一种基于随机有限集理论的多目标跟踪装置

摘要

本发明公开了一种基于随机有限集理论的多目标跟踪装置，量测集合生成器根据收到的传感器量测生成量测集合，并发送给高斯分量初始化处理器；高斯分量初始化处理器将初始化的高斯分量集合发送给高斯分量集合缓存器进行存储；高斯分量矩阵生成器同时接收量测集合生成器生成的量测集合和高斯分量集合缓存器存储的最新时刻的高斯分量集合，通过解算得到高斯分量矩阵，并发送给高斯分量矩阵扩维器；高斯分量矩阵扩维器同时接收量测集合生成器生成的量测集合。本发明加入门限过滤和生成失败过滤机制，对高斯分量进行有效性鉴别，既对高斯分量矩阵进行了筛选过滤，提高了计算效率，又对生成失败的情况进行了保护，提高了处理过程的鲁棒性。

说明书

技术领域

本发明涉及一种多目标跟踪技术，尤其涉及的是一种基于随机有限集理论的多目标跟踪装置。

背景技术

多目标跟踪技术在雷达数据处理、图像/视频处理、机器人导航等多个领域均是关键技术之一，它是一种利用采集的传感器量测信息，通过相应的目标跟踪算法获得目标航迹的过程。传统的目标跟踪算法主要为基于数据关联的方法，包括航迹起始、关联和航迹终止等，其中正确的关联是实现目标稳定跟踪的前提条件，因此关联算法也成为其中最复杂的过程之一，如最近邻法、联合概率数据关联法和多假设跟踪(MHT)算法等。

近年，基于随机有限集(RFS)理论的多目标跟踪方法成为研究热点，该方法基于有限集统计理论对传感器量测集合进行处理，直接估计出多目标的状态集合，从而避免了传统多目标跟踪方法对数据关联的依赖，并降低了计算复杂度。常见的基于随机有限集理论的滤波方法有概率假设密度(PHD)滤波器、序贯蒙特卡罗概率假设密度(SMC-PHD)滤波器和高斯混合概率假设密度(GM-PHD)滤波器等，其中GM-PHD是比较常用的工程实现方法。

目前，基于RFS的多目标跟踪方法在文献中多有报道。如(1)谭顺成、王国宏等，基于 PHD滤波和数据关联的多目标跟踪，系统工程与电子技术，2011,33(4)；(2)StephanReuter, Ba-Tuong Vo,Ba-Ngu Vo,Klaus Dietmayer.The Labeled Multi-BernoulliFilter[J].IEEE Transactions on Signal Processing,2014,62(12):3246-3260.一种带标签的多伯努利滤波器。(3)徐从安、刘瑜等，新生目标强度未知的双门限粒子PHD滤波器，航空学报，2015,36 (12)。文献(1)将PHD滤波和传统的数据关联方法想结合获得目标的航迹，但同时也带来了传统数据关联方法计算复杂的缺陷。文献(2)将MHT和RFS理论结合，提出了δ-GLMB算法，但与MHT类似，在密集目标和强杂波环境下，该方法面临多假设的“组合爆炸”问题。文献(3)着重解决新生目标强度未知的问题，提出双门限法，但仍无法解决目标漏检的问题。而且，实际应用时，很多先验信息是未知的，如新生目标和衍生目标的模型、新生目标强度信息、目标存活率、检测概率等，因此这些方法基本很难实现工程应用。

发明内容

本发明所要解决的技术问题在于：如何提高计算效率和预防目标漏检，提供了一种基于随机有限集理论的多目标跟踪装置。

本发明是通过以下技术方案解决上述技术问题的，本发明包括量测集合生成器、高斯分量初始化处理器、高斯分量集合缓存器、高斯分量矩阵生成器、高斯分量矩阵扩维器、高斯分量矩阵裁剪融合器、标签分配器和航迹生成器；

所述量测集合生成器根据收到的传感器量测生成量测集合，并发送给高斯分量初始化处理器；

所述高斯分量初始化处理器将初始化的高斯分量集合发送给高斯分量集合缓存器进行存储；

所述高斯分量矩阵生成器同时接收量测集合生成器生成的量测集合和高斯分量集合缓存器存储的最新时刻的高斯分量集合，通过解算得到高斯分量矩阵，并发送给高斯分量矩阵扩维器；

所述高斯分量矩阵扩维器同时接收量测集合生成器生成的量测集合，对高斯分量矩阵进行扩维，并将扩维后的高斯分量矩阵发送给高斯分量矩阵裁剪融合器；

所述高斯分量矩阵裁剪融合器同时接收高斯分量集合缓存器存储的最新时刻的高斯分量集合，对扩维后的高斯分量矩阵进行裁剪融合，并将裁剪融合后的高斯分量矩阵发送给标签分配器；

所述标签分配器采用标签法给高斯分量矩阵中每个高斯分量分配不同的标签后，将高斯分量矩阵发送给高斯分量集合缓存器进行存储，并发送给航迹生成器生成航迹。

所述量测集合生成器收到传感器量测后，按照时间片生成量测集合，时间片大小取其中T为传感器采样周期，n为正整数。

每个高斯分量包括权值、时间、状态均值、协方差矩阵、标签和有效标志。

若高斯分量集合缓存器为空，则高斯分量初始化处理器取量测集合中第一个量测进行初始化，获得初始化的高斯分量集合，并存储在高斯分量集合缓存器中；否则，跳过初始化过程。

所述高斯分量矩阵生成器生成高斯分量矩阵的维数为M×N，其中M为高斯分量集合缓存器中存储的最新时刻的高斯分量集合的元素个数，N为量测集合生成器生成的量测集合的元素个数，每个高斯分量的生成包括高斯分量的预测和更新过程，生成高斯分量矩阵后进行门限过滤和生成失败过滤，对超过门限或生成失败的高斯分量，将其有效标志置为无效。

高斯分量矩阵扩维器、高斯分量矩阵裁剪融合器和标签分配器只处理有效标志为有效的高斯分量。

所述高斯分量矩阵扩维器收到高斯分量矩阵后，若某一列高斯分量的权值均小于裁剪阈值，则对高斯分量矩阵进行增行扩维，新增行中相应列的高斯分量通过量测集合中对应的量测生成，且权值大于裁剪阈值。

所述高斯分量矩阵裁剪融合器收到扩维后的高斯分量矩阵后，首先进行高斯分量的裁剪融合，然后进行预防目标漏检的处理；预防目标漏检的处理具体指：若高斯分量矩阵某一行的权值均小于裁剪阈值，则将该行权值最小的高斯分量替换为高斯分量集合缓存器存储的最新时刻的高斯分量集合中对应的高斯分量。

所述高斯分量集合缓存器接收高斯分量矩阵后，将高斯分量按照权值从大到小的顺序排列，只存储前J_max个权值大于裁剪阈值的高斯分量，其中J_max为高斯分量集合缓存器中存储的高斯分量集合元素个数的最大值。

所述航迹生成器接收高斯分量矩阵后，提取权值大于T_SE的高斯分量，按照相同标签的高斯分量属于同一航迹的原则生成航迹，其中T_SE为提取阈值。

本发明相比现有技术具有以下优点：本发明加入门限过滤和生成失败过滤机制，对高斯分量进行有效性鉴别，既对高斯分量矩阵进行了筛选过滤，提高了计算效率，又对生成失败的情况进行了保护，提高了处理过程的鲁棒性。对高斯分量矩阵加入了扩维机制，可有效辅助目标起始，从而无需新生目标的先验信息，解决了随机有限集理论工程应用的瓶颈问题。无需衍生目标的先验信息，减少了参数配置项，从而降低了工程应用的难度。加入了预防目标漏检的处理，可有效预防目标的漏检，大大提高了随机有限集理论进行工程应用的效果。

附图说明

图1是本发明的流程示意图；

图2是6个目标的真实运动轨迹，“○”为目标的起始位置，“△”为目标的终止位置；

图3是使用本发明后的多目标跟踪效果示意图；

图4是目标总数的变化图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图2所示，假设有6个目标在二维平面(x-y平面)作匀速直线运动，状态向量为 x＝[x,v_x,y,v_y]^T，x,y分别表示x-y平面x方向和y方向的位置，v_x,v_y分别表示x-y平面x>

其中F为状态转移矩阵，H为量测矩阵，ω_k和υ_k分别为过程噪声和量测噪声，二者均为零均值高斯白噪声，协方差矩阵分别为Q和R，采样时间为T＝1s，下标k表示第k个采样周期，k≥1，z_k为k时刻传感器量测。

整个仿真时间为100s，目标1的存活时间为第1s到第50s，目标2的存活时间为第10s 到第70s，目标3的存活时间为第40s到第100s，目标4的存活时间为第40s到第80s，目标5和目标6的存活时间为第60s到第100s。杂波服从均值为10的Poisson分布。传感器监控区域为[-2000,2000]m×[0,2000]m。

如图1所示，本实施例包括量测集合生成器1、高斯分量初始化处理器2、高斯分量集合缓存器3、高斯分量矩阵生成器4、高斯分量矩阵扩维器5、高斯分量矩阵裁剪融合器6、标签分配器7和航迹生成器8；所述量测集合生成器1根据收到的传感器量测生成量测集合，并发送给高斯分量初始化处理器2；所述高斯分量初始化处理器2将初始化的高斯分量集合发送给高斯分量集合缓存器3进行存储；所述高斯分量矩阵生成器4同时接收量测集合生成器1生成的量测集合和高斯分量集合缓存器3存储的最新时刻的高斯分量集合，通过解算得到高斯分量矩阵，并发送给高斯分量矩阵扩维器5；所述高斯分量矩阵扩维器5同时接收量测集合生成器1生成的量测集合，对高斯分量矩阵进行扩维，并将扩维后的高斯分量矩阵发送给高斯分量矩阵裁剪融合器6；

所述高斯分量矩阵裁剪融合器6同时接收高斯分量集合缓存器3存储的最新时刻的高斯分量集合，对扩维后的高斯分量矩阵进行裁剪融合，并将裁剪融合后的高斯分量矩阵发送给标签分配器7；

所述标签分配器7采用标签法给高斯分量矩阵中每个高斯分量分配不同的标签后，将高斯分量矩阵发送给高斯分量集合缓存器3进行存储，并发送给航迹生成器8生成航迹。

本实施例的具体过程如下：

(1)量测集合生成器1(1)收到传感器量测后，按照时间片生成量测集合，时间片大小取k时刻量测集合的个数为N_k；

(2)在第1个采样周期(k＝1)，高斯分量集合缓存器3为空，因此需要高斯分量初始化处理器2进行高斯分量的初始化，取量测集合中第一个量测进行初始化，获得初始化的高斯分量集合，并存储在高斯分量集合缓存器3中，初始化的高斯分量集合的元素个数M₀＝1，高斯分量的权值时间T₀取第一个量测的采样时间，状态均值为第一个量测的位置坐标，协方差矩阵标签为1(标签用正整数表示)，有效标志置1(1表示有效，0表示无效)。在其他采样周期，若高斯分量集合缓存器3 不为空，则无需进行高斯分量集合的初始化；

(3)高斯分量矩阵生成器4生成高斯分量矩阵的维数为M_k-1×N_k，其中M_k-1为高斯分量集合缓存器3中存储的k-1时刻的高斯分量集合的元素个数。每个高斯分量的生成包括高斯分量的预测和更新过程，生成高斯分量矩阵后进行门限过滤和生成失败过滤，对超过门限或生成失败的高斯分量，将其有效标志置为0。

高斯分量矩阵中每个高斯分量的生成过程为：

已知k-1时刻的高斯分量集合中各高斯分量的权值、均值、协方差矩阵和标签分别为：和M_k-1为k-1时刻高斯分量集合的元素个数。

k时刻，计算预测均值和协方差矩阵为：

更新过程计算第i行第j列(i＝1,2,...,M_k-1，j＝1,2,...,N_k)高斯分量的权值、均值、协方差矩阵和标签，分别为：

其中，I为相应维数的单位矩阵，κ_k(z)表示杂波的后验概率假设密度值，N(·|m,P)表示均值为m，协方差为P的高斯分布的概率密度函数。

门限过滤和生成失败过滤方法为：

各高斯分量分别计算不满足Dis_i,j＜γ条件或者计算过程中出现失败的高斯分量的有效标志置为0，其他的置1。

(4)高斯分量矩阵扩维器5收到高斯分量矩阵后，若某一列(假设第j列，j∈{1,2,...,N_k})>k-1+1)×N_k，第(M_k-1+1)行第j列的高斯分量的权值为2e^-5，状态均值为为第j个量测的位置坐标，协方差矩阵第(M_k-1+1)行的高斯分量的标签统一分配一个新的正整数。第(M_k-1+1)行中其他高斯分量的有效标志均置为0。

(5))高斯分量矩阵裁剪融合器6收到(M_k-1+1)×N_k维的高斯分量矩阵后，首先进行高斯分量的裁剪融合，然后进行预防目标漏检的处理。预防目标漏检的处理具体指：若高斯分量矩阵某一行(假设第i行)的权值均小于裁剪阈值，则将该行权值最小的高斯分量(假设第>和

裁剪融合过程为：

高斯分量的裁剪阈值记为T_Th，融合阈值记为U。

令循环执行下面过程：

1)

2)L＝{i,j∈W|V≤U}；

3)

4)W＝WL，当时，循环终止。

最后，将高斯分量矩阵中权值小于T_Th的高斯分量，将其有效标志置为0；

(6)标签分配器7逐行给高斯分量矩阵中每个高斯分量分配标签，每一行中，权值最大的高斯分量保留原有标签，其他高斯分量分配新的标签。

(7)高斯分量集合缓存器3接收高斯分量矩阵后，将高斯分量按照权值从大到小的顺序排列，只存储前J_max个权值大于裁剪阈值的高斯分量。

(8)航迹生成器8接收高斯分量矩阵后，提取权值大于T_SE的高斯分量，按照相同标签的高斯分量属于同一航迹的原则生成航迹。

滤波器的参数为：高斯分量的裁剪阈值为T_Th＝1×10^-5，融合阈值为U＝9，最大高斯分量个数为J_max＝100，门限γ＝25，提取阈值T_SE＝0.5。

图2为6个目标的真实运动轨迹，图3中“×”为所有传感器量测(包括杂波和目标)，6个目标的估计结果分别用a、b、c、d、e、f加以区分标记。图4为目标总数的变化图。通过仿真结果可知，本发明在杂波环境和目标交叉的复杂情况下能够准确的完成多目标的跟踪。而且本发明的方法需要设置的参数较少，便于工程应用。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。