一種不均勻雜波環(huán)境下多目標跟蹤的概率假設(shè)密度方法
【專利摘要】本發(fā)明實施例提供了一種不均勻雜波環(huán)境下多目標跟蹤的概率假設(shè)密度方法，涉及智能信息處理領(lǐng)域，可以在計算量減小的情況下，提高計算結(jié)果的準確性。所述方法包括：監(jiān)視區(qū)域為稀疏雜波區(qū)域的，直接進行標準PHD預測及更新，獲得估計的目標數(shù)以及目標狀態(tài)；監(jiān)視區(qū)域為密集雜波區(qū)域的則尋找凸包，確定雜波區(qū)；并在逐時刻進行PHD預測時選擇未包含在雜波區(qū)的回波進行計算，在進行PHD更新時，加入真實目標的量測剛好落入所述雜波區(qū)的回波；將所述后驗強度中的高斯成分進行剪枝與合并，獲得目標強度；然后計算所述目標強度中所有高斯成分的權(quán)值和，得到監(jiān)視區(qū)域內(nèi)的估計目標數(shù)；提取目標強度中權(quán)值大于τ的高斯成分，作為估計的目標狀態(tài)。
【專利說明】一種不均勻雜波環(huán)境下多目標跟蹤的概率假設(shè)密度方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及智能信息處理領(lǐng)域，尤其涉及一種不均勻雜波環(huán)境下多目標跟蹤的概 率假設(shè)密度方法。

【背景技術(shù)】
[0002] 多目標跟蹤是研究從目標量測和雜波中估計目標數(shù)目與各個目標狀態(tài)的方法。傳 統(tǒng)的處理多目標跟蹤問題的方法大都是基于數(shù)據(jù)關(guān)聯(lián)的，需要建立量測和目標的對應關(guān) 系，如最近鄰法（NN)，聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法（JPDA)，多假設(shè)跟蹤算法（MHT)。近年來，基 于隨機有限集（Random Finite Set,RFS)理論的多目標跟蹤算法得到很大的關(guān)注。Mahler 提出的概率假設(shè)密度（Probability Hypothesis Density, PHD)濾波算法就是一種在隨機 有限集框架下，相比完全多目標貝葉斯濾波器，運算復雜度得到有效降低的算法。
[0003] 在傳統(tǒng)的PHD濾波器中，通常假設(shè)在可觀測的范圍內(nèi)雜波是均勻分布的，但在實 際環(huán)境中雜波的空間分布在觀測區(qū)域是不均勻的，雜波區(qū)可分為稀疏雜波區(qū)和密集雜波 區(qū)，在密集雜波區(qū)，虛警的數(shù)目遠遠大于真實目標的量測，這種情況下進行多目標跟蹤是一 個困難的課題。因此，當雜波分布不均勻時，傳統(tǒng)的PHD濾波器的跟蹤性能會急劇下降。針 對此問題，現(xiàn)有技術(shù)中有一種方法是在PHD粒子濾波的過程中，通過設(shè)定門限，將位于門限 之外的觀測值濾除，僅利用位于門限內(nèi)的觀測值進行粒子權(quán)重的更新。還有一種方法是提 出一種應用目標起始和維持規(guī)則輔助的SMC-PHD濾波方法，每個粒子除了狀態(tài)矢量和權(quán)值 夕卜，還增加了兩個輔助變量，一個用來表示粒子的存活年齡，一個用來表示最近N個周期粒 子受到觀測值更新的情況。
[0004] 上述這些方法，都是針對密集雜波環(huán)境下目標跟蹤的PHD方法，而在既有稀疏雜 波又有密集雜波的復雜的雜波環(huán)境下應用這些方法，就會導致在稀疏雜波區(qū)和密集雜波區(qū) 計算量都很大，不能實現(xiàn)快速運算，然而在稀疏雜波區(qū)計算量本不用那么大，應用這些方法 反而導致計算量大，而且得到的結(jié)果也不一定理想。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的實施例提供一種不均勻雜波環(huán)境下多目標跟蹤的概率假設(shè)密度方法，可 以在計算量減小的情況下，提高計算結(jié)果的準確性。
[0006] 為達到上述目的，本發(fā)明的實施例采用如下技術(shù)方案：
[0007] -種不均勻雜波環(huán)境下多目標跟蹤的概率假設(shè)密度方法，包括：
[0008] 判斷監(jiān)視區(qū)域內(nèi)η幀累積的回波數(shù)是否大于門限值ε，其中，所述η，ε為預設(shè)數(shù) 值；
[0009] 若否，則直接進行標準PHD預測及PHD更新，獲得估計的目標數(shù)以及目標狀態(tài)；
[0010] 若是，則尋找凸包，確定雜波區(qū)；
[0011] 初始化，獲得初始時刻的后驗強度，所述初始時刻為〇時刻；
[0012] 針對k時刻測得的回波值，選擇未包含在所述雜波區(qū)的回波進行PHD預測計算，根 據(jù)k-1時刻的后驗強度，獲得k時刻的預測強度，其中，所述k為大于等于1的整數(shù)；
[0013] 根據(jù)所述k時刻的預測強度，用更新的回波進行PHD更新，獲得k時刻的后驗強 度，其中，所述更新的回波包括k時刻測得的回波值中所述未包含在所述雜波區(qū)的回波，以 及k時刻真實目標的量測剛好落入所述雜波區(qū)的回波；所述后驗強度為高斯混合形式，包 括各個高斯成分的權(quán)值、均值和協(xié)方差；
[0014] 將所述后驗強度中權(quán)值小于T的高斯成分濾除，將高斯成分間的距離小于U的高 斯成分進行合并，獲得目標強度；其中，U彡10, T彡ΚΓ5;
[0015] 計算所述目標強度中所有高斯成分的權(quán)值和，得到所述監(jiān)視區(qū)域內(nèi)的估計目 標數(shù)；提取所述目標強度中權(quán)值大于τ的高斯成分，作為估計的目標狀態(tài)，其中，所述 τ ^ 0. 5〇
[0016] 可選的，所述尋找凸包，確定雜波區(qū)，包括：
[0017] 應用近似傳播（ΑΡ)聚類算法對所述監(jiān)視區(qū)域內(nèi)的η幀累積的回波進行聚類，獲得 聚類結(jié)果；
[0018] 對于所述聚類結(jié)果中聚類點數(shù)大于Π 的區(qū)域，用Graham scan方法尋找凸包，確 定雜波區(qū)，所述η根據(jù)仿真場景而定。
[0019] 上述技術(shù)方案提供的不均勻雜波環(huán)境下多目標跟蹤的概率假設(shè)密度方法，利用ΑΡ 聚類算法，首先對監(jiān)視區(qū)域內(nèi)多幀累積的回波進行聚類，用尋找凸包的方法確定雜波區(qū)，然 后再逐觀測時刻進行PHD預測和更新，在PHD預測時，不用雜波區(qū)內(nèi)的回波，但當進行PHD 更新時，需要將發(fā)現(xiàn)的真實目標的量測剛好落入雜波區(qū)中的回波取出進行PHD更新，這樣 可以保證算法的高精度，使估計結(jié)果更準確。另外，當監(jiān)視區(qū)域內(nèi)的回波數(shù)大于某個門限時 才進行聚類和確定雜波區(qū)的運算，否則不作此運算直接進行標準的PHD預測和更新，這樣 計算過程簡單，對于不均勻雜波區(qū)可以實現(xiàn)快速運算，從而實現(xiàn)不均勻雜波環(huán)境下PHD方 法跟蹤性能的提升。

【專利附圖】

【附圖說明】
[0020] 圖1為本發(fā)明實施例提供的一種不均勻雜波環(huán)境下多目標跟蹤的概率假設(shè)密度 方法的流程示意圖；
[0021] 圖2為本發(fā)明實施例提供的一種AP聚類算法數(shù)據(jù)點之間消失傳遞示意圖；
[0022] 圖3為本發(fā)明實施例提供的一種應用Graham scan算法尋找凸包的示意圖；
[0023] 圖4為本發(fā)明實施例提供的一種不均勻雜波環(huán)境下進行多目標跟蹤的仿真場景 圖；
[0024] 圖5為本發(fā)明實施例提供的一種應用本發(fā)明提供的方法仿真出來的狀態(tài)估計圖；
[0025] 圖6為本發(fā)明實施例提供的一種應用本發(fā)明提供的方法仿真出來的目標數(shù)估計 圖；
[0026] 圖7為本發(fā)明實施例提供的一種應用高斯混合PHD方法仿真出來的狀態(tài)估計圖；
[0027] 圖8為本發(fā)明實施例提供的一種應用高斯混合PHD方法仿真出來的目標數(shù)估計 圖。

【具體實施方式】
[0028] 下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于 本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他 實施例，都屬于本發(fā)明保護的范圍。
[0029] 本發(fā)明實施例提供了一種不均勻雜波環(huán)境下多目標跟蹤的概率假設(shè)密度方法，如 圖1所示，所述方法包括以下步驟：
[0030] 101、判斷監(jiān)視區(qū)域內(nèi)η幀累積的回波數(shù)是否大于ε。
[0031] 其中，所述η，ε為預設(shè)數(shù)值；所述ε是依據(jù)監(jiān)視區(qū)域內(nèi)的回波數(shù)而由使用者預設(shè) 的，所述η也是由使用者自己預設(shè)的。
[0032] 若監(jiān)視區(qū)域內(nèi)η幀累積的回波數(shù)大于ε，則表明所述監(jiān)視區(qū)域為密集雜波區(qū)域， 進行步驟103-107 ;若監(jiān)視區(qū)域內(nèi)η幀累積的回波數(shù)小于ε，則表明所述監(jiān)視區(qū)域為稀疏雜 波區(qū)域，進行步驟102。
[0033] 102、直接進行標準PHD預測及PHD更新，獲得估計的目標數(shù)以及目標狀態(tài)。
[0034] 在這里所述的標準PHD預測及PHD更新，即為現(xiàn)有技術(shù)中的傳統(tǒng)的PHD預測及PHD 更新，本領(lǐng)域技術(shù)人員都清楚了解其計算過程，故在此不再進行贅述。
[0035] 103、尋找凸包，確定雜波區(qū)。
[0036] 可選的，步驟103包括以下步驟：
[0037] A、應用AP聚類算法對所述監(jiān)視區(qū)域內(nèi)的η幀累積的回波進行聚類，獲得聚類結(jié) 果。
[0038] AP (Affinity Propagation,近似傳播）聚類算法是根據(jù)Ν個數(shù)據(jù)點之間的相似 度進行聚類，這些相似度可以是對稱的，即兩個數(shù)據(jù)點互相之間的相似度一樣（如歐式距 離）；也可以是不對稱的，即兩個數(shù)據(jù)點互相之間的相似度不等。這些相似度組成NXN的 相似度矩陣S (其中N為有N個數(shù)據(jù)點）。AP算法不需要事先指定聚類數(shù)目，相反它將所有 的數(shù)據(jù)點都作為潛在的聚類中心，稱之為exemp 1 ar。
[0039] AP聚類算法的主要思想是：以S矩陣的對角線上的數(shù)值S(k'，k')作為k'點 能否成為聚類中心的評判標準，這意味著該值越大，這個點成為聚類中心的可能性也就越 大，這個值便是參考度P。聚類的數(shù)量受到參考度P的影響，如果認為每個數(shù)據(jù)點都有可能 作為聚類中心，那么P就應取相同的值。如果取輸入的相似度的均值作為P的值，得到聚類 數(shù)量是中等的。如果取最小值，得到類數(shù)較少的聚類。AP聚類算法中傳遞兩種類型的消息， 即Responsibility和Availability。R(i/ ,k')表示從點i'發(fā)送到候選聚類中心k' 的數(shù)值消息，反映 k'點是否適合作為i'點的聚類中心。A(i'，k')則表示從候選聚類 中心k'發(fā)送到i'的數(shù)值消息，反映 i'點是否選擇k'作為其聚類中心。R(i'，k')與 A(i'，k')越強，則k'點作為聚類中心的可能性就越大，并且i'點隸屬于以k'點為聚 類中心的聚類的可能性也越大。AP聚類算法通過迭代過程不斷更新每一個點的吸引度和歸 屬度值，直到產(chǎn)生Μ個高質(zhì)量的exemplar，同時將其余的數(shù)據(jù)點分配到相應的聚類中。
[0040] 在這里需要說明的是：
[0041] 1、exemplar :指的是聚類中心。
[0042] 2、similarity :數(shù)據(jù)點i'和點j'的相似度記為S(i' , j')。是指點j'作為 點W的聚類中心的相似度。一般使用歐氏距離來計算。在該算法中，所有點與點的相似度 全部取為負值。這樣，相似度值越大說明點與點的距離越近，便于后續(xù)計算。
[0043] 3、preference :數(shù)據(jù)點i'的參考度稱為P(i')或S(i'，i')。是指點i'作 為聚類中心的參考度。一般取S相似度值的中值。
[0044] 4、Responsibility :R(i ' , k')用來描述點k'適合作為數(shù)據(jù)點i '的聚類中心 的程度。
[0045] Availability :A(ik')用來描述點i '選擇點k'作為其聚類中心的適合程 度。
[0046] 如圖2所不，為Responsibility (圖2中記為R)和Availability (圖2中記為A) 兩者之間的關(guān)系。
[0047] R(i'，k，）、A(i'，k，）與 R(k'，k，）的計算公式為：
[0048] R(i，，k，）= S(i，，k，，j，）+S(i，，j，）} (j，e {1，2，…， N}&j'尹 k，） (1)
[0049]

【權(quán)利要求】
1. 一種不均勻雜波環(huán)境下多目標跟蹤的概率假設(shè)密度方法，其特征在于，包括： 判斷監(jiān)視區(qū)域內(nèi)η幀累積的回波數(shù)是否大于門限值ε，其中，所述η，ε為預設(shè)數(shù)值； 若否，則直接進行標準PHD預測及PHD更新，獲得估計的目標數(shù)以及目標狀態(tài)； 若是，則尋找凸包，確定雜波區(qū)； 初始化，獲得初始時刻的后驗強度，所述初始時刻為〇時刻； 針對k時刻測得的回波值，選擇未包含在所述雜波區(qū)的回波進行PHD預測計算，根據(jù) k-Ι時刻的后驗強度，獲得k時刻的預測強度，其中，所述k為大于等于1的整數(shù)； 根據(jù)所述k時刻的預測強度，用更新的回波進行PHD更新，獲得k時刻的后驗強度，其 中，所述更新的回波包括k時刻測得的回波值中所述未包含在所述雜波區(qū)的回波，以及k時 刻真實目標的量測剛好落入所述雜波區(qū)的回波；所述后驗強度為高斯混合形式，包括各個 高斯成分的權(quán)值、均值和協(xié)方差； 將所述后驗強度中權(quán)值小于T的高斯成分濾除，將高斯成分間的距離小于U的高斯成 分進行合并，獲得目標強度；其中，U彡10, T彡ΚΓ5; 計算所述目標強度中所有高斯成分的權(quán)值和，得到所述監(jiān)視區(qū)域內(nèi)的估計目標數(shù)；提 取所述目標強度中權(quán)值大于τ的高斯成分，作為估計的目標狀態(tài)，其中，所述τ >0.5。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述尋找凸包，確定雜波區(qū)，包括： 應用近似傳播（ΑΡ)聚類算法對所述監(jiān)視區(qū)域內(nèi)的η幀累積的回波進行聚類，獲得聚類 結(jié)果； 對于所述聚類結(jié)果中聚類點數(shù)大于Π 的區(qū)域，用Graham scan方法尋找凸包，確定雜 波區(qū)，所述Π 根據(jù)仿真場景而定。
【文檔編號】G06T7/20GK104156984SQ201410381497
【公開日】2014年11月19日 申請日期:2014年8月2日 優(yōu)先權(quán)日:2014年5月30日
【發(fā)明者】楊峰, 史璽, 王永齊, 梁彥, 潘泉, 劉柯利, 陳昊, 史志遠, 王碧垚 申請人:西北工業(yè)大學