CN108344981B - 面向杂波的多传感器异步检测tsbf多目标跟踪方法 - Google Patents

Abstract

本发明公开了一种面向杂波的多传感器异步检测TSBF多目标跟踪方法，本发明针对杂波环境下的异步多传感器数据融合多目标跟踪问题提出了一套较完整的处理方法流程，最主要的是构建了一种多传感器多级式融合结构和提出了基于传感器量测信息的时间配准方法。本发明配置结构明了，计算量小，可广泛应用于多目标跟踪领域。

Description

面向杂波的多传感器异步检测TSBF多目标跟踪方法

技术领域

本发明属于多传感器多目标跟踪领域，涉及一种多传感器异步检测多目标跟踪方法，用于解决杂波环境下的多目标跟踪问题，提高对监测空间中未知目标的跟踪质量，对多目标跟踪技术的工程应用提供参考。

背景技术

多传感器多目标跟踪是一类在技术实现上相当复杂的问题，多传感器多目标跟踪过程主要包括目标状态估计和数据融合两个方面。传统的多目标跟踪方法主要包括航迹起始与终结、数据关联、跟踪维持等内容，其中数据关联和跟踪算法是两个最重要的问题，代表算法如联合概率数据关联算法(Joint Probability Data Association,JPDA)、多假设跟踪算法(Multiple Hypothesis Tracking,MHT)以及最近邻算法等。在一些简单情况下，例如杂波和漏检较少时，基于数据关联的多目标跟踪方法效果较好且易于工程应用。但是当面对一些复杂环境，例如强杂波和低检测率，或者在目标较多的情况下，会面临数据关联的组合***问题，且易造成错误的数据关联，导致跟踪效果退化。Mahler于2003年提出了随机有限集(Random Finite Set,RFS)理论，随后在贝叶斯随机有限集框架基础上提出了多目标跟踪概率假设密度(Probability Hypothesis Density Filter,PHD)滤波算法，该算法利用一阶统计矩近似多目标后验概率密度函数，对其积分后得到多目标强度；同时PHD以最小损失将多目标信息状态集合的后验PHD投影在单目标状态空间上，避免了多目标贝叶斯滤波器在随机有限集空间上进行递推，通过对探测区域内的PHD积分即可获取区域内目标的期望数，而对应的PHD峰值即为目标状态。PHD滤波算法使计算复杂度大大降低，并有效避免了数据关联问题，为多目标跟踪问题提供了一种新的处理方法。

数据融合是针对使用多个或者多类传感器***这一特定问题的一种信息处理方法，这种方法是对多源数据进行检测、结合、相关、估计和组合以达到精确的状态信息估计，以及完整、及时的态势评估和威胁估计。数据融合是一个在多个级别上对传感器数据进行综合处理的过程，多传感器可提供关于目标有用的冗余信息，采用基于PHD滤波算法的多传感器多目标跟踪方法可以得到关于目标估计描述的统一形式，可以提供不同的数据融合层级。

在多目标跟踪多传感器动态***中，多传感器的融合算法通常都是基于各传感器同步数据进行融合的，但在实际应用中，由于传感器种类和任务不同，各传感器的同步假设很难被保证，这在自然界和工程实践中也是普遍存在的。在传感器***的运行中，数据同步一直是一项比较困难的问题，如果要实现数据同步，需要正确处理时间配准关系。然而在杂波环境下，并没有特定的一种融合算法能解决多传感器间数据融合结果的最优效果，因此提出一种杂波环境下的多传感器多级融合多目标跟踪方法，达到有效且高精度的跟踪效果。

发明内容

针对密集杂波环境下，常规的点迹融合算法具有的局限性限制了跟踪效果的提高。本发明提出了一种多传感器异步检测多目标跟踪方法，该方法可以提高在密集杂波环境下多传感器对监测区域内目标的估计精度，维持跟踪过程。为了达到上述目的，本发明采用技术方案如下：

(1)构建多传感器多目标跟踪场景，并对目标的运动模型进行初始化。主要包括目标运动的相关参数设置和监测的杂波环境参数设置；

(2)构造了一种多传感器异步检测多目标跟踪框架，框架中设置有m个传感器对目标进行信息采集；所有的传感器类型相同，传感器的测量为目标的位置信息，每个传感器依据上一周期的历史估计信息和自身的量测作为下一周期的输入，首先对各传感器的量测进行时间同步操作，其次每个传感器上分别应用高斯混合PHD滤波算法对历史估计信息和自身获得的测量值进行滤波估计得到后验PHD估计；之后传感器1和传感器2进行数据关联和融合工作，并进行枝剪与状态输出，再多目标状态提取，得到一级PHD估计；传感器3再与一级PHD估计结果进行数据关联和融合操作，，并进行枝剪与状态输出，再多目标状态提取，得到二级PHD估计，以此类推，直至所有传感器融合完毕，最后输出全局PHD估计；将最后输出全局PHD估计信息返回至每个传感器，用于下一时刻的传感器的预测估计过程。

本发明的有益效果：针对杂波环境下的异步多传感器数据融合多目标跟踪问题提出了一套较完整的处理方法流程，最主要的是构建了一种多传感器多级式融合结构和提出了基于传感器量测信息的时间配准方法。本发明配置结构明了，计算量小，可广泛应用于多目标跟踪领域。

附图说明

图1是多传感器异步检测多目标跟踪框架图；

图2是本发明方法与单传感器算法OSPA比较图。

具体实施方式

以下结合技术方案和附图，详细叙述本发明的具体实施方式。

(1)构建多传感器多目标跟踪场景，并对目标的运动模型进行初始化。传感器的量测可能来自目标，也可能来自杂波。

如果量测信息来自目标，则构建目标的运动模型、传感器的量测模型和杂波模型，并对它们进行初始化。

式中，k代表离散时间变量，i(i＝1,2,…,N)表示目标的序列，j(j＝1,2,…,m)表示传感器的序列。ω_k表示均值为零、方差为Q_k的高斯白噪声，υ_k表示均值为零、方差为

的测量高斯白噪声，且各时刻的过程噪声和测量噪声相互独立。映射f_k|k-1表示第i个目标从k-1时刻到k时刻状态转移的状态转移方程，映射h_k表示第j个传感器在k时刻对目标状态的观测方程。

表示第i个目标在k时刻的状态变量，

其中(x_i,k,y_i,k)为k时刻第i个目标在监测空间S中的位置分量，

为k时刻第i个目标在监测空间中的速度分量；

表示时刻传感器j的输出量测，k时刻传感器j的观测集合为

累积观测集合为

m个传感器累积到k时刻的观测集合为

传感器j在k时刻对被跟踪目标的探测概率为

其中j＝1,2,…,m。

如果两侧信息来自杂波，则构建杂波模型如下：

式中，n_k为k时刻监测空域内的杂波个数，假设杂波数量服从强度为λ泊松分布，y_l为第l个杂波的位置状态，Ψ(x)为监测空间的体积。

(2)构建多传感器异步检测多目标跟踪框架。

如图1所示，本发明构造了一种多传感器异步检测多目标跟踪框架，框架中设置有m个传感器对目标进行信息采集。所有的传感器类型相同，传感器的测量为目标的位置信息，每个传感器依据上一周期的历史估计信息和自身的量测作为下一周期的输入，首先对各传感器的量测进行时间同步操作，其次每个传感器上分别应用高斯混合PHD滤波算法对历史估计信息和自身获得的测量值进行滤波估计得到后验PHD估计；之后传感器1和传感器2进行数据关联和融合工作，并进行枝剪与状态输出，再多目标状态提取，得到一级PHD估计；传感器3再与一级PHD估计结果进行数据关联和融合操作，，并进行枝剪与状态输出，再多目标状态提取，得到二级PHD估计，以此类推，直至所有传感器融合完毕，最后输出全局PHD估计；将最后输出全局PHD估计信息返回至每个传感器，用于下一时刻的传感器的预测估计过程；

(2)-1、将融合周期内的量测数据同步至同一时刻。

假定在第k个周期内，监测空间内m个传感器共得到了N_k个量测。假设传感器j的采样时刻与融合时刻之间的时间间隔为

则k时刻目标的状态x_k可重新表示为：

由k时刻某目标状态可回推得到

时刻该目标状态

可表示为：

假设传感器的在k时刻对某目标的量测为z_k，则可得

时刻量测

表示如下：

定义

则传感器的量测可简化为：

时间回推后的状态模型和量测模型为：

若定义

则重新定义过的状态模型和量测模型为：

(2)-2、在传感器的量测信息同步至同一时刻后，每个传感器上分别应用高斯混合PHD滤波算法对历史估计信息和自身获得的测量值进行滤波估计。

高斯混合PHD滤波算法具体过程如下：

1)预测多目标强度

已知k-1时刻多目标的后验强度的高斯混合为：

式中x为目标状态空间内的任意值，J_k-1表示第k-1时刻后验强度的高斯分量个数，

和

分别为第i个分量的权重、均值和协方差。则第k时刻预测强度的高斯混合为：

式中新生目标RFS的强度函数γ_k(x)同为高斯混合，如下：

式中J_γ，k为新生分量的个数，

和

分别为第i个新生分量的权重、均值和协方差。已知目标运动模型为线性高斯模型，可得，

则预测强度为：

式中：

J_k|k-1＝J_k-1+J_γ,k

2)更新多目标强度

得到k时刻多目标PHD的预测后，由下式对PHD进行更新。

式中对单个高斯分量使用了卡尔曼滤波的更新方程。具体步骤如下：

3)修剪合并高斯分量

在不考虑衍生目标情况下，第k时刻表示后验强度的高斯分量个数为：

J_k＝(J_k-1+J_γ,k)(1+M_k)＝O(J_k-1M_k)

该个数将随时间增长，导致计算耗时大幅增加。为了控制计算耗时，需要进行高斯分量的低权重修剪和邻近合并。修剪后保留的高斯分量为权重大于所设阈值T_p的分量，即：

合并时，假设两高斯分量均值分别为

和

合并阈值为T_m，记权重较大的高斯分量的协方差为P_m。则满足如下条件时进行合并：

式中修剪阈值T_p根据高斯分量的权重分布确定，通常设置为0＜T_p＜＜1；合并阈值T_m根据高斯分量的簇拥程度确定。合并而成的高斯分量的权重、均值和

协方差如下：

最后限制高斯分量的最大个数J_max，删除权重较小的分量使得J_k≤J_max。得到k时刻后验强度的高斯混合

(2)-3、数据关联。

假设存在传感器S₁和传感器S₂，两传感器利用PHD滤波算法对共同探测区域进行滤波后产生的粒子集用集合表示为

和

现定义测量模型来判断两传感器输出粒子的关联算法，并设定关联波门λ₀的大小。

现设定关联算法：

1)在融合方法中，将与被跟踪目标预测位置最近的量测作为与目标关联的回波信号，比较每个传感器得到的状态间距离进行关联；

2)在同一时刻，单个传感器针对同一个被跟踪目标最多只能得到一个状态估计；

3)可能存在同一个被跟踪目标在同一时刻与多个传感器的状态估计信息同时关联成功，针对此种现象，取距离最近的目标作为关联对象；

4)对于无法关联的状态信息予以保留。

假设传感器滤波后的输出为

其中状态变量

则定义关联距离为：

在融合步，假设传感器S_j(j＝1,2,…,m)在k时刻对于同一目标波后按上述关联配对方法关联后的配对集为：

{(ω₁,x₁,P₁),(ω₂,x₂,P₂),…,(ω_m,x_m,P_m)}

(2)-4、数据融合

假如有m个传感器对监测空间中的目标进行跟踪，且各传感器之间的估计误差互不相关。利用凸组合算法对各传感器的滤波结果进行融合。假设状态估计融合后对目标的状态估计为

估计方差为P_fusion，则融合结果为：

式中，

为传感器j对目标的状态估计，P^j为估计协方差。

(2)-5、枝剪与状态输出。

在不考虑衍生目标情况下，第k时刻表示后验强度的高斯分量个数为^]：

J_k＝(J_k-1+J_γ,k)(1+M_k)＝O(J_k-1M_k)

该个数将随时间增长，导致计算耗时大幅增加。为了控制计算耗时，需要进行高斯分量的低权重修剪和邻近合并。修剪后保留的高斯分量为权重大于所设阈值T_p的分量，即

合并时，假设两高斯分量均值分别为

和

合并阈值为T_m，记权重较大的高斯分量的协方差为P_m。则满足如下条件时进行合并：

式中修剪阈值T_p根据高斯分量的权重分布确定，通常设置为0＜T_p＜＜1；合并阈值T_m根据高斯分量的簇拥程度确定。合并而成的高斯分量的权重、均值和协方差如下：

最后限制高斯分量的最大个数J_max，删除权重较小的分量使得J_k≤J_max。得到k时刻后验强度的高斯混合

(2)-6、多目标状态提取。

目标个数估计

round(·)表示四舍五入。目标状态估计为前

个权重最大的高斯分量对应的均值。

Claims (1)

1.面向杂波的多传感器异步检测多目标跟踪方法，其特征在于，该方法具体包括以下步骤：

(1)构建多传感器多目标跟踪场景，并对目标的运动模型进行初始化；传感器的量测可能来自目标，也可能来自杂波；

如果量测信息来自目标，则构建目标的运动模型、传感器的量测模型和杂波模型，并对它们进行初始化；

式中，k代表离散时间变量，i表示目标的序列，i＝1,2,···,N，j表示传感器的序列，j＝1,2,···,m；ω_k|k-1表示均值为零、方差为Q_k-1的高斯白噪声，υ_k表示均值为零、方差为

的测量高斯白噪声，且各时刻的过程噪声和测量噪声相互独立；映射f_k|k-1表示第i个目标从k-1时刻到k时刻状态转移的状态转移方程，映射h_k表示第j个传感器在k时刻对目标状态的观测方程；

表示第i个目标在k时刻的状态变量，

其中(x_i,k,y_i,k)为k时刻第i个目标在监测空间S中的位置分量，

为k时刻第i个目标在监测空间中的速度分量；

表示k时刻传感器j的输出量测，k时刻传感器j的观测集合为

累积观测集合为

m个传感器累积到k时刻的观测集合为

传感器j在k时刻对被跟踪目标的探测概率为

其中j＝1,2,···,m；

如果两侧信息来自杂波，则构建杂波模型如下：

式中，n_k为k时刻监测空域内的杂波个数，假设杂波数量服从强度为λ泊松分布，y_l为第l个杂波的位置状态，Ψ(x)为监测空间的体积；

(2)构建多传感器异步检测多目标跟踪框架；

构造了一种多传感器异步检测多目标跟踪框架，框架中设置有m个传感器对目标进行信息采集；所有的传感器类型相同，传感器的测量为目标的位置信息，每个传感器依据上一周期的历史估计信息和自身的量测作为下一周期的输入，首先对各传感器的量测进行时间同步操作，其次每个传感器上分别应用高斯混合PHD滤波算法对历史估计信息和自身获得的测量值进行滤波估计得到后验PHD估计；之后第一传感器和第二传感器进行数据关联和融合工作，并进行枝剪与状态输出，再进行多目标状态提取，得到一级PHD估计；第三传感器再与一级PHD估计结果进行数据关联和融合操作，并进行枝剪与状态输出，再进行多目标状态提取，得到二级PHD估计，以此类推，直至所有传感器融合完毕，最后输出全局PHD估计；将最后输出全局PHD估计信息返回至每个传感器，用于下一时刻的传感器的预测估计过程；

(2)-1、对各传感器的量测进行时间同步操作；

假定在第k个周期内，监测空间内m个传感器共得到了N_k个量测；假设传感器j的采样时刻与融合时刻之间的时间间隔为

则k时刻目标的状态x_k可重新表示为：

由k时刻某目标状态可回推得到

时刻该目标状态

可表示为：

假设传感器的在k时刻对某目标的量测为z_k，则可得

时刻量测

表示如下：

定义

则传感器的量测可简化为：

时间回推后的状态模型和量测模型为：

若定义

则重新定义过的状态模型和量测模型为：

(2)-2、在传感器的量测信息同步至同一时刻后，每个传感器上分别应用高斯混合PHD滤波算法对历史估计信息和自身获得的测量值进行滤波估计；

高斯混合PHD滤波算法具体过程如下：

1)预测多目标强度

已知k-1时刻多目标的后验强度的高斯混合为：

式中x为目标状态空间内的任意值，J_k-1表示第k-1时刻后验强度的高斯分量个数，

和

分别为第i个分量的权重、均值和协方差；则第k时刻预测强度的高斯混合为：

式中新生目标RFS的强度函数γ_k(x)同为高斯混合，如下：

式中J_γ，k为新生分量的个数，

和

分别为第i个新生分量的权重、均值和协方差；已知目标运动模型为线性高斯模型，可得，

则预测强度为：

式中：

J_k|k-1＝J_k-1+J_γ,k

2)更新多目标强度

得到k时刻多目标PHD的预测后，由下式对PHD进行更新；

式中对单个高斯分量使用了卡尔曼滤波的更新方程；具体步骤如下：

3)修剪合并高斯分量

在不考虑衍生目标情况下，第k时刻表示后验强度的高斯分量个数为：

J_k＝(J_k-1+J_γ,k)(1+M_k)＝O(J_k-1M_k)

该个数将随时间增长，导致计算耗时大幅增加；为了控制计算耗时，需要进行高斯分量的低权重修剪和邻近合并；修剪后保留的高斯分量为权重大于所设阈值T_p的分量，即：

合并时，假设两高斯分量均值分别为

和

合并阈值为T_m，记权重较大的高斯分量的协方差为P_m；则满足如下条件时进行合并：

式中修剪阈值T_p根据高斯分量的权重分布确定，通常设置为0＜T_p＜＜1；合并阈值T_m根据高斯分量的簇拥程度确定；合并而成的高斯分量的权重、均值和协方差如下：

最后限制高斯分量的最大个数J_max，删除权重较小的分量使得J_k≤J_max；得到k时刻后验强度的高斯混合

(2)-3、数据关联；

假设存在传感器S₁和传感器S₂，两传感器利用PHD滤波算法对共同探测区域进行滤波后产生的粒子集用集合表示为

和

现定义测量模型来判断两传感器输出粒子的关联算法，并设定关联波门λ₀的大小；

现设定关联算法：

1)在融合方法中，将与被跟踪目标预测位置最近的量测作为与目标关联的回波信号，比较每个传感器得到的状态间距离进行关联；

2)在同一时刻，单个传感器针对同一个被跟踪目标最多只能得到一个状态估计；

3)可能存在同一个被跟踪目标在同一时刻与多个传感器的状态估计信息同时关联成功，针对此种现象，取距离最近的目标作为关联对象；

4)对于无法关联的状态信息予以保留；

假设传感器滤波后的输出为

其中状态变量

则定义关联距离为：

在融合步，假设传感器S_j(j＝1,2,…,m)在k时刻对于同一目标波后按上述关联配对方法关联后的配对集为：

{(ω₁,x₁,P₁),(ω₂,x₂,P₂),…,(ω_m,x_m,P_m)}

(2)-4、数据融合

假如有m个传感器对监测空间中的目标进行跟踪，且各传感器之间的估计误差互不相关；利用凸组合算法对各传感器的滤波结果进行融合；假设状态估计融合后对目标的状态估计为

估计方差为P_fusion，则融合结果为：

式中，

为传感器j对目标的状态估计，P^j为估计协方差；

(2)-5、枝剪与状态输出；

在不考虑衍生目标情况下，第k时刻表示后验强度的高斯分量个数为]：

J_k＝(J_k-1+J_γ,k)(1+M_k)＝O(J_k-1M_k)

该个数将随时间增长，导致计算耗时大幅增加；为了控制计算耗时，需要进行高斯分量的低权重修剪和邻近合并；修剪后保留的高斯分量为权重大于所设阈值T_p的分量，即

合并时，假设两高斯分量均值分别为

和

合并阈值为T_m，记权重较大的高斯分量的协方差为P_m；则满足如下条件时进行合并：

式中修剪阈值T_p根据高斯分量的权重分布确定，通常设置为0＜T_p＜＜1；合并阈值T_m根据高斯分量的簇拥程度确定；合并而成的高斯分量的权重、均值和协方差如下：

最后限制高斯分量的最大个数J_max，删除权重较小的分量使得J_k≤J_max；得到k时刻后验强度的高斯混合

(2)-6、多目标状态提取；

目标个数估计

round(·)表示四舍五入；目标状态估计为前

个权重最大的高斯分量对应的均值。

Images