基于模型类型匹配phd滤波器和tbm的多目标联合跟踪分类-詹锟.pdf
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_05.gif)
《基于模型类型匹配phd滤波器和tbm的多目标联合跟踪分类-詹锟.pdf》由会员分享,可在线阅读,更多相关《基于模型类型匹配phd滤波器和tbm的多目标联合跟踪分类-詹锟.pdf(9页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、第38卷第10期 系统工程与电子技术 V0138 No102016年10月 Systems Engineering and Electronics October 2016文章编号:1001 506X(2016)10223509 网址:wwwsyselecorfl基于模型类型匹配PHD滤波器和TBM的多目标联合跟踪分类詹 锟,蒋 宏,赵天衢,于耀中(北京航空航天大学自动化科学与电气工程学院,北京100191)摘 要:为了解决杂波和漏检下多目标的联合跟踪与分类问题,提出了模型类型匹配概率假设密度(probability hypothesis density,PHD)滤波器,同时将其与多传感器的可
2、转移信度模型(transferable belief model,TBM)框架相结合,并用多个运动学雷达和粒子滤波递推实现。该算法对飞行器的先验信息进行估计,从而替代了属性传感器。在预测阶段,根据模型和类型对PHD滤波器进行粒子匹配;传感器得到观测结果后进行粒子权重的更新;再根据粒子对应的权重得到目标的后验状态一模型一类型分布;这些PHD滤波器可以同时得到目标的状态和类型;结合TBM和航迹粒子标签算法,得到多个传感器的融合结果。仿真表明,本文提出的模型类型匹配PHD滤波器的性能比传统多模型PHD滤波器更精确,同时多传感器的TBM框架也全面提升了算法的性能。关键词:联合跟踪与分类;概率假设密度;
3、可转移信度模型;粒子滤波;多传感器数据融合中图分类号:TP 7211 文献标志码:A DOI:103969jissn100卜506X20161003Multitarget j oint trackingmodelclass-matchedand classi“cation based onPHD filter and TBMZHAN Kun,JIANG Hong,ZHAO Tianqu,YU Yaozhong(Scool of Automation Science and Electrical Engineering,Beihang University,Beijing j00191,Chin
4、a)Abstract:To solve the multitarget joint tracking and classification under clutter and miss detection,themodelclassmatched probability hypothesis density(PHD)filter is proposed and combined with the transferablebelief model(TBM)framework of multiple sensors,and it is recursively implemented by mult
5、iple kinematic radars and particle filteringIn our algorithm,the priori information of aircraft is estimated tO replace the attribute sensorAt the prediction stage,the particles of the P HD filter are matched by model and class;the particleweights are updated after the sensors receive the measuremen
6、t information;then,the targetsposterior statemodelclass distribution is got by the corresponding weights of the particles;the targetsstate and class can beobtained simultaneously by these PHD filters;finally,by integrating TBM and the track particle labeling algorithm,the fusion result of multiple s
7、ensors is acquiredSimulations indicate that the performance of the proposed modelclassmatched PHD filter iS much better than that of the traditional PHD filter。and in the meantime the TBM framework of multiple sensors also improves the performance the proposed algorithmKeywords:joint tracking and cl
8、assification;probability hypothesis density(PHD);transferable beliefmodel(TBM);particle filtering;multisensor data fusion0 引 言在现代战争军事侦察系统中,多目标的跟踪与分类问题已经成为了最重要的两个技术难题。尽管这两个问题是耦合的,但是以往人们通常将它们用不同的传感器分别处理,用运动学传感器进行目标跟踪,用属性传感器进行目标分类。由于目标类型信息能够确定目标运动学包络,提高目标跟踪精度,而目标状态信息也有助于目标分类,因此这两类问题可以被放在统一的框架内进行处理,即联合跟
9、踪与分类(joint tracking and classification,JTC)技术口。通常,在进行多目标跟踪时,目标数量和目标状态都会随着时间而变化,并且还存在雷达的虚警、漏检等问题。传收稿日期:20151013;修回liit期:20160624;网络优先出版日期:201 60718。网络优先出版地址:http:wwwcnkinetkcmsdetail112422TN201607181042014html基金项目:航空科学基金(2014ZC51042)资助课题万方数据2236 系统工程与电子技术 第38卷统的多目标跟踪算法主要有联合概率数据关联(joint probability da
10、ta association,JPDA)和多假设跟踪(multiple hypothesis tracking,MHT)算法等。在目标数目变化和杂波漏检等情况下,这些传统的方法存在自身的不足,比如通常需要假定目标数目已知或者未知恒定,再通过数据关联进行滤波,使得实时性较差。为了克服这些困难,Mahler提出了基于有限集统计学(finite set statistics,FISST)的概率假设密度(probabilRy hypothesis density,PHD)滤波器4。近些年,一些文献已经阐述了多目标的联合跟踪与分类问题。当观测结果在杂波干扰和雷达漏检等不利状况下,多目标联合跟踪与分类算法
11、需要准确估计目标数量,目标状态和目标类型。传统的多目标跟踪算法(JPDA,MHT等)主要是基于观测到轨迹的关联技术,将每个观测结果与特定目标进行关联,再采用单目标的方法进行估计。当观测结果的数据量增加时,建立的观测到目标的组合关系呈几何式增长,数据关联将会占用多目标跟踪算法中大部分计算量,实时性差不利于工程实践。而近些年发展的PHD滤波器则是一个更好的多目标跟踪方法。该方法可以估计目标数量并省去了目标关联的计算,大大提高了时效性。PHD滤波器可以用序贯蒙特卡罗方法或者高斯混合方法来实现口。7。文献83基于Mahler的PHD滤波器提出了多目标跟踪与分类技术的方法,但存在许多缺点,如仅采用了一个
12、PHD滤波器导致粒子不能根据类型概率进行转移,从而导致分类不准确和跟踪不精确。文献93提出了多目标的联合检测、跟踪与分类技术,该文献推导了类型匹配的PHD滤波器,改善了分类结果。本文在此基础上针对多目标高机动的情况,提出了模型类型匹配PHD滤波器(model-class-matched PHD filter)算法,能有效解决多机动目标的联合跟踪和分类。另外,为了得到高精度和强鲁棒的跟踪器和分类器,还需要将多个传感器的观测结果进行数据融合。对于目标分类和多传感器数据融合问题,目前主要有两种使用较广泛的统计学方法,即贝叶斯方法和Dempster-Shafer(D-S)证据理论。其中,D-S证据理论
13、可以看作是贝叶斯概率方法的推广,在处理不完全和不确定证据问题方面,有更强的鲁棒性口。对于雷达监视系统的目标分类问题,文献11分别采用贝叶斯方法和D-S证据理论进行了详细比较。结果证明,两种方法均得到了很好的分类结果,但是D-S证据方法对噪声和不确定的先验信息有更强的鲁棒性。Smets在基于D-S证据信度理论上推广出了可转移信度模型(transferable belief model,TBM),用以解决多传感器冲突的数据融合问题口21。Smets提出了一种基于TBM框架的单目标联合跟踪与分类算法,该方法在目标分类方面比传统的贝叶斯分类器有更好的结果。文献11提出了一种基于TBM框架下的多传感器联
14、合跟踪与分类技术,采用了Rao-Blackwellised粒子滤波和数据关联解决多目标问题。该方法的主要问题在于需要提前获得目标数目的信息,而且在观测结果较多时计算量会急剧增大。本文将结合JTC技术与TBM框架来解决多目标多传感器问题,提出了基于模型类型匹配PHD滤波器联合跟踪分类算法(modelclass-matched PHD Filer)并用序贯蒙特卡罗方法实现,同时用TBM方法来处理多传感器信息以得到更可靠的分类结果。全文主要由以下几个部分组成:第1节阐述了目标运动模型,观测模型和PHD滤波器的数学基础,并推导了模型类型匹配PHD滤波器算法;第2节建立了TBM框架以及基于粒子标记的航迹
15、维持算法;第3节给出了基于序贯蒙特卡罗算法的伪代码;第4节给出了仿真实例并对结果进行分析;最后对全文进行总结。1 多目标的联合跟踪与分类技术本节详细阐述采用PHD滤波器来解决多目标跟踪问题以克服传统方法的弊端,同时给出了在JTC框架下的PHD滤波器的数学推导。11 有限集统计学原理和PHD滤波器PHD滤波器解决多目标问题需要用到FISST理论来构建多目标后验概率密度函数口“。定义两个随机有限集分别来描述是时刻的多目标状态集x。和测量集z。l置一X,瓤M() r1、1五一z,z;(;)式中,M()和N(是)表示k时刻的目标数和观测数,由于雷达观测存在虚警和漏检,因此M(女)可能不等于N(最)。考
16、虑如下3种目标变化的情况:新生目标、衍生目标和存活目标。多目标运动模型和雷达观测模型可以通过式(2)和式(3)来表述。给定女一1时刻的多目标状态随机有限集置一。,k时刻的多目标状态随机有限集墨可以通过合并存活目标、衍生目标和新生目标的随机有限集得到,即墨一S。I。(墨一。)U Bt(置一,)U n (2)式中,S小一。(墨一。)表示k时刻存活目标的随机有限集;B小。(墨一。)表示由墨一。衍生目标的随机有限集;n表示k时刻新生目标的随机有限集。类似地,多目标观测随机有限集五可由下式得到。五一瞰(墨)U风 (3)式中,酿(墨)表示由多目标状态墨生成的观测随机有限集;致表示杂波、虚警等产生的随机有限
17、集。多目标跟踪问题就是已知时刻1时刻k的观测集合互:;一z1,z2,五)下,估计多目标状态墨。在FISST中,PHD也被称为强度,可以理解为多目标后验密度的一阶矩,其峰值可以用来估计多目标的状态。通过迭代耽l。(I z1:。)可以得到PHD滤波器,其中包含预测和更新两个步骤。DIp1(也1 Z1:1)=弧(缸)+l(声s(址-)卜1(瓤l坼一1)+晟Jp】(颤J缸一1)Dp】Ik-J(坼l zl,一1)d砟一1 (4)D小(坼l z1;)一D小一l(xk z1。_1):善端Kk渊“卜以圳l;怠(zt)+帆(zt) “一“J万方数据第10期 詹锟等:基于模型类型匹配PHD滤波器和TBM的多目标联
18、合跟踪分类其中 矩阵蟊计算混合后的PHD。这个混合过程-q IMM类叭础一肌璩札心l zm。d答慕蓑主詈茎笨耆蒹雾喜票篙磊姜酌晰式(4)为预测阶段:k一1时刻的目标状态以一。依概率P。(颤一。)存活在女时刻;是时刻的衍生目标以概率两。(矗I瓤一。)产生;新生目标以概率孔(缸)在雷达观测范围内生成;。(坼l鲰一。)为单目标的马尔可夫转移函数。式(5)为更新阶段:在一些假设下,预测强度能通过观测乙更新。这里假设:雷达虚警为泊松分布,其平均值为九;噪声强度为K。(z+);k时刻目标状态X;的检测概率为户。(Xk);g。(z。lX。)为单目标测量似然函数。多个目标的状态可以通过更新后的PHD峰值估计出
19、来。通过式(4)和式(5)的迭代计算,PHD滤波器避免数据关联解决了多目标跟踪问题。12 JTC框架下的模型类型匹配PHD滤波器JTC的基本条件是观测传感器能同时获取目标状态和目标属性的测量信息。本文仅采用带有先验飞行包络信息的运动学观测器和提出的基于模型和类型匹配的PHD滤波器来进行目标分类以代替属性传感器。比较传统的PHD滤波器,本文提出的PHD滤波器在跟踪和分类机动多目标时有更大的优势。常规的多模型方法通过并行计算有限个滤波器来检测目标机动和识别模型。考虑计算复杂度和算法性能,交互式多模型(interactive multi-tude model,IMM)算法是已知最有效的多模型方法。本
20、文提出的模型匹配算法与IMM算法有相似的结构,尤其是在混合与融合两个阶段口。但是,本文提出的滤波器是跟踪机动目标和缩减分类范围并且状态后验概率密度也不一定是高斯的,所以IMM算法并不能直接用在本文提出的模型匹配算法上。因此本文采用多个并行PHD滤波器的模型匹配算法,能很好地处理多模型目标状态。假设共有M个目标类型,目标类型集合为C一C。,f:,C。在k时刻,每个类型C:(i一1,2,M)的目标机动模型为n;zS。一1,2,。S)。模型H为一阶马尔可夫转移概率:面=Pr(H:,一j f“:二,一i),i,jSfC (7)用D小(瓤,C。lz。:。)表示k时刻TC框架下PHD滤波器的类型一状态的强
21、度。本小节提出一个递归的多目标联合跟踪与分类算法,使用了基于模型和类型匹配的PHD滤波器,具体描述如下所示:(1)混合阶段每个滤波器的初始强度耽。c(Xk。,城z=q,C:l而。),是由前一时刻多个模型和类型匹配的PHD混合而成:Dj一l,c(xl,H;zq,C。J Z1:I)一7rgDk一1lpl,c(置l,H工lp,o zl:p1) (8)p式中,D。刊。c(Xk一。,“_。一P,Q IZ。)匹配上一时刻目标模型P和类型c:。可以看出,式(8)通过马尔可夫转移概率(2)预测阶段当给定了k时刻的初始强度或卜。(缸一,瞬一q以Iz1。-),基于模型和类型匹配的预测PHD可以由式(9)计算:D一
22、1c(瓤,啦=g,c。J z一1)=弧c(mHoq,q)+l吼,c(mc:)c:E-C。DI J卜1c(x卜l,H=q,c:I z1:卜1)dx卜1 (9)式中吼1c(虬,f:)一Ps,c(x,H童。一q,c:)妒。c(孔J x。,nI,=q,c:)+P肼l卜1(o c:)傣I卜l,c(以,t I工卜I,H0。一q,f:) (10)新生目标概率K,。(),存活概率P。()和衍生目标概率怠卜。,c()都是模型类型依赖,而如肌一。()为类型转移概率。(3)更新阶段通过时刻k获得的测量值Z,更新PHD可以由式(11)计算:D小,c(Xk,H=q,C:I z1:)一D女H。c(如,H一牮,c。i zl
23、:1)(1一PD,c(妊,C。)+:荟匦虹专K器等掣,。怠 t(zt)+(zt) 。式中(z)一Ip。c(以,。)戤c(z女l以,哦tg,t)f。C。Dm“c(Xk,H=q,C。l zl:p1)dx (12)式中,户叩()表示状态和类型依赖的目标检测概率;躲c()表示基于模型和类型的单目标观测似然,其中包含了动力学和属性信息;K()与式(5)中的含义相同。(4)融合阶段本文的滤波器并不需要得到更新后的每个模型概率,因为基于模型和类型匹配的PHD将作为一个整体用在下一个混合阶段中。该滤波器的目的只是估计出目标状态而不是预测其每一时刻的运动模型。更新后的目标估计总数为N小=IDkl*,c(如,“;
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 模型 类型 匹配 phd 滤波器 tbm 多目标 联合 跟踪 分类 詹锟
![提示](https://www.taowenge.com/images/bang_tan.gif)
限制150内