CN111504326B - 一种基于t分布的鲁棒glmb多目标跟踪方法 - Google Patents
一种基于t分布的鲁棒glmb多目标跟踪方法 Download PDFInfo
- Publication number
- CN111504326B CN111504326B CN202010360481.2A CN202010360481A CN111504326B CN 111504326 B CN111504326 B CN 111504326B CN 202010360481 A CN202010360481 A CN 202010360481A CN 111504326 B CN111504326 B CN 111504326B
- Authority
- CN
- China
- Prior art keywords
- target
- measurement
- glmb
- probability
- components
- 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 47
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 5
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000007796 conventional method Methods 0.000 description 14
- 238000000342 Monte Carlo simulation Methods 0.000 description 12
- 101001086191 Borrelia burgdorferi Outer surface protein A Proteins 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于T分布的鲁棒GLMB多目标跟踪方法,属于制导和智能信息处理技术领域,主要解决多目标的跟踪、航迹关联和状态估计问题。本发明方法在J‑GLMB跟踪算法框架下,假设目标状态服从T分布,采用TDVB滤波技术进行状态更新。本发明与传统方法相比,提高了非线性和强干扰场景下的多目标跟踪精度和鲁棒性,可以满足实际工程***的设计需求,具有良好的工程应用价值。
Description
技术领域
本发明属于智能信息处理技术领域,涉及多目标的跟踪、航迹关联和状态估计方法。具体地说是一种基于T分布和GLMB跟踪框架的的多目标跟踪技术,可用于雷达监测、计算机视觉、交通监控、细胞生物学、传感器网络和分布式估计等***中多目标的跟踪。
背景技术
联合广义标签多伯努利(J-GLMB)是近年来最前沿的多目标跟踪算法之一,采用高斯分布来更新目标状态,并建立数学模型建立目标航迹。然而,在非线性和强干扰场景下跟踪精确度下降,造成较大误差。
发明内容
针对上述问题,本发明基于T分布变分贝叶斯(TDVB)的鲁棒滤波技术,改进了J-GLMB跟踪框架的状态更新步骤,提出TDVB-J-GLMB算法。实现本发明的关键技术是:在J-GLMB跟踪算法框架下,假设目标状态服从T分布,采用TDVB滤波技术进行状态更新,提高了非线性场景下的跟踪精度和鲁棒性。
一种基于T分布的鲁棒GLMB多目标跟踪方法,包括如下步骤:
步骤1,令初始时刻k=0,初始化参数,得到初始分量集;
步骤2,当k≥1帧时,采用TDVB技术更新目标状态;
步骤3,生成量测标签关联概率矩阵η(h),通过吉布斯采样生成个量测分量γ(h,t);
步骤4,根据量测分量γ(h,t),更新初始分量,得到新的分量集;
步骤5,对得到的新的分量集剔除重复分量,并归一化权重,得到权重集;
步骤6,若下一帧观测信息到达,转到步骤2进行迭代;否则,跟踪过程结束。
进一步地,步骤1中,设初始分量集为其中I(h)为标签集,ω(h)为权重,p(h)为目标状态概率密度,H为分量数量;设定参数/>其中/>为标签l所对应的新生目标出生概率,/>为标签l所对应的目标状态概率密度,B+为新生目标标签集。
进一步地,步骤2中,目标状态概率密度表示为:
其中,St(·)为T分布,J(l)为混合概率密度的分量个数,为分量归一化的权重,/>为均值,/>为协方差,v为自由度。
进一步地,所述步骤2,具体包括如下分步骤:
步骤2-1,以下过程迭代Nite次,使得λk收敛:
其中,
步骤2-2,更新成分权重
其中,PD是目标检测概率,k(zk,l)为杂波强度,为量测似然;最后一次迭代得到的/>与/>为最终参数,进而更新目标状态概率密度,得到p(h)(·,l):
进一步地,所述步骤3中包括如下分步骤:
步骤3-1,生成量测标签关联概率矩阵η(h):
其中,
其中,
其中,Ps(·,l+)为标签l+存活概率,PD,+(·,l+)为检测概率f+(x+|·,l+)为状态转移函数,g+(·|·)为量测的似然函数;
步骤3-2,随机生成量测分量γ(h,1);
步骤3-3,对于第t个量测分量的第n个标签,生成其对应第j个量测的采样后概率
步骤3-4,存储采样后数组的所有类别,并生成量测分量γ(h,t):
γ(h,t):=[γ(h,t),γn (h,t)]
步骤3-5,剔除重复分量,生成量测分量集
其中,Unique返回中的值,没有重复元素。产生的结果向量按升序排序,T(h)为分量个数。
进一步地,所述步骤4中包括如下分步骤:
步骤4-1,根据量测分量γ(h,t)与标签集I(h),得到新的标签集
步骤4-2,根据量测分量γ(h,t)与权重ω(h),得到新的权重ω+ (h,t):
步骤4-3,根据量测分量γ(h,t)与概率密度p(h),得到新的目标状态概率密度p+ (h,t):
进一步地,所述步骤5中包括如下分步骤:
步骤5-1,剔除重复成分,提取得到
其中,[Uh,t]为中的分量在/>的位置;
步骤5-2,归一化权重,得到
本发明具有以下优点:
(1)本发明采用基于T分布的滤波技术代替基于高斯分布的滤波技术,可有效应对跟踪过程中由强干扰产生的量测异常值。
(2)本发明采用变分贝叶斯递推框架代替贝叶斯递推框架,可有效处理非线性跟踪场景。
附图说明
图1是本发明实施例中的本发明的整体流程图。
图2是本发明实施例中的多目标复杂运动的轨迹图。
图3是本发明实施例中的低干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图。
图4是本发明实施例中的低干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均目标数估计对比图。
图5是本发明实施例中的低干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均时间代价对比图。
图6是本发明实施例中的存在量测异常值的强干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图。
图7是本发明实施例中的存在量测异常值的强干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均目标数估计对比图。
图8是本发明实施例中的存在量测异常值的强干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均时间代价对比图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
一种基于T分布的鲁棒GLMB多目标跟踪方法,所述方法包括如下步骤:
步骤1,令初始时刻k=0,初始化参数,得到初始分量集。
设初始分量集为其中I(h)为标签集,ω(h)为权重,p(h)为目标状态概率密度,H为分量数量;设定参数/>其中/>为标签l所对应的新生目标出生概率,/>为标签l所对应的目标状态概率密度,B+为新生目标标签集。
步骤2,当k≥1帧时,采用TDVB技术更新目标状态。
目标状态概率密度表示为:
其中,St(·)为T分布,J(l)为混合概率密度的分量个数,为分量归一化的权重,/>为均值,/>为协方差,v为自由度。
步骤2,具体包括如下分步骤:
步骤2-1,以下过程迭代Nite次,使得λk收敛:
其中,
步骤2-2,更新成分权重
其中,PD是目标检测概率,k(zk,l)为杂波强度,为量测似然。最后一次迭代得到的/>与/>为最终参数,进而更新目标状态概率密度,得到p(h)(·,l):
步骤3,生成量测标签关联概率矩阵η(h),通过吉布斯采样生成个量测分量γ(h,t)。
步骤3中包括如下分步骤:
步骤3-1,生成量测标签关联概率矩阵η(h):
其中,
其中,
其中,Ps(·,l+)为标签l+存活概率,PD,+(·,l+)为检测概率f+(x+|·,l+)为状态转移函数,g+(·|·)为量测的似然函数。
步骤3-2,随机生成量测分量γ(h,1)。
步骤3-3,对于第t个量测分量的第n个标签,生成其对应第j个量测的采样后概率
步骤3-4,存储采样后数组的所有类别,并生成量测分量γ(h,t):
γ(h,t):=[γ(h,t),γn (h,t)]
步骤3-5,剔除重复分量,生成量测分量集
其中,Unique返回中的值,没有重复元素。产生的结果向量按升序排序,T(h)为分量个数。
步骤4,根据量测分量γ(h,t),更新初始分量,得到新的分量集。
步骤4中包括如下分步骤:
步骤4-1,根据量测分量γ(h,t)与标签集I(h),得到新的标签集
步骤4-2,根据量测分量γ(h,t)与权重ω(h),得到新的权重ω+ (h,t):
步骤4-3,根据量测分量γ(h,t)与概率密度p(h),得到新的目标状态概率密度p+ (h,t):
步骤5,对得到的新的分量集剔除重复分量,并归一化权重,得到权重集。
步骤5中包括如下分步骤:
步骤5-1,剔除重复成分,提取得到
其中,[Uh,t]为中的分量在/>的位置。
步骤5-2,归一化权重,得到
步骤6,若下一帧观测信息到达,转到步骤2进行迭代;否则,跟踪过程结束。
本发明的效果可通过以下实验仿真进一步说明:
1.仿真条件及参数
假设多目标在二维平面,目标运动状态为其中x和y分别表示笛卡尔坐标,vx和vy分别表示目标在X轴、Y轴方向速度矢量。
场景基础参数设定如下:
S=4000×2000
Ts=1,ω0=0.01
Ps=0.99
Qk=diag([1,0,1,0])
Rk=diag([102,102])
m0=[ux,0,0,uy,0,0]T
P0=diag([20,100,20,100])
其中,S表示传感器探测面积,Ts表示扫描间隔,Qk表示过程噪声,Rk表示量测噪声,v表示自由度,Nite表示变分贝叶斯迭代次数,ω0表示权重,表示运动状态,P0表示协方差。
低干扰场景参数设定如下:
Pout=0
rc=20
PD=0.95
存在量测异常值的强干扰场景参数设定如下:
Pout=10%
rc=50
PD=0.75
其中,Pout表示量测异常概率,rc表示每帧的杂波率,PD表示检测概率,表示量测异常噪声。
经过仿真实验,将本发明方法与传统方式J-GLMB跟踪算法进行对比实验分析,主要从以下两个方面开展实验。
实验1:低干扰场景。
本实验中四个目标在100内的不同时刻产生和消亡,轨迹如图1所示。
图2是传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图。可以看出,使用本发明的TDVB-J-GLMB算法在跟踪复杂运动的多目标时取得了更精准的跟踪效果。
图3是传统方法与本发明方法200次蒙特卡洛实验的平均目标数估计对比图。可以看出,本发明方法目标数估计精度与J-GLMB相似。
图4是传统方法与本发明方法200次蒙特卡洛实验的平均时间代价对比图。可以看出,本发明方法的时间代价低于传统方法。
实验2:存在量测异常值的强干扰场景。
本实验中四个目标在100内的不同时刻产生和消亡,轨迹如图1所示。
图5是传统方法与本发明方法200次蒙特卡洛实验的平均OSPA误差对比图。可以看出,在强干扰下,本发明方法依旧保持了精准的跟踪效果。
图6是传统方法与本发明方法200次蒙特卡洛实验的平均目标数估计对比图。可以看出,本发明方法目标数估计精度高于传统方法。
图7是传统方法与本发明方法200次蒙特卡洛实验的平均时间代价对比图。可以看出,本发明方法的时间代价与传统方法相似。
从实验结果中明显可以看出,针对非线性运动的多目标跟踪,低干扰场景下,本发明方法在目标数估计上与J-GLMB算法相似,在OSPA误差上小于传统方法;存在量测异常值的强干扰场景下,本发明方法目标数估计精度高于传统方式,在OSPA误差上明显小于传统方法,说明本具有良好的抗干扰能力,同时本发明方法的时间代价与传统算法相似,因此本发明方法适用于非线性强干扰场景下,鲁棒性要求较高的传感器***。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (4)
1.一种基于T分布的鲁棒GLMB多目标跟踪方法,其特征在于:所述方法包括如下步骤:
步骤1,令初始时刻k=0,初始化参数,得到初始分量集;
步骤1中,设初始分量集为其中I(h)为标签集,ω(h)为权重,p(h)为目标状态概率密度,H为分量数量;设定参数/>其中/>为标签l所对应的新生目标出生概率,/>为标签l所对应的目标状态概率密度,B+为新生目标标签集;
步骤2,当k≥1帧时,采用TDVB技术更新目标状态;
步骤2中,目标状态概率密度表示为:
其中,St(·)为T分布,J(l)为混合概率密度的分量个数,为分量归一化的权重,/>为均值,/>为协方差,v为自由度;
所述步骤2,具体包括如下分步骤:
步骤2-1,以下过程迭代Nite次,使得λk收敛:
其中,
步骤2-2,更新成分权重
其中,PD是目标检测概率,k(zk,l)为杂波强度,为量测似然;最后一次迭代得到的/>与/>为最终参数,进而更新目标状态概率密度,得到p(h)(·,l):
步骤3,生成量测标签关联概率矩阵η(h),通过吉布斯采样生成个量测分量γ(h,t);
步骤4,根据量测分量γ(h,t),更新初始分量,得到新的分量集;
步骤5,对得到的新的分量集剔除重复分量,并归一化权重,得到权重集;
步骤6,若下一帧观测信息到达,转到步骤2进行迭代;否则,跟踪过程结束。
2.根据权利要求1所述的一种基于T分布的鲁棒GLMB多目标跟踪方法,其特征在于:所述步骤3中包括如下分步骤:
步骤3-1,生成量测标签关联概率矩阵η(h):
其中,
其中,
其中,Ps(·,l+)为标签l+存活概率,PD,+(·,l+)为检测概率f+(x+|·,l+)为状态转移函数,g+(·|·)为量测的似然函数;
步骤3-2,随机生成量测分量γ(h,1);
步骤3-3,对于第t个量测分量的第n个标签,生成其对应第j个量测的采样后概率
步骤3-4,存储采样后数组的所有类别,并生成量测分量γ(h,t):
γ(h,t):=[γ(h,t),γn (h,t)]
步骤3-5,剔除重复分量,生成量测分量集
其中,Unique返回中的值,没有重复元素;产生的结果向量按升序排序,T(h)为分量个数。
3.根据权利要求1所述的一种基于T分布的鲁棒GLMB多目标跟踪方法,其特征在于:所述步骤4中包括如下分步骤:
步骤4-1,根据量测分量γ(h,t)与标签集I(h),得到新的标签集
步骤4-2,根据量测分量γ(h,t)与权重ω(h),得到新的权重ω+ (h,t):
步骤4-3,根据量测分量γ(h,t)与概率密度p(h),得到新的目标状态概率密度p+ (h,t):
4.根据权利要求1所述的一种基于T分布的鲁棒GLMB多目标跟踪方法,其特征在于:所述步骤5中包括如下分步骤:
步骤5-1,剔除重复成分,提取得到
其中,[Uh,t]为中的分量在/>的位置;
步骤5-2,归一化权重,得到
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010360481.2A CN111504326B (zh) | 2020-04-30 | 2020-04-30 | 一种基于t分布的鲁棒glmb多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010360481.2A CN111504326B (zh) | 2020-04-30 | 2020-04-30 | 一种基于t分布的鲁棒glmb多目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111504326A CN111504326A (zh) | 2020-08-07 |
CN111504326B true CN111504326B (zh) | 2023-10-27 |
Family
ID=71875006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010360481.2A Active CN111504326B (zh) | 2020-04-30 | 2020-04-30 | 一种基于t分布的鲁棒glmb多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111504326B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508444A (zh) * | 2018-12-18 | 2019-03-22 | 桂林电子科技大学 | 区间量测下交互式多模广义标签多伯努利的快速跟踪方法 |
CN110390684A (zh) * | 2019-07-16 | 2019-10-29 | 深圳大学 | 一种闪烁噪声下的多目标跟踪方法及*** |
CN110596643A (zh) * | 2019-08-12 | 2019-12-20 | 杭州电子科技大学 | 一种多声音阵列移动目标检测定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10922820B2 (en) * | 2017-07-31 | 2021-02-16 | National Technology & Engineering Solutions Of Sandia, Llc | Data-driven delta-generalized labeled multi-bernoulli tracker |
-
2020
- 2020-04-30 CN CN202010360481.2A patent/CN111504326B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508444A (zh) * | 2018-12-18 | 2019-03-22 | 桂林电子科技大学 | 区间量测下交互式多模广义标签多伯努利的快速跟踪方法 |
CN110390684A (zh) * | 2019-07-16 | 2019-10-29 | 深圳大学 | 一种闪烁噪声下的多目标跟踪方法及*** |
CN110596643A (zh) * | 2019-08-12 | 2019-12-20 | 杭州电子科技大学 | 一种多声音阵列移动目标检测定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111504326A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178385B (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN110503071B (zh) | 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 | |
CN114609912A (zh) | 基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法 | |
CN105182311B (zh) | 全向雷达数据处理方法及*** | |
CN110058222B (zh) | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 | |
CN115204212A (zh) | 一种基于stm-pmbm滤波算法的多目标跟踪方法 | |
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及*** | |
CN106054167B (zh) | 基于强度滤波器的多扩展目标跟踪方法 | |
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 | |
CN111274529B (zh) | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 | |
CN112652003A (zh) | 一种基于ransac测度优化的三维点云配准方法 | |
CN117036400A (zh) | 基于混合高斯模型模糊聚类数据关联的多目标群跟踪方法 | |
CN110297221B (zh) | 一种基于高斯混合模型的数据关联方法 | |
Tian et al. | Performance evaluation of deception against synthetic aperture radar based on multifeature fusion | |
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 | |
CN108320302B (zh) | 基于随机超曲面的CBMeMBer多目标跟踪方法 | |
CA2675310A1 (en) | Method for evaluation of sensor measured values | |
CN111504326B (zh) | 一种基于t分布的鲁棒glmb多目标跟踪方法 | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
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 | |
CN116520311A (zh) | 一种基于glmb的自适应航迹起始方法 | |
CN114415157B (zh) | 一种基于水声传感器网络的水下目标多模型跟踪方法 | |
CN114186477A (zh) | 一种基于Elman神经网络的轨道预测算法 | |
CN109474892B (zh) | 基于信息形式的强鲁棒传感器网络目标跟踪方法 |
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 |