and then expand the marginal distribution and the existence probability of the newborn target to the previous From the marginal distribution and the existence probability of each target at a time, the expanded marginal distribution and the expanded existence probability of the target at the previous time are obtained;
  • Prediction step according to the extended marginal distribution and extended existence probability of each target at the previous moment, use the particle method to predict the predicted marginal distribution and predicted existence probability of each target at the previous moment at the current moment; update step, according to each target at the previous moment The predicted marginal distribution and predicted existence probability at the current moment, as well as the measurement data at the current moment, using a particle filter method to determine the updated marginal distribution and the updated existence probability of each target at the current moment;
  • a second aspect of the embodiments of the present invention provides a multi-target tracking system, and the system includes:
  • the newborn target generation and expansion module is used to generate the marginal distribution of the newborn target at the previous moment from the measurement data of the previous moment, and specify the existence probability for the newborn target, and then respectively expand the marginal distribution and the existence probability of the newborn target to the previous From the marginal distribution and the existence probability of each target at a time, the expanded marginal distribution and the expanded existence probability of the target at the previous time are obtained;
  • the prediction module is used to predict the predicted marginal distribution and predicted existence probability of each target at the current moment by using the particle method according to the expanded marginal distribution and expanded existence probability of each target at the previous moment;
  • the update module is used to determine the updated marginal distribution and the predicted existence probability of each target at the current moment by the particle filter method based on the predicted edge distribution and predicted existence probability of each target at the current moment, and the measurement data at the current moment. Update the probability of existence;
  • the extraction module is used to distribute and predict the prediction edge distribution and prediction of each target at the previous moment at the current moment
  • the present invention has the following beneficial effects:
  • the present invention provides a multi-target tracking method and system.
  • a Bayesian filtering method based on particle edge distribution is used, through the steps of new target generation and expansion, prediction, update, and extraction,
  • Fig. 1 is a method flowchart of a multi-target tracking method provided by the first embodiment of the present invention
  • Fig. 2 is a system structure diagram of a multi-target tracking system provided by the second embodiment of the present invention
  • Fig. 3 is the first embodiment of the present invention
  • FIG. 4 is a schematic diagram of processing the measurement data of FIG. 3 by using the existing multi-target Gaussian mixture particle PHD filtering method based on unscented transform to obtain the position estimation and true trajectory of each target;
  • FIG. 5 is a schematic diagram of using the multi-target tracking method provided by the first embodiment of the present invention to process the measurement data in FIG. 3 to obtain the position estimation and true trajectory of each target;
  • Fig. 6 is an average OSPA (Optical Subpattern Assignment, OSPA) obtained through 100 experiments using the multi-target Gaussian mixture particle PHD filtering method based on unscented transformation in the prior art and the multi-target tracking method in the first embodiment of the present invention.
  • OSPA Optical Subpattern Assignment
  • the first embodiment of the present application proposes a multi-target tracking method.
  • the multi-target tracking method includes:
  • Step 101 First generate the marginal distribution of the newborn target at the previous moment from the measurement data at the previous moment, and specify the existence probability for the newborn target, and then expand the marginal distribution and the existence probability of the newborn target to the respective targets of the previous moment. In the marginal distribution and the existence probability, get the extended edge of the target at the previous moment
  • the measurement data is acquired through the scanning of the sensor.
  • the sensor has a scanning period.
  • the value of the scanning period can be fixed. In different scanning periods, the sensor scans it. The space is scanned to obtain measurement data. It is understandable that there are not only targets but also obstacles in the scanning space of the sensor. Both targets and obstacles may be scanned by the sensor as the object to be measured, thereby generating measurement data.
  • the previous moment in this embodiment can be understood as the previous scan period between the current moments, and the current moment can be understood as the current
  • step 101 specifically includes the following steps a-C:
  • Step 102 According to the expanded marginal distribution and expanded existence probability of each target at the previous moment, the particle method is used to predict the predicted marginal distribution and predicted existence probability of each target at the previous moment at the current moment; optionally, d is used to denote one extraction of particles The total number, /( ⁇ ) represents the system model;
  • step 102 includes the following steps c-e:
  • Step C From the mean m iM_Ak_x and the covariance P M_Ak_x of the target/extended edge distribution at time k-1, among them,
  • Step e Predict the target at time A-l through the updated particles/predict edge distribution at time
  • the sampling interval, /V represents the survival probability; in this example, the survival probability can be obtained according to the solution method in the prior art, which is not limited in this embodiment.
  • Step 103 According to the predicted edge distribution and predicted existence probability of each target at the current moment at the previous moment, and the measurement data at the current moment, the particle filter method is used to determine the updated edge distribution and update existence of each target at the previous moment at the current moment. Probability
  • step 103 includes the following steps f-h:
  • Step h Extract a total of d particles from the two importance density functions and calculate each particle
  • Step 104 The prediction edge distribution and prediction existence of each target at the previous moment at the current moment
  • step 104 the marginal distribution and the existence probability of each target remaining after clipping at the current moment are transferred to the next moment, as the input of the target tracking process at the next moment, which can be understood as cutting the remaining targets after clipping in step 104
  • the edge distribution and existence probability of the current time (that is, time k) are used as the input at time k+1, that is, as the “margin distribution and existence probability of each target at the previous time” used in step 101 at time k+1.
  • the "marginal distribution and existence probability of each target at the previous moment" used in step 101 at time k refers to the "marginal distribution and existence of each target remaining after trimming at the current time" in step 104 at time k-1 Probability".
  • the marginal distribution whose existence probability is greater than the second threshold is extracted as the output of the target tracking process at the current moment, and the output is the target tracking result at the current moment (that is, moment k) .
  • the Bayesian filtering method based on particle edge distribution is used to effectively solve the problem of non-discrimination through the steps of new target generation and expansion, prediction, update, and extraction.
  • the second embodiment of the present application provides a multi-target tracking system.
  • the multi-target tracking system includes:
  • the newborn target generation and expansion module 201 is used to generate the marginal distribution of the newborn target at the previous moment from the measurement data of the previous moment, and specify the existence probability for the newborn target, and then expand the marginal distribution and the existence probability of the newborn target to From the marginal distribution and the existence probability of each target at the previous moment, the expanded marginal distribution and the expanded existence probability of the target at the previous moment are obtained;
  • the prediction module 202 is configured to use the particle method to predict the predicted edge distribution and predicted existence probability of each target at the previous moment at the current moment according to the expanded marginal distribution and expanded existence probability of each target at the previous moment;
  • d represents the total number of particles extracted at one time, and /( ⁇ ) represents the system model;
  • T represents the sampling interval
  • / ⁇ represents the probability of survival
  • the update module 203 is used to determine the updated edge distribution of each target at the previous time at the current time based on the predicted edge distribution and predicted existence probability of each target at the current time, and the measurement data at the current time using a particle filter method And update the existence probability;
  • the update module 203 is specifically configured to determine the target/predicted edge distribution at the current moment
  • the dimension of, 2 is the scale parameter, 2 is any value satisfying / L + d/0;
  • the filtering process is as follows:
  • the extraction module 204 is configured to extend the predicted edge distribution and predicted existence probability of each target at the current moment to the updated edge distribution and updated existence probability of each target at the current moment, respectively, to obtain the expanded edge of each target at the current moment Distributed as
  • the generation and expansion module 201 is used as the edge distribution and the existence probability of the target at the previous time used in the target tracking process at the next time); extracting the existence probability of the remaining targets from the edge distribution at the current time after trimming is greater than the second threshold
  • the edge distribution of is used as the output of the target tracking process at the current moment.
  • a Bayesian filtering method based on particle edge distribution is used to effectively solve the multi-target in a nonlinear non-Gaussian system through the steps of new target generation and expansion, prediction, update, and extraction.
  • the tracking problem can be used in the field of multi-target tracking and has strong practicability.
  • this embodiment illustrates the multi-target tracking method in a two-dimensional space with reference to FIGS. 3-6.
  • the sensor is a radar, but it is understandable Yes, the sensor can also be other types of sensors in practice.
  • the two-dimensional space in this embodiment is [-20000), 20000)]x[-2000(>), 20000)].
  • this embodiment can Track moving targets in space.
  • the state vector of the target is composed of position, speed, and turning rate.
  • the state vector of target/ represents the turn rate in the state vector of target 1 at the current time (ie , time k in the first embodiment), and T represents
  • the measurement data detected by the radar includes clutter and noise due to obstacles.
  • the simulated measurement data of the radar during 70 scan periods in an experiment is shown in Fig. 3.
  • the simulated measurement data in Figure 3 can be considered as the radar measurement data in 70 cycles
  • the first threshold is 10 _4
  • the new target weight of the multi-target Gaussian mixture particle PHD filter with no trace transformation 0.01
  • the existence probability of the new target in this application p r 0.0 ⁇
  • the covariance of the new target (diag ([50, 25,50,25,0. l])) ⁇
  • Fig. 4 is a graph of the results obtained by processing the simulation measurement data in Fig. 3 using the existing multi-target Gaussian mixture particle PHD filter based on unscented transform.
  • the trajectory formed by the position estimation in Fig. 4 is the multi-target tracking result obtained by the multi-target Gaussian mixture particle PHD filter based on the unscented transform.
  • Fig. 5 is a diagram of the result obtained after processing the simulation measurement data in Fig. 3 using the multi-target tracking method of the first embodiment.
  • the trajectory formed by the position estimation in Fig. 5 is a multi-target tracking result obtained by the multi-target tracking method based on the first embodiment.
  • Fig. 6 is a schematic diagram of the comparison of the average OSPA distance obtained by using the existing multi-target Gaussian mixture particle PHD filter based on the unscented transform and the multi-target tracking method of the first embodiment of this application to perform 100 Monte Carlo experiments respectively.
  • the comparison between the existing multi-target Gaussian mixture particle PHD filter based on unscented transform and the experimental results of the present invention shows that under the flicker noise model, clutter interference, target number uncertainty and detection uncertainty, the method of the present invention can To obtain a more accurate and reliable target state estimation, the OSPA distance is smaller than that obtained by the existing multi-target Gaussian mixture particle PHD filter based on unscented transform.

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)
  • Image Analysis (AREA)

Abstract

本发明属于多传感器信息融合技术领域，提供了一种多目标跟踪方法及系统，将基于粒子边缘分布的贝叶斯滤波方法应用于多目标跟踪，通过新生目标生成与扩展、预测、更新、提取等步骤，利用粒子采样技术有效地解决了非线性非高斯系统中的多目标跟踪问题，可用于多目标跟踪领域，具有很强的实用性。

Description

一种多目标跟踪方法及系统
技术领域
本发明属于多传感器信息融合技术领域， 尤其涉及一种多目标跟踪方法及 系统。 背景技术
在目前的多目标跟踪中， 通常假定噪声为高斯噪声， 但是对于非线性非高 斯系统中的多目标跟踪， 是需要探索和解决的一个关键技术问题。 技术问题
本发明提供了一种多目标跟踪方法及系统， 旨在解决非线性非高斯系统中 的多目标跟踪的问题。 技术解决方案
为解决上述技术问题,本发明实施例第一方面提供了一种多目标跟踪方法， 所述方法包括：
新生目标的生成与扩展步骤、 先由前一时刻的测量数据生成前一时刻新生 目标的边缘分布， 并且为所述新生目标指定存在概率， 再将新生目标的边缘分 布和存在概率分别扩展至前一时刻各目标的边缘分布和存在概率中， 得到前一 时刻目标的扩展边缘分布和扩展存在概率；
预测步骤、 根据前一时刻各个目标的扩展边缘分布和扩展存在概率， 使用 粒子方法预测前一时刻的各个目标在当前时刻的预测边缘分布和预测存在概率; 更新步骤、 根据前一时刻的各目标在当前时刻的预测边缘分布和预测存在 概率， 以及当前时刻的测量数据， 利用粒子滤波方法确定前一时刻的各个目标 在当前时刻的更新边缘分布和更新存在概率；
提取步骤、 将前一时刻的各个目标在当前时刻的预测边缘分布和预测存在
Figure imgf000003_0001
缘分布和存在概率， 其中 / = 1, ， index = arg max pi c Mk； 从各个目标在当前时 替换页 (细则第 26条) 刻的边缘分布和存在概率中将存在概率小于第一阈值的边缘分布和存在概率裁 减掉;传递裁减后余下的各目标在当前时刻的边缘分布和存在概率至下一时刻， 作为下一时刻目标跟踪过程的输入； 从裁减后余下的各目标在当前时刻的边缘 分布中提取存在概率大于第二阈值的边缘分布作为当前时刻目标跟踪过程的输 出。
为解决上述技术问题,本发明实施例第二方面提供了一种多目标跟踪系统， 所述系统包括：
新生目标生成与扩展模块， 用于由前一时刻的测量数据生成前一时刻新生 目标的边缘分布， 并且为所述新生目标指定存在概率， 再将新生目标的边缘分 布和存在概率分别扩展至前一时刻各目标的边缘分布和存在概率中， 得到前一 时刻目标的扩展边缘分布和扩展存在概率；
预测模块， 用于根据前一时刻各个目标的扩展边缘分布和扩展存在概率， 使用粒子方法预测前一时刻的各个目标在当前时刻的预测边缘分布和预测存在 概率；
更新模块， 用于根据前一时刻的各目标在当前时刻的预测边缘分布和预测 存在概率， 以及当前时刻的测量数据， 利用粒子滤波方法确定前一时刻的各个 目标在当前时刻的更新边缘分布和更新存在概率；
提取模块， 用于将前一时刻的各个目标在当前时刻的预测边缘分布和预测
Figure imgf000004_0001
i = \”..，Nk—'， index = arg max pi c Ak； 从各个目标在当前时刻的边缘分布和存在概率 中将存在概率小于第一阈值的边缘分布和存在概率裁减掉； 传递裁减后余下的 各目标在当前时刻的边缘分布和存在概率至下一时刻， 作为下一时刻目标跟踪 过程的输入； 从裁减后余下的各目标在当前时刻的边缘分布中提取存在概率大 于第二阈值的边缘分布作为当前时刻目标跟踪过程的输出。 有益效果
本发明与现有技术相比， 有益效果在于：
本发明提供的一种多目标跟踪方法和系统， 本发明中利用了基于粒子边缘 分布的贝叶斯滤波方法，通过新生目标生成与扩展、预测、更新、提取等步骤，
2
替换页 (细则第 26条) 利用粒子采样技术有效地解决了非线性非高斯系统中的多目标跟踪问题， 本发 明可用于多目标跟踪领域， 具有很强的实用性。 附图说明
图 1为本发明第一实施例提供的一种多目标跟踪方法的方法流程图； 图 2为本发明第二实施例提供的一种多目标跟踪系统的系统结构图； 图 3为本发明第三实施例中利用传感器在 70个扫描周期内扫描得到的测量 数据的示意图；
图 4为利用现有的基于无迹变换的多目标高斯混合粒子 PHD滤波方法， 对 图 3的测量数据进行处理， 得到各目标的位置估计及真实轨迹的示意图；
图 5为利用本发明第一实施例提供的多目标跟踪方法， 对图 3中的测量数 据进行处理， 得到各目标的位置估计及真实轨迹的示意图；
图 6为利用现有技术中的基于无迹变换的多目标高斯混合粒子 PHD滤波方 法以及本发明第一实施例中的多目标跟踪方法， 分别经过 100次实验得到的平 均 OSPA（ Optimal Subpattern Assignment,最优亚模式分配）距离的对比示意图。
本发明的实施方式
为使得本申请的发明目的、 特征、 优点能够更加的明显和易懂， 下面将结 合本申请实施例中的附图， 对本申请实施例中的技术方案进行清楚、 完整地描 述， 应当理解， 此处所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。 基于本申请中的实施例， 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， 都属于本申请保护的范围。
第一实施例
为了有效地解决了非线性非高斯系统中的多目标跟踪问题， 本申请第一实 施例提出一种多目标跟踪方法， 参见图 1， 该多目标跟踪方法包括：
步骤 101、 先由前一时刻的测量数据生成前一时刻新生目标的边缘分布， 并且为所述新生目标指定存在概率， 再将新生目标的边缘分布和存在概率分别 扩展至前一时刻各目标的边缘分布和存在概率中， 得到前一时刻目标的扩展边
Figure imgf000005_0001
的测量数据 _； （在极坐标下）的距离分量和方位角分量， c '为 A： - 1时刻的测量数
Figure imgf000005_0002
表示高斯分布， q 、 PKk-Ak-x， 分别表示 A： - 1时刻目标 /的边缘分布的状
3
替换页 （细则第 26条） 态向量、 均值和协方差， 表示 A -1时刻目标的总数， 状态向量由目标在直角 坐标系中的位置、 速度和转弯率构成；
本实施例中， 是通过传感器的扫描来获取测量数据， 在一个实施例中， 该 传感器具有扫描周期， 可选的， 该扫描周期的数值可以固定， 在不同的扫描周 期， 传感器会对其扫描空间进行扫描以获取测量数据， 可以理解的是， 在传感 器的扫描空间中不仅存在目标， 还可能存在障碍物， 目标和障碍物都可能会作 为被测量物体被传感器扫描到， 从而产生测量数据。 可选的， 本实施例中的前 一时刻可以理解为当前时刻之间的前一个扫描周期， 而当前时刻可以理解为当
Figure imgf000006_0002
本实施例中， 可选的， 目标的状态向量 JC由目标在直角坐标系中的位置、 速度、 转弯率构成， 表示为 x = [x x y y 0）f , 其中 ·和 j分别表示位置分量 （即 分别表示目标的位置在直角坐标系中的 x轴的分量和 y轴的分量）， i ·和 _）＞分别 表示速度分量 （即分别表示目标的速度在直角坐标系中的 x轴的分量和 y轴的 分量） ， 表示转弯率分量， 上标 T表示矩阵或向量的转置； 可选的， 在一个 示例中， 上述的极坐标以及直角坐标系的原点相同， 且 x轴的方向相同。
可选的， 步骤 101具体包括以下的步骤 a-C:
Figure imgf000006_0003
Figure imgf000006_0001
4
替换页 （细则第 26条）
Figure imgf000007_0001
步骤 102、 根据前一时刻各个目标的扩展边缘分布和扩展存在概率， 使用 粒子方法预测前一时刻的各个目标在当前时刻的预测边缘分布和预测存在概率; 可选的， 以 d表示一次抽取粒子的总数， /(·)表示系统模型；
可选的， 步骤 102包括以下的步骤 c-e:
步骤 C、 由 k-1时刻的目标 /的扩展边缘分布的均值 miM_Ak_x和协方差 PM_Ak_x ,
Figure imgf000007_0002
其中，
/ = \， ， Nk—'， a = l, ..., A , 利用所述系统模型 /(·)更新抽取到的粒子， 得到更新粒子
Figure imgf000007_0004
步骤 e、 通过所述更新粒子预测 A-l时刻的目标 /在 时刻的预测边缘分布
UX r,k \ yvk-l) = N{Xl k - ! , )和预测存在概率 An， 其中 m rMk-l = ^ IX !，
^ a=\
Figure imgf000007_0003
采样间隔， /V表示幸存概率； 本示例中， 幸存概率可以根据现有技术中的求解 方式得到， 本实施例对此没有限制。
步骤 103、 根据前一时刻的各目标在当前时刻的预测边缘分布和预测存在 概率， 以及当前时刻的测量数据， 利用粒子滤波方法确定前一时刻的各个目标 在当前时刻的更新边缘分布和更新存在概率；
5
替换页 (细则第 26条) 可选的， 以 C表示当前时刻的测量数据的总数， 当前时刻的测量数据集合
Figure imgf000008_0001
可选的， 步骤 103包括以下的步骤 f-h:
Figure imgf000008_0002
6
替换页 (细则第 26条)
Figure imgf000009_0001
Figure imgf000009_0002
步骤 h、 从两个重要性密度函数中分别抽取总数为 d的粒子并计算每个粒
Figure imgf000009_0003
Figure imgf000009_0004
t[^(^K；S+^a(^K；a]
a
m =\
i k\k A ， 目 标 /的更新边缘分布协方差为
IXU +O^)]
a=\
7
替换页 (细则第 26条)
Figure imgf000010_0003
步骤 104、 将前一时刻的各个目标在当前时刻的预测边缘分布和预测存在
Figure imgf000010_0001
缘分布和存在概率，
Figure imgf000010_0002
index = arg max pi c Mk； 从各个目标在当前时 刻的边缘分布和存在概率中将存在概率小于第一阈值的边缘分布和存在概率裁 减掉;传递裁减后余下的各目标在当前时刻的边缘分布和存在概率至下一时刻， 作为下一时刻目标跟踪过程的输入； 从裁减后余下的各目标在当前时刻的边缘 分布中提取存在概率大于第二阈值的边缘分布作为当前时刻目标跟踪过程的输 出。
根据步骤 104 , 传递裁减后余下的各目标在当前时刻的边缘分布和存在概 率至下一时刻， 作为下一时刻目标跟踪过程的输入， 可以理解为是将步骤 104 中裁减后余下的各目标在当前时刻（即 k 时刻）的边缘分布和存在概率作为 k+1 时刻的输入， 即作为在 k+1时刻步骤 101中使用的 “前一时刻各目标的边缘分 布和存在概率” 。 而在 k时刻的步骤 101中所使用的 “前一时刻各目标的边缘 分布和存在概率” 是指在 k-1时刻的步骤 104中 “裁减后余下的各目标在当前 时刻的边缘分布和存在概率” 。
其中， 从裁减后余下的各目标在当前时刻的边缘分布中提取存在概率大于 第二阈值的边缘分布作为当前时刻目标跟踪过程的输出， 该输出即为当前时刻 （即 k时刻） 的目标跟踪结果。
本申请实施例， 利用了基于粒子边缘分布的贝叶斯滤波方法， 通过新生目 标生成与扩展、 预测、 更新、 提取等步骤， 利用粒子采样技术有效地解决了非
8
替换页 （细则第 26条） 线性非高斯系统中的多目标跟踪问题， 可用于多目标跟踪领域， 具有很强的实 用性。
第二实施例
为了解决现有技术中存在的问题， 本申请第二实施例提供了一种多目标跟 踪系统， 如图 2所示， 该多目标跟踪系统包括：
新生目标生成与扩展模块 201, 用于由前一时刻的测量数据生成前一时刻 新生目标的边缘分布， 并且为所述新生目标指定存在概率， 再将新生目标的边 缘分布和存在概率分别扩展至前一时刻各目标的边缘分布和存在概率中， 得到 前一时刻目标的扩展边缘分布和扩展存在概率；
Figure imgf000011_0001
Figure imgf000011_0002
预测模块 202, 用于根据前一时刻各个目标的扩展边缘分布和扩展存在概 率， 使用粒子方法预测前一时刻的各个目标在当前时刻的预测边缘分布和预测 存在概率；
9
替换页 (细则第 26条) 可选的， 以 d表示一次抽取粒子的总数， /(·)表示系统模型；
Figure imgf000012_0002
Figure imgf000012_0001
标准差， ： T表示采样间隔， /^表示幸存概率;
更新模块 203, 用于根据前一时刻的各目标在当前时刻的预测边缘分布和 预测存在概率， 以及当前时刻的测量数据， 利用粒子滤波方法确定前一时刻的 各个目标在当前时刻的更新边缘分布和更新存在概率；
可选的， 以 C表示当前时刻测量数据的总数， 当前时刻的测量数据集合为
Figure imgf000012_0003
所述更新模块 203,具体用于由目标 /在所述当前时刻的所述预测边缘分布
10
替换页 (细则第 26条)
Figure imgf000013_0003
Figure imgf000013_0001
的维数， 2为尺度参数， 2为满足 /L + d/0的任意数值； 由所述采样点得到的第
Figure imgf000013_0004
滤波处理的过程为： 选取采
Figure imgf000013_0002
Figure imgf000013_0005
11
替换页 (细则第 26条)
Figure imgf000014_0001
提取模块 204 , 用于将前一时刻的各个目标在当前时刻的预测边缘分布和 预测存在概率分别扩展至各个目标在当前时刻的更新边缘分布和更新存在概率 中 ， 得 到 当 前 时 刻 各 个 目 标 的 扩 展 边 缘 分 布 为
12
替换页 (细则第 26条)
Figure imgf000015_0002
i = \ ， Nk—' , index = arg max pi c Mk； 从各个目标在当前时刻的边缘分布和存在概率 中将存在概率小于第一阈值的边缘分布和存在概率裁减掉； 传递裁减后余下的 各目标在当前时刻的边缘分布和存在概率至下一时刻， 作为下一时刻目标跟踪 过程的输入（也即为递裁减后余下的各目标在当前时刻的边缘分布和存在概率 至新生目标生成与扩展模块 201, 作为下一时刻目标跟踪过程中使用的前一时 刻的目标的边缘分布和存在概率） ； 从裁减后余下的各目标在当前时刻的边缘 分布中提取存在概率大于第二阈值的边缘分布作为当前时刻目标跟踪过程的输 出。
本申请实施例， 利用了基于粒子边缘分布的贝叶斯滤波方法， 通过新生目 标生成与扩展、 预测、 更新、 提取等步骤， 利用粒子采样技术有效地解决了非 线性非高斯系统中的多目标跟踪问题， 可用于多目标跟踪领域， 具有很强的实 用性。
第三实施例
在实施例一的多目标跟踪方法的基础上， 本实施例结合附图 3-6对二维空 间中的多目标跟踪方法进行示例说明， 本实施例中， 假设传感器为雷达， 但是 可以理解的是， 实际中传感器还可以是其它类型的传感器。
参见图 3-5 ,本实施例中的二维空间为［-20000）, 2000O）］x［-2000（＞）, 20000）］ , 本实施例根据第一实施例的多目标跟踪方法， 可以对空间中运动的目标进行跟 踪。 可选的， 二维空间中， 目标的状态向量由位置、 速度以及转弯率构成， 状 态向量表示为 x =［x x y y cdf , 其中;（·和 j分别表示目标在直角坐标系中的位置
Figure imgf000015_0003
Figure imgf000015_0001
（即第一实施例中的 k-1时刻）目标 /的状态向量， , 表 示当前时刻 （即第一实施例中的 k时刻） 目标 1的状态向量中的转弯率， T表示
13
替换页 （细则第 26条）
Figure imgf000016_0001
Figure imgf000016_0002
感器的扫描周期 r = is， 雷达坐标 5 = [xx ] r=[o -loomf 。
假设基于第一实施例的多目标跟踪方法的仿真实验中有 6个运动目标， 目 标 1和目标 2出现在 k = ls , 并且持续存在剩余的时间内， 目标 1和目标 2在 k=ls 的状态向量分别为 ' ! =[-1800(m);30(ms_1);-150(m);25(ms_1);-0.02(rads_1)]和
Figure imgf000016_0003
和' 5 =[-750(m);25(ms_1);-1700(m);30(ms_1);0.04(rads_1)] 目标 5 出现在 4 = 6 消失 在 k = 62 s ， 目 标 5 在 k=6s 的 状 态 向 量 为
14
替换页 (细则第 26条) x5,6 =[500 (m);30 (ms _1);-1500(m);30(ms_1); 0.03 (rads-1)] 目标 6 出现在 = 6s , 消失在 k = 52 s ， 目 标 6 在 k=6s 的 状 态 向 量 为 x66 = [750 (m);30 (ms_1);-1700 (m);30 (ms_1);0.03 (rads-1)]。
本实施例中， 利用雷达检测到的测量数据包含因为障碍物产生的杂波和噪 声， 一次实验中雷达在 70个扫描周期的仿真测量数据如图 3所示。 图 3中的仿 真测量数据可以认为是 70个周期内雷达的测量数据
为了处理仿真数据， 将现有技术中的基于无迹变换的多目标高斯混合粒子 PHD滤波器与本申请第一实施例中的多目标跟中方法中的相关参数设置为幸存 概率; ^=1.0、 检测概率/^ =0.9、 杂波密度/^ =2.12x10^ m- 2、 过程噪声标准 差 <rv =lms_2 和 (J/O.lrad/s2 测量噪声 标准差 arl =\.5m ar2=33m
(7gi = 0.003(w rat/)- 1和 o^2 = 0.01(w rad)—' 闪烁率 f = 0.96 采样间隔 = 1 s 第一阈 值为 10_4、 第二阈值为 0.5以及粒子数 d = 100 , 并且设置无迹变换的多目标高斯 混合粒子 PHD 滤波器的新生目标权重 = 0.01 , 本申请中新生目标的存在概率 pr = 0.0\和新生目标的协方差 = (diag ([50,25,50,25,0. l]))\
图 4为利用现有的基于无迹变换的多目标高斯混合粒子 PHD滤波器对图 3 中的仿真测量数据处理得到的结果图。 图 4中的位置估计连成的轨迹是利用基 于无迹变换的多目标高斯混合粒子 PHD滤波器得到的多目标跟踪结果。
图 5为利用第一实施例的多目标跟踪方法， 对图 3中的仿真测量数据处理 后得到的结果图。 图 5中的位置估计连成的轨迹是利用基于第一实施例的多目 标跟中方法得到的多目标跟踪结果。
图 6为利用现有的基于无迹变换的多目标高斯混合粒子 PHD滤波器与本申 请第一实施例的多目标跟踪方法分别进行 100次 Monte Carlo 实验得到的平均 OSPA距离的对比示意图。 ，现有的基于无迹变换的多目标高斯混合粒子 PHD滤 波器与本发明的实验结果比较表明， 在闪烁噪声模型、 杂波干扰、 目标数不确 定以及检测不确定下，本发明的方法可以获得更为精确和可靠的目标状态估计， 其 OSPA距离比现有的基于无迹变换的多目标高斯混合粒子 PHD滤波器得到的 OSPA距离要小。
以上所述仅为本发明的较佳实施例而已， 并不用以限制发明， 凡在本发明 的精神和原则之内所作的任何修改、 等同替换和改进等， 均应包含在本发明的 保护范围之内。
15
替换页 (细则第 26条)

Claims

权利要求书
1.一种多目标跟踪方法， 其特征在于， 所述方法包括：
新生目标的生成与扩展步骤、 先由前一时刻的测量数据生成前一时刻新生 目标的边缘分布， 并且为所述新生目标指定存在概率， 再将新生目标的边缘分 布和存在概率分别扩展至前一时刻各目标的边缘分布和存在概率中， 得到前一 时刻目标的扩展边缘分布和扩展存在概率；
新生目标的生成与扩展步骤具体包括： 以 -1时刻表示前一时刻， A：时刻表
Figure imgf000018_0001
的状态向量、 均值和协方差， Arp表示 A -1时刻目标的总数， 所述的状态向量包 括目标在直角坐标系中的位置、 速度和转弯率；
Figure imgf000018_0002
预测步骤、 根据前一时刻各个目标的扩展边缘分布和扩展存在概率， 使用 粒子方法预测前一时刻的各个目标在当前时刻的预测边缘分布和预测存在概率; 所述预测步骤具体包括：以 d表示一次抽取粒子的总数， /(·)表示系统模型；
Figure imgf000018_0003
替换页 (细则第 26条) 新 抽 取 到 的 粒 子 ， 得 到 更 新 粒 子 ， 其 中
Figure imgf000019_0001
标准差， ： T表示采样间隔， /^表示幸存概率;
更新步骤、 根据前一时刻的各目标在当前时刻的预测边缘分布和预测存在 概率， 以及当前时刻的测量数据， 利用粒子滤波方法确定前一时刻的各个目标 在当前时刻的更新边缘分布和更新存在概率；
所述更新步骤具体包括： 以 C表示当前时刻测量数据的总数， 当前时刻的
Figure imgf000019_0002
Figure imgf000019_0003
17
替换页 （细则第 26条） 波处理的过程包括： 选取采样点 x[iMk-x = miMk-x ,
Figure imgf000020_0001
Figure imgf000020_0002
Figure imgf000020_0003
18
替换页 (细则第 26条)
Figure imgf000021_0002
提取步骤、 将前一时刻的各个目标在当前时刻的预测边缘分布和预测存在
Figure imgf000021_0001
19
替换页 (细则第 26条) 的扩展存在概率中提取最大存在概率 =/?;:分别作为目标 /在当前时刻的边 缘分布和存在概率，
Figure imgf000022_0001
index = arg max pi c Mk； 从各个目标在当前时 刻的边缘分布和存在概率中将存在概率小于第一阈值的边缘分布和存在概率裁 减掉;传递裁减后余下的各目标在当前时刻的边缘分布和存在概率至下一时刻， 作为下一时刻目标跟踪过程的输入； 从裁减后余下的各目标在当前时刻的边缘 分布中提取存在概率大于第二阈值的边缘分布作为当前时刻目标跟踪过程的输 出。
2.—种多目标跟踪系统， 其特征在于， 所述系统包括：
新生目标生成与扩展模块， 用于由前一时刻的测量数据生成前一时刻新生 目标的边缘分布， 并且为所述新生目标指定存在概率， 再将新生目标的边缘分
Figure imgf000022_0002
Figure imgf000022_0003
20
替换页 (细则第 26条) 为 1 = (〆；
预测模块， 用于根据前一时刻各个目标的扩展边缘分布和扩展存在概率， 使用粒子方法预测前一时刻的各个目标在当前时刻的预测边缘分布和预测存在 概率；
Figure imgf000023_0002
Figure imgf000023_0003
时刻目标 i的转弯率，通过所述更新粒子预测 ^-1时刻的目标 i在 k时刻的预测边
Figure imgf000023_0001
标准差， ： T表示采样间隔， /^表示幸存概率;
更新模块， 用于根据前一时刻的各目标在当前时刻的预测边缘分布和预测 存在概率， 以及当前时刻的测量数据， 利用粒子滤波方法确定前一时刻的各个 目标在当前时刻的更新边缘分布和更新存在概率；
具体的， 以 C表示当前时刻测量数据的总数， 当前时刻的测量数据集合为
Figure imgf000023_0004
21
替换页 (细则第 26条)
Figure imgf000024_0001
Figure imgf000024_0005
Figure imgf000024_0006
c，“.l - ) 1 <#，尸2:#)的均值
Figure imgf000024_0002
其中， 无迹卡尔曼 滤波处理的过程为： 选取采
Figure imgf000024_0003
Figure imgf000024_0004
22
替换页 (细则第 26条) 的维数， 2为尺度参数， 所述 2为满足 A + 的任意数值； 由所述采样点得到
2d
第 二 个 预 测 测 量 向 量 J2 c ,ain =YJ wiKx2 l,M^l） ， 其 中
=0
Figure imgf000025_0002
Figure imgf000025_0001
A
PD,kPi,k\k-\ 2 \-^l},kiy c,k)^~ ^2,i,k (jc.ir)]
的更新存在概 a二 i
率为 P;雄 N i ，其中， 儿， kk+P^YMk\k \ ^7 S ^\fk (yck ) + ^2 Ik (yck )])
z=l a=\
表示杂波密复， PD，k表示检测概率;
23
替换页 （细则第 26条） 提取模块， 用于将前一时刻的各个目标在当前时刻的预测边缘分布和预测
Figure imgf000026_0001
i = \， ， Nk—'， index = arg max pi c Mk； 从各个目标在当前时刻的边缘分布和存在概率 中将存在概率小于第一阈值的边缘分布和存在概率裁减掉； 传递裁减后余下的 各目标在当前时刻的边缘分布和存在概率至下一时刻， 作为下一时刻目标跟踪 过程的输入； 从裁减后余下的各目标在当前时刻的边缘分布中提取存在概率大 于第二阈值的边缘分布作为当前时刻目标跟踪过程的输出。
24
替换页 (细则第 26条)
PCT/CN2019/087202 2019-01-24 2019-05-16 一种多目标跟踪方法及系统 Ceased WO2020151135A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910066671.0 2019-01-24
CN201910066671.0A CN109800721B (zh) 2019-01-24 2019-01-24 一种多目标跟踪方法及系统

Publications (1)

Publication Number Publication Date
WO2020151135A1 true WO2020151135A1 (zh) 2020-07-30

Family

ID=66560165

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/087202 Ceased WO2020151135A1 (zh) 2019-01-24 2019-05-16 一种多目标跟踪方法及系统

Country Status (2)

Country Link
CN (1) CN109800721B (zh)
WO (1) WO2020151135A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116068547A (zh) * 2023-01-13 2023-05-05 河海大学 特征辅助时间匹配phd的雷达非线性多目标跟踪方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883331B (zh) * 2021-02-24 2024-03-01 东南大学 一种基于多输出高斯过程的目标跟踪方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6226409B1 (en) * 1998-11-03 2001-05-01 Compaq Computer Corporation Multiple mode probability density estimation with application to sequential markovian decision processes
CN103390107A (zh) * 2013-07-24 2013-11-13 深圳大学 一种基于狄拉克加权和的目标跟踪方法与目标跟踪系统
CN105719312A (zh) * 2016-01-19 2016-06-29 深圳大学 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统
CN106405538A (zh) * 2016-09-13 2017-02-15 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
CN106772353A (zh) * 2016-11-29 2017-05-31 深圳大学 一种适用于闪烁噪声的多目标跟踪方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005165688A (ja) * 2003-12-02 2005-06-23 Fuji Xerox Co Ltd 複数対象物追跡方法及びシステム
CN102184541B (zh) * 2011-05-04 2012-09-05 西安电子科技大学 多目标优化人体运动跟踪方法
CN104050686B (zh) * 2014-06-24 2017-12-26 重庆硕奥科技有限公司 一种密集空间目标跟踪方法
CN104318059B (zh) * 2014-09-24 2018-02-02 深圳大学 用于非线性高斯系统的目标跟踪方法和跟踪系统
AU2014240213B2 (en) * 2014-09-30 2016-12-08 Canon Kabushiki Kaisha System and Method for object re-identification
CN106952290B (zh) * 2017-04-07 2019-05-10 深圳大学 一种用于三维空间跟踪转弯机动目标的方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6226409B1 (en) * 1998-11-03 2001-05-01 Compaq Computer Corporation Multiple mode probability density estimation with application to sequential markovian decision processes
CN103390107A (zh) * 2013-07-24 2013-11-13 深圳大学 一种基于狄拉克加权和的目标跟踪方法与目标跟踪系统
CN105719312A (zh) * 2016-01-19 2016-06-29 深圳大学 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统
CN106405538A (zh) * 2016-09-13 2017-02-15 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
CN106772353A (zh) * 2016-11-29 2017-05-31 深圳大学 一种适用于闪烁噪声的多目标跟踪方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FAN, EN; XIE, WEIXIN; LIU, ZONGXIANG; CHEN, FEI; LI, LIJUAN: "Multiple Target Tracking in Sensor Network Based on Fuzzy Information Processing", COMMAND INFORMATION SYSTEM AND TECHNOLOGY, vol. 5, no. 6, 31 December 2014 (2014-12-31), CN, pages 15 - 21,77, XP009522363, ISSN: 1674-909X, DOI: 10.15908/j.cnki.cist.2014.06.003 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116068547A (zh) * 2023-01-13 2023-05-05 河海大学 特征辅助时间匹配phd的雷达非线性多目标跟踪方法

Also Published As

Publication number Publication date
CN109800721B (zh) 2020-10-23
CN109800721A (zh) 2019-05-24

Similar Documents

Publication Publication Date Title
Bilik et al. Maneuvering target tracking in the presence of glint using the nonlinear Gaussian mixture Kalman filter
CN106842165B (zh) 一种基于不同距离角度分辨率雷达集中式异步融合方法
CN108802722B (zh) 一种基于虚拟谱的弱目标检测前跟踪方法
CN109633599B (zh) 一种机载预警雷达多目标跟踪方法
CN110231620B (zh) 一种噪声相关系统跟踪滤波方法
CN110376582B (zh) 自适应gm-phd的机动目标跟踪方法
Taghavi et al. Multisensor-multitarget bearing-only sensor registration
CN106405510B (zh) 一种基于伪滑窗l判决准则的航迹删除方法
CN106405538B (zh) 一种适用于杂波环境的多目标跟踪方法及跟踪系统
JP4116898B2 (ja) 目標追尾装置
WO2018049602A1 (zh) 一种适用于杂波环境的多目标跟踪方法及跟踪系统
Guo et al. Passive tracking in heavy clutter with sensor location uncertainty
Wang et al. Laplace ℓ 1 robust Kalman filter based on majorization minimization
WO2018010099A1 (zh) 一种用于跟踪转弯机动目标的方法及其系统
WO2020151135A1 (zh) 一种多目标跟踪方法及系统
CN106952290B (zh) 一种用于三维空间跟踪转弯机动目标的方法及系统
CN105301593B (zh) 一种基于双频rcs信息融合的飞行目标高度估计方法
Sithiravel et al. Multiple model spline probability hypothesis density filter
CN107783111A (zh) 一种基于最大熵准则的雷达前视超分辨成像方法
CN108983190A (zh) 基于干涉相位获取转动目标不同散射中心微动轨迹的方法
CN116520310B (zh) 一种多普勒盲区下的机动多目标跟踪方法
Tan et al. Joint range ambiguity resolving and multiple maneuvering targets tracking in clutter via MMPHDF-DA
Fu et al. Multiple hypothesis tracking based on the Shiryayev sequential probability ratio test
Liu et al. The sequential Monte Carlo multi-Bernoulli filter for extended targets
CN110673132B (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

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19911038

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19911038

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 09.11.2021)

122 Ep: pct application non-entry in european phase

Ref document number: 19911038

Country of ref document: EP

Kind code of ref document: A1