一种自适应新生目标起始的多目标跟踪方法及处理装置

技术领域

本发明涉及目标跟踪技术领域，尤其涉及一种自适应新生目 标起始的多目标跟踪方法。

背景技术

在现有技术中，传统的多目标跟踪解决方案往往根据传感器 探测到的、由多个运动目标和环境噪声产生的量测序列，来估计 多个目标运动状态和数目。然而，在实际的多目标跟踪问题中， 传感器的量测具有随机误差，且存在杂波干扰。另外，目标在观 测区域随机的出现和消失，目标的数目往往是未知的。其次，在 跟踪过程中存在检测不确定和关联不确定，以上这些因素都使得 多目标跟踪具有一定的挑战性。

基于随机有限集(RFS)的多目标跟踪方法避免了显式的数据 关联，可以在目标时变并且未知时应用，近年来得到了广泛关注。 Mahler提出的概率假设密度(probabilityhypothesis density，PHD) 滤波器使基于RFS的多目标跟踪方法得以实用。当前，实现PHD滤波器的主要方法有序贯Monte Carlo(SMC-PHD)方法和高斯混 合(Gaussian mixtureprobability hypothesis density，GM-PHD)方 法。相比SMC-PHD方法，GM-PHD滤波器峰值提取方法简单， 且可以通过高斯元的合并和剪枝有效地控制计算量。

标准的PHD递推过程假设目标新生强度是先验已知的。但是 当新的目标出现在新生强度没有覆盖到的地方时，PHD滤波器就 无法检测到。在整个状态空间产生新的目标是一种常用的解决方 法，然而覆盖整个状态空间需要较大的计算量，因此出现了基于 量测驱动的新生目标产生方法来克服这个问题。该方法可以在没 有任何先验信息的情况下自适应的利用量测产生新生目标强度。 但是直接将基于量测驱动的新生目标强度产生方法应用于PHD会 产生有偏的目标数目估计，并提出了一种自适应新生目标起始的 PHD滤波器来解决这个问题。该方法可以区分已存在目标和新生 目标，并在预测和更新步进行分别递推。经对现有技术文献检索 后发现，欧阳成等人(欧阳成，华云，高尚伟.改进的自适应新生目标强度PHD滤波[J].系统工程与电子技术，2013， 35(12)：2452-2458.)提出了一种改进的自适应新生目标起始的PHD 滤波器，但是这个方法没有利用所有目标产生量测，当目标数目 很大的时候，大量的运算时间花费在处理产生自杂波的存活目标 量测。

发明内容

针对现有技术的自适应新生目标起始的多目标跟踪方法存在 的上述缺陷，本发明提供了一种基于高斯混合概率假设密度滤波 器的自适应新生目标起始的多目标跟踪方法及处理装置。该方法 可用于雷达、红外、可见光目标跟踪、多旋翼无人机的检测跟踪 和移动机器人跟踪、定位等领域。

依据本发明的一个方面，提供了一种自适应新生目标起始的 多目标跟踪方法，包括以下步骤：

步骤S1：给定当前时刻之前的多目标参数，所述多目标参数 包括存活目标的高斯元和强度、新生目标的高斯元和强度、没有 与目标进行关联的量测集合以及对应的量测数目集合；

步骤S2：在当前时刻对所述存活目标的高斯元和强度进行一 步预测，得到预测后的存活目标的高斯元集合和强度；

步骤S3：若当前时刻存在新的传感器观测值，对步骤S2中的 存活目标的高斯元和强度进行更新，得到预测后的存活目标的高 斯元集合和强度，并将量测及其对应的高斯元分配对应的标签；

步骤S4：对更新后的高斯元进行修剪与合并，消除多余的高 斯元；

步骤S5：对修剪与合并后的高斯元进行多目标状态提取，得 到多目标状态的估计集合和对应的量测集合，同时得到没有与目 标进行关联的量测集合；

步骤S6：根据没有与目标进行关联的量测集合得到新生目标 的预测强度；

步骤S7：对步骤S6中的新生目标的预测强度进行更新。

在一具体实施例，所述步骤S1包括：

给定当前时刻之前的多目标参数为：(k-1)时刻存活目标的高斯 元

在一具体实施例，所述步骤S2包括：

用于预测的存活目标高斯元可以通过下式得到：

这里

式中：

k时刻存活目标的高斯元均值和方差通过下面的公式进行预测：

式中：

在一具体实施例，所述步骤S3包括：

当存在新的传感器观测值时，对存活目标高斯元的均值和方差进 行更新，其计算公式为：

式中：

得到存活目标高斯元的均值和方差后即可得到更新后的存活目 标强度，记为D

其中：

式中：

在k时刻，有量测集合

其中L

在更新时，给每个由量测z

在一具体实施例，所述步骤S5包括：

在修剪与合并后，多目标状态可以通过提取权重大于某个阈值ω

式中：

状态提取后目标的状态集合为

一旦获得了k时刻未关联的量测集合

在一具体实施例，所述步骤S6包括：

令

其中：

式中：

在一具体实施例，所述步骤S7包括：

新生目标的强度更新为

其中：

式中：

依据本发明的另一个方面，提供了一种自适应新生目标起始 的多目标跟踪处理装置，包括：

量测输入模块，用于接收含有杂波的量测；

高斯混合滤波器模块，与所述量测输入模块相连接，用于对 所接收的量测和新生目标进行滤波处理，得到预测后的存活目标 的高斯元集合和强度，并输出量测标签和高斯元标签；

航迹管理模块，与所述高斯混合滤波器模块相连接，用于对 所述高斯元标签进行处理，最终得到目标航迹；

新生目标起始模块，与所述高斯混合滤波器模块相连接，用 于根据所述量测标签得到当前时刻的新生目标，并将所述新生目 标输出至所述高斯混合滤波器模块；以及

航迹输出模块，与所述航迹管理模块相连接，用于接收所述 目标航迹，并将与所述目标航迹对应的多目标跟踪结果送达用户。

在一具体实施例，所述高斯混合滤波器模块对所接收的量测 和新生目标进行处理时，量测没有关联的目标在更新步被所述量 测标签标记，并在下一时间步内作为新生目标。

在一具体实施例，所述高斯元标签随时间进行递推和传递，以 确定不同时刻的高斯元是否来自同一目标；所述量测标签用于对 当前时刻的高斯元进行标记，以分辨目标来自于漏检还是量测。

采用本发明的自适应新生目标起始的多目标跟踪方法，首先 给定当前时刻之前的多目标参数，其包括存活目标的高斯元和强 度、新生目标的高斯元和强度、没有与目标进行关联的量测集合 以及对应的量测数目集合；在当前时刻对存活目标的高斯元和强 度进行一步预测，得到预测后的存活目标的高斯元集合和强度； 若当前时刻存在新的传感器观测值，对存活目标的高斯元和强度 进行更新，得到预测后的存活目标的高斯元集合和强度，并将量 测及其对应的高斯元分配对应的标签；对更新后的高斯元进行修 剪与合并，消除多余的高斯元；对修剪与合并后的高斯元进行多 目标状态提取，得到多目标状态的估计集合和对应的量测集合， 同时得到没有与目标进行关联的量测集合；根据没有与目标进行关联的量测集合得到新生目标的预测强度；对上一步骤中的新生 目标的预测强度进行更新。

与现有技术相比，本发明的多目标跟踪方法可以在新生目标 强度未知的情况下同时对目标数目和状态进行估计，量测没有关 联的目标在更新步被量测标签标记，并在下个时间步内作为新生 目标。利用当前步未关联的量测和上一时间步内未关联的量测， 通过量测波门搜索可能的新生目标，经过搜索过程之后，用于产 生新生目标的量测数量大为减少，因而可以减少不必要的计算量， 同时可以提高稳态估计精度。

附图说明

读者在参照附图阅读了本发明的具体实施方式以后，将会更 清楚地了解本发明的各个方面。其中，

图1示出依据本发明的一个方面，用于自适应新生目标起始 的多目标跟踪方法的流程框图。

图2示出依据本发明的另一个方面，用于自适应新生目标起 始的多目标跟踪处理装置的结构示意图。

图3示出采用图1的多目标跟踪方法的跟踪场景示意图。

图4示出采用MEA-GM-EPHDF方法和GM-EPHDF方法经过 100次蒙特卡洛仿真的数据估计值与真实值的比较示意图。

图5示出图4中的MEA-GM-EPHDF方法和GM-EPHDF方法 经过100次蒙特卡洛仿真的OSPA距离的比较示意图。

图6示出图4中的MEA-GM-EPHDF方法和GM-EPHDF方法 在不同杂波密度下的ICE的比较示意图。

具体实施方式

为了使本申请所揭示的技术内容更加详尽与完备，可参照附 图以及本发明的下述各种具体实施例，附图中相同的标记代表相 同或相似的组件。然而，本领域的普通技术人员应当理解，下文 中所提供的实施例并非用来限制本发明所涵盖的范围。此外，附 图仅仅用于示意性地加以说明，并未依照其原尺寸进行绘制。

下面参照附图，对本发明各个方面的具体实施方式作进一步 的详细描述。

图1示出依据本发明的一个方面，用于自适应新生目标起始 的多目标跟踪方法的流程框图。

参照图1，在该实施方式中，本申请的用于自适应新生目标起 始的多目标跟踪方法通过步骤S101～步骤S113予以实现。详言之， 在步骤S101中，给定当前时刻之前的多目标参数。在此，多目标 参数既包括存活目标的高斯元和强度，还包括新生目标的高斯元 和强度、没有与目标进行关联的量测集合及对应的量测数目集合。

然后，在步骤S103和S105中，于当前时刻对存活目标的高 斯元和强度进行一步预测，得到预测后的存活目标的高斯元集合 和强度。若当前时刻存在新的传感器观测值，对步骤S103的存活 目标的高斯元和强度进行更新，得到预测后的存活目标的高斯元 集合和强度，并将量测及其对应的高斯元分配对应的标签，亦即 得到量测标签与高斯元标签。

接着，在步骤S107和S109中，对更新后的高斯元进行修剪 与合并，消除多余的高斯元。并且对修剪与合并后的高斯元进行 多目标状态提取，得到多目标状态的估计集合和对应的量测集合， 同时得到没有与目标进行关联的量测集合。

最后，在步骤S111和S113中，根据没有与目标进行关联的 量测集合得到新生目标的预测强度，以及对上述步骤S111的新生 目标的预测强度进行更新。

进一步而言，在步骤S101中，给定当前时刻之前的多目标参数 为：(k-1)时刻存活目标的高斯元

进一步而言，在步骤S103中，用于预测的存活目标高斯元可以 通过下式得到：

式中：

k时刻存活目标的高斯元均值和方差通过下面的公式进行预测：

式中：

根据一具体实施例，在步骤S105中，当存在新的传感器观测值 时，对存活目标高斯元的均值和方差进行更新，其计算公式为：

式中：

得到存活目标高斯元的均值和方差后即可得到更新后的存活目 标强度，记为D

其中：

式中：

在k时刻，有量测集合

其中L

在更新时，给每个由量测z

根据一具体实施例，在步骤S109中，在修剪与合并后，多目标 状态可以通过提取权重大于某个阈值ω

式中：

状态提取后目标的状态集合为

一旦获得了k时刻未关联的量测集合

根据一具体实施例，在步骤S111中，

令

其中：

式中：

根据一具体实施例，在步骤S113中，新生目标的强度更新为

其中：

式中：

由上述可知，本发明的多目标跟踪方法可以在新生目标强度 未知的情况下同时对目标数目和状态进行估计，量测没有关联的 目标在更新步被量测标签标记，并在下个时间步内作为新生目标。 利用当前步未关联的量测和上一时间步内未关联的量测，通过量测波门搜索可能的新生目标，经过搜索过程之后，用于产生新生 目标的量测数量大为减少，因而可以减少不必要的计算量，同时 可以提高稳态估计精度。

图2示出依据本发明的另一个方面，用于自适应新生目标起 始的多目标跟踪处理装置的结构示意图。

参照图2，在该实施方式中，本申请用于自适应新生目标起始 的多目标跟踪处理装置包括量测输入模块、高斯混合滤波器模块、 航迹管理模块、航迹输出模块以及新生目标起始模块。

具体而言，量测输入模块用于接收含有杂波的量测。高斯混 合滤波器模块与量测输入模块相连接，用于对所接收的量测和新 生目标进行滤波处理，得到预测后的存活目标的高斯元集合和强 度，并输出量测标签和高斯元标签。航迹管理模块与高斯混合滤 波器模块相连接，用于对高斯元标签进行处理，最终得到目标航 迹。新生目标起始模块与高斯混合滤波器模块相连接，用于根据 量测标签得到当前时刻的新生目标，并将新生目标输出至高斯混 合滤波器模块。航迹输出模块与航迹管理模块相连接，用于接收 目标航迹，并将与目标航迹对应的多目标跟踪结果送达用户。

由上述可知，本申请的多目标跟踪处理装置设有高斯混合滤 波器模块，其对于存活目标的高斯元和强度进行更新时，于更新 步同时采用了高斯元标签和量测标签对高斯元进行标记从而提高 计算效率和精度。由于高斯元标签随着时间进行递推和传递，进 而据此确定不同时刻的高斯元是否来自同一目标(航迹)；又因为 量测标签并不随时间进行递推和传递，只对当前时刻的高斯元起 到标记作用，进而据此分辨目标来自于漏检还是量测。如此一来， 该方法可以在新生目标强度未知的情况下同时对目标数目和状态 进行估计，与量测没有关联的目标在更新步被量测标签标记，并 在下个时间步内作为新生目标，利用当前步和之前时间步内的量 测通过量测波门搜索可能的新生目标。

图3示出采用图1的多目标跟踪方法的跟踪场景示意图。图4 示出采用MEA-GM-EPHDF方法和GM-EPHDF方法经过100次蒙 特卡洛仿真的数据估计值与真实值的比较示意图。图5示出图4 中的MEA-GM-EPHDF方法和GM-EPHDF方法经过100次蒙特卡 洛仿真的OSPA距离的比较示意图。图6示出图4中的 MEA-GM-EPHDF方法和GM-EPHDF方法在不同杂波密度下的 ICE的比较示意图。

如图3所示，考虑一个二维平面的跟踪问题，假设目标的状 态为

假设雷达的观测量为斜距r，方位角θ，则k时刻的观测方程为：

式中，ε

观测中的杂波随机有限集服从泊松分布，其概率密度为 κ

本实施例使用Matlab语言对所提出的方法进行了测试，并对两 种方法进行比较：传统的自适应新生目标起始多目标概率假设密度滤 波器(GM-EPHDF)和本申请提出的高效自适应新生目标起始多目标 概率假设密度滤波器(MEA-GM-EPHDF)。下面将通过以下几个方面 对上述两种算法的性能进行评估：(1)势估计、真实值和估计值；(2) OPSA距离的对比；(3)计算效率对比。

图4给出势估计的真实值和经过100次蒙特卡洛仿真的估计均 值。从中可以看出两种方法都可以估计出目标数目。此外，应当从图 4还可知晓，MEA-GM-EPHDF在稳态的估计精度要高于GM-EPHDF， 而GM-EPHDF在新生目标产生时的响应速度更快。这是因为 MEA-GM-EPHDF采用了延时逻辑，利用当前步与前一步的量测做判 断，而只利用可能的新生目标进行递推则会提高精度。另外可以看出， MEA-GM-EPHDF的总体估计精度以及稳态估计精度均优于 GM-EPHDF。因此MEA-GM-EPHDF算法对目标数目的估计效果相 比于GM-EPHDF更好。

图5给出100次蒙特卡洛仿真OSPA距离，OSPA距离可以同时 评价两个随机集的数目和元素的差别。从图5中可以看出，当新生目 标产生时，两种算法的OSPA距离都有尖峰。这是因为两种方法都不 能实时响应新生目标。而MEA-GM-EPHDF要延迟一到两步。在新生目标产生时，MEA-GM-EPHDF的OSPA距离要大于GM-EPHDF的 OSPA距离，而稳态时则相反，亦即MEA-GM-EPHDF的OSPA距离 要小于GM-EPHDF。此外还可看出，MEA-GM-EPHDF的总体OSPA距离要大于GM-EPHDF，而稳态OSPA距离则优于GM-EPHDF，因 为GM-EPHDF对新生目标的响应速度总是高于MEA-GM-EPHDF。 但是MEA-GM-EPHDF的估计精度要好于GM-EPHDF的估计精度。

为了比较算法的计算效率，定义如下的计算效率提高量：

其中

图6给出了不同杂波密度(每个扫描周期平均杂波个数)条件下 MEA-GM-EPHDF算法相对GM-EPHDF的ICE(100次蒙特卡洛仿 真)。由图可以看出，在杂波密度为5的情况下，ICE为50％，随着 杂波密度的提升，ICE也随之增加，在杂波密度达到35以上时，ICE 可得到90％。由此可以看出在不同杂波密度条件下，MEA-GM-EPHDF 算法计算效率均高于GM-EPHDF方法，且随杂波密度增加，效率提 高越大。这是由于MEA-GM-EPHDF算法采用量测-估计关联和量测 波门筛选之后，用于产生新生目标的量测大大减少，所以计算效率得 到提升。

采用本发明的自适应新生目标起始的多目标跟踪方法，首先 给定当前时刻之前的多目标参数，其包括存活目标的高斯元和强 度、新生目标的高斯元和强度、没有与目标进行关联的量测集合 以及对应的量测数目集合；在当前时刻对存活目标的高斯元和强 度进行一步预测，得到预测后的存活目标的高斯元集合和强度； 若当前时刻存在新的传感器观测值，对存活目标的高斯元和强度 进行更新，得到预测后的存活目标的高斯元集合和强度，并将量 测及其对应的高斯元分配对应的标签；对更新后的高斯元进行修 剪与合并，消除多余的高斯元；对修剪与合并后的高斯元进行多 目标状态提取，得到多目标状态的估计集合和对应的量测集合， 同时得到没有与目标进行关联的量测集合；根据没有与目标进行关联的量测集合得到新生目标的预测强度；对上一步骤中的新生 目标的预测强度进行更新。

与现有技术相比，本发明的多目标跟踪方法可以在新生目标 强度未知的情况下同时对目标数目和状态进行估计，量测没有关 联的目标在更新步被量测标签标记，并在下个时间步内作为新生 目标。利用当前步未关联的量测和上一时间步内未关联的量测， 通过量测波门搜索可能的新生目标，经过搜索过程之后，用于产 生新生目标的量测数量大为减少，因而可以减少不必要的计算量， 同时可以提高稳态估计精度。

上文中，参照附图描述了本发明的具体实施方式。但是，本 领域中的普通技术人员能够理解，在不偏离本发明的精神和范围 的情况下，还可以对本发明的具体实施方式作各种变更和替换。 这些变更和替换都落在本发明权利要求书所限定的范围内。