一种多目标跟踪方法及系统技术方案

本发明专利技术属于多传感器信息融合技术领域，提供了一种多目标跟踪方法及系统，将基于粒子边缘分布的贝叶斯滤波方法应用于多目标跟踪，通过新生目标生成与扩展、预测、更新、提取等步骤，利用粒子采样技术有效地解决了非线性非高斯系统中的多目标跟踪问题，可用于多目标跟踪领域，具有很强的实用性。

A Multi-target Tracking Method and System

The invention belongs to the field of multi-sensor information fusion technology, and provides a multi-target tracking method and system. The Bayesian filtering method based on particle edge distribution is applied to multi-target tracking. The multi-target tracking problem in non-linear non-Gaussian system is effectively solved by using particle sampling technology through the steps of generating and expanding, predicting, updating and extracting new targets. It can be used in the field of multi-target tracking and has strong practicability.

【技术实现步骤摘要】
一种多目标跟踪方法及系统
本专利技术属于多传感器信息融合
，尤其涉及一种多目标跟踪方法及系统。
技术介绍
在目前的多目标跟踪中，通常假定噪声为高斯噪声，但是对于非线性非高斯系统中的多目标跟踪，是需要探索和解决的一个关键技术问题。
技术实现思路
本专利技术提供了一种多目标跟踪方法及系统，旨在解决非线性非高斯系统中的多目标跟踪的问题。为解决上述技术问题，本专利技术实施例第一方面提供了一种多目标跟踪方法，所述方法包括：新生目标的生成与扩展步骤、先由前一时刻的测量数据生成前一时刻新生目标的边缘分布，并且为所述新生目标指定存在概率，再将新生目标的边缘分布和存在概率分别扩展至前一时刻各目标的边缘分布和存在概率中，得到前一时刻目标的扩展边缘分布和扩展存在概率；预测步骤、根据前一时刻各个目标的扩展边缘分布和扩展存在概率，使用粒子方法预测前一时刻的各个目标在当前时刻的预测边缘分布和预测存在概率；更新步骤、根据前一时刻的各目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻的测量数据，利用粒子滤波方法确定前一时刻的各个目标在当前时刻的更新边缘分布和更新存在概率；提取步骤、将前一时刻的各个目标在当前时刻的预测边缘分布和预测存在概率分别扩展至各个目标在当前时刻的更新边缘分布和更新存在概率中，得到当前时刻各个目标的扩展边缘分布为和扩展存在概率为同时从当前时刻目标i的扩展边缘分布中提取存在概率最大的边缘分布以及从当前时刻目标i的扩展存在概率中提取最大存在概率分别作为目标i在当前时刻的边缘分布和存在概率，其中i＝1,...,Nk-1，从各个目标在当前时刻的边缘分布和存在概率中将存在概率小于第一阈值的边缘分布和存在概率裁减掉；传递裁减后余下的各目标在当前时刻的边缘分布和存在概率至下一时刻，作为下一时刻目标跟踪过程的输入；从裁减后余下的各目标在当前时刻的边缘分布中提取存在概率大于第二阈值的边缘分布作为当前时刻目标跟踪过程的输出。为解决上述技术问题，本专利技术实施例第二方面提供了一种多目标跟踪系统，所述系统包括：新生目标生成与扩展模块，用于由前一时刻的测量数据生成前一时刻新生目标的边缘分布，并且为所述新生目标指定存在概率，再将新生目标的边缘分布和存在概率分别扩展至前一时刻各目标的边缘分布和存在概率中，得到前一时刻目标的扩展边缘分布和扩展存在概率；预测模块，用于根据前一时刻各个目标的扩展边缘分布和扩展存在概率，使用粒子方法预测前一时刻的各个目标在当前时刻的预测边缘分布和预测存在概率；更新模块，用于根据前一时刻的各目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻的测量数据，利用粒子滤波方法确定前一时刻的各个目标在当前时刻的更新边缘分布和更新存在概率；提取模块，用于将前一时刻的各个目标在当前时刻的预测边缘分布和预测存在概率分别扩展至各个目标在当前时刻的更新边缘分布和更新存在概率中，得到当前时刻各个目标的扩展边缘分布为和扩展存在概率为同时从当前时刻目标i的扩展边缘分布中提取存在概率最大的边缘分布以及从当前时刻目标i的扩展存在概率中提取最大存在概率分别作为目标i在当前时刻的边缘分布和存在概率，其中i＝1,...,Nk-1，从各个目标在当前时刻的边缘分布和存在概率中将存在概率小于第一阈值的边缘分布和存在概率裁减掉；传递裁减后余下的各目标在当前时刻的边缘分布和存在概率至下一时刻，作为下一时刻目标跟踪过程的输入；从裁减后余下的各目标在当前时刻的边缘分布中提取存在概率大于第二阈值的边缘分布作为当前时刻目标跟踪过程的输出。本专利技术与现有技术相比，有益效果在于：本专利技术提供的一种多目标跟踪方法和系统，本专利技术中利用了基于粒子边缘分布的贝叶斯滤波方法，通过新生目标生成与扩展、预测、更新、提取等步骤，利用粒子采样技术有效地解决了非线性非高斯系统中的多目标跟踪问题，本专利技术可用于多目标跟踪领域，具有很强的实用性。附图说明图1为本专利技术第一实施例提供的一种多目标跟踪方法的方法流程图；图2为本专利技术第二实施例提供的一种多目标跟踪系统的系统结构图；图3为本专利技术第三实施例中利用传感器在70个扫描周期内扫描得到的测量数据的示意图；图4为利用现有的基于无迹变换的多目标高斯混合粒子PHD滤波方法，对图3的测量数据进行处理，得到各目标的位置估计及真实轨迹的示意图；图5为利用本专利技术第一实施例提供的多目标跟踪方法，对图3中的测量数据进行处理，得到各目标的位置估计及真实轨迹的示意图；图6为利用现有技术中的基于无迹变换的多目标高斯混合粒子PHD滤波方法以及本专利技术第一实施例中的多目标跟踪方法，分别经过100次实验得到的平均OSPA(OptimalSubpatternAssignment，最优亚模式分配)距离的对比示意图。具体实施方式为使得本申请的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。第一实施例为了有效地解决了非线性非高斯系统中的多目标跟踪问题，本申请第一实施例提出一种多目标跟踪方法，参见图1，该多目标跟踪方法包括：步骤101、先由前一时刻的测量数据生成前一时刻新生目标的边缘分布，并且为所述新生目标指定存在概率，再将新生目标的边缘分布和存在概率分别扩展至前一时刻各目标的边缘分布和存在概率中，得到前一时刻目标的扩展边缘分布和扩展存在概率；可选的，以k-1时刻表示前一时刻，k时刻表示当前时刻，k-1时刻的测量数据j表示为yj,k-1＝[rj,k-1θj,k-1]T，其中，j＝1,...,C'，rj,k-1和θj,k-1分别表示k-1时刻的测量数据j(在极坐标下)的距离分量和方位角分量，C'为k-1时刻的测量数据的总数，上标T表示矩阵或向量的转置，k-1时刻的目标i的边缘分布和存在概率分别为fi(xi,k-1|y1:k-1)＝N(xi,k-1；mi,k-1|k-1；Pi,k-1|k-1)和ρi,k-1|k-1，其中，i＝1,...,N'k-1，N(·)表示高斯分布，xi,k-1、mi,k-1|k-1、Pi,k-1|k-1、分别表示k-1时刻目标i的边缘分布的状态向量、均值和协方差，N'k-1表示k-1时刻目标的总数，状态向量由目标在直角坐标系中的位置、速度和转弯率构成；本实施例中，是通过传感器的扫描来获取测量数据，在一个实施例中，该传感器具有扫描周期，可选的，该扫描周期的数值可以固定，在不同的扫描周期，传感器会对其扫描空间进行扫描以获取测量数据，可以理解的是，在传感器的扫描空间中不仅存在目标，还可能存在障碍物，目标和障碍物都可能会作为被测量物体被传感器扫描到，从而产生测量数据。可选的，本实施例中的前一时刻可以理解为当前时刻之间的前一个扫描周期，而当前时刻可以理解为当前的扫描周期。在一个示例中，传感器可以是雷达，但应当理解的是传感器并不局限于雷达这一种传感器。可以理解的是，针对每一个测量数据，都有一个被测量的物体与之对应，rj,k-1和θj,k-1对应的测量数据j，表示k-1时刻测量数据j(对应的被检测物体)在极坐标下的距离分量和方位角分本文档来自技高网...

【技术保护点】
1.一种多目标跟踪方法，其特征在于，所述方法包括：新生目标的生成与扩展步骤、先由前一时刻的测量数据生成前一时刻新生目标的边缘分布，并且为所述新生目标指定存在概率，再将新生目标的边缘分布和存在概率分别扩展至前一时刻各目标的边缘分布和存在概率中，得到前一时刻目标的扩展边缘分布和扩展存在概率；新生目标的生成与扩展步骤具体包括：以k‑1时刻表示前一时刻，k时刻表示当前时刻，k‑1时刻的测量数据j表示为yj,k‑1＝[rj,k‑1 θj,k‑1]

【技术特征摘要】
1.一种多目标跟踪方法，其特征在于，所述方法包括：新生目标的生成与扩展步骤、先由前一时刻的测量数据生成前一时刻新生目标的边缘分布，并且为所述新生目标指定存在概率，再将新生目标的边缘分布和存在概率分别扩展至前一时刻各目标的边缘分布和存在概率中，得到前一时刻目标的扩展边缘分布和扩展存在概率；新生目标的生成与扩展步骤具体包括：以k-1时刻表示前一时刻，k时刻表示当前时刻，k-1时刻的测量数据j表示为yj,k-1＝[rj,k-1θj,k-1]T，其中，j＝1,...,C'，rj,k-1和θj,k-1分别表示k-1时刻测量数据j的距离分量和方位角分量，C'为k-1时刻测量数据的总数，上标T表示矩阵或向量的转置，k-1时刻目标i的边缘分布和存在概率分别为fi(xi,k-1|y1:k-1)＝N(xi,k-1；mi,k-1|k-1；Pi,k-1|k-1)和ρi,k-1|k-1，其中，i＝1,...,N'k-1，N(·)表示高斯分布，xi,k-1、mi,k-1|k-1和Pi,k-1|k-1分别表示k-1时刻目标i的边缘分布中的状态向量、均值和协方差，N'k-1表示k-1时刻目标的总数，所述的状态向量包括目标在直角坐标系中的位置、速度和转弯率；由k-1时刻的测量数据yj,k-1＝[rj,k-1θj,k-1]T生成新生目标j的边缘分布为fj(xj,k-1|y1:k-1)＝N(xj,k-1；mj,k-1,γ,Pj,k-1,γ)，为所述新生目标j指定的存在概率为ρj,k-1,γ，其中，mj,k-1,γ＝[xs+rj,k-1cosθj,k-10ys+rj,k-1sinθj,k-100]T，Pj,k-1,γ＝Pγ，ρj,k-1,γ＝ργ，xs和ys分别表示传感器在直角坐标系下的x坐标和y坐标，Pγ为给定的矩阵，ργ为给定的常数，j＝1,...,C'；将各新生目标的边缘分布fj(xj,k-1|y1:k-1)＝N(xj,k-1；mj,k-1,γ,Pj,k-1,γ)和存在概率ρj,k-1,γ扩展至k-1时刻各目标的边缘分布fi(xi,k-1|y1:k-1)＝N(xi,k-1；mi,k-1|k-1；Pi,k-1|k-1)和存在概率ρi,k-1|k-1中，得到k-1时刻目标的扩展边缘分布为k-1时刻的扩展存在概率为其中，扩展边缘分布的个数为Nk-1＝N'k-1+C'；预测步骤、根据前一时刻各个目标的扩展边缘分布和扩展存在概率，使用粒子方法预测前一时刻的各个目标在当前时刻的预测边缘分布和预测存在概率；所述预测步骤具体包括：以A表示一次抽取粒子的总数，f(·)表示系统模型；由k-1时刻的目标i的扩展边缘分布的均值mi,k-1|k-1和协方差Pi,k-1|k-1，得到多维高斯分布N(·；mi,k-1|k-1,Pi,k-1|k-1)，从所述多维高斯分布中抽取粒子其中，i＝1,...,Nk-1,a＝1,...,A，利用所述系统模型f(·)更新抽取到的粒子，得到更新粒子其中，T表示采样间隔，ωi,k表示所述k时刻目标i的转弯率，通过所述更新粒子预测k-1时刻的目标i在k时刻的预测边缘分布fi(xi,k|y1:k-1)＝N(xi,k；mi,k|k-1,Pi,k|k-1)和预测存在概率ρi,k|k-1，其中ρi,k|k-1＝pS,kρi,k-1|k-1，过程噪声方差σv和σω表示过程噪声标准差，T表示采样间隔，pS,k表示幸存概率；更新步骤、根据前一时刻的各目标在当前时刻的预测边缘分布和预测存在概率，以及当前时刻的测量数据，利用粒子滤波方法确定前一时刻的各个目标在当前时刻的更新边缘分布和更新存在概率；所述更新步骤具体包括：以C表示当前时刻测量数据的总数，当前时刻的测量数据集合为测量模型为h(·)，测量噪声概率密度函数为其中，为闪烁率，和表示协方差，和表示均值，σr1、σr2、σθ1和σθ2表示测量噪声标准差，r1和r2表示距离，θ1和θ2表示方位角；由目标i在所述当前时刻的所述预测边缘分布fi(xi,k|y1:k-1)＝N(xi,k；mi,k|k-1,Pi,k|k-1)中的均值mi,k|k-1和协方差Pi,k|k-1，以及测量噪声协方差R1和测量数据yc,k，经过无迹卡尔曼滤波处理得到第一个重要性密度函数的均值和协方差其中，无迹卡尔曼滤波处理的过程包括：选取采样点采样点和的权值分别为其中，l＝1,…,d，d表示状态向量的维数，λ为尺度参数，λ为满足λ+d≠0的任意数值；由所述采样点得到的第一个预测测量向量为其中，xs和ys分别表示传感器的x坐标和y坐标，和分别表示状态向量的x分量和y分量，由所述采样点得到的第一个测量向量更新的协方差为增益为第一个互协方差进而得到第一个重要性密度函数的均值和协方差由目标i在当前时刻的预测边缘分布fi(xi,k|y1:k-1)＝N(xi,k；mi,k|k-1,Pi,k|k-1)的均值mi,k|k-1和协方差Pi,k|k-1，以及测量噪声协方差R2和测量数据yc,k，经过无迹卡尔曼滤波处理得到第二个重要性密度函数的均值和协方差其中，无迹卡尔曼滤波处理的过程为：选取采样点所述采样点和的权值分别为其中，l＝1,…,d，d为状态向量的维数，λ为尺度参数，所述λ为满足λ+d≠0的任意数值；由所述采样点得到第二个预测测量向量其中xs和ys分别表示传感器的x坐标和y坐标，和分别表示状态向量的x分量和y分量，由所述采样点得到第二个测量向量更新的协方差为增益为第二个互协方差进而得到第二个重要性密度函数的均值和协方差从两个重要性密度函数中分别抽取总数为A的粒子并计算每个粒子的权重，从第一个重要性密度函数中抽取粒子粒子的权重为从第二个重要性密度函数中抽取粒子粒子的权重为其中，c＝1,...,C,a＝1,...,A；根据抽取的粒子确定当前时刻的目标i的更新边缘分布和更新存在概率分别为和其中，目标i的更新边缘分布均值为目标i的更新边缘分布协方差为目标i的更新存在概率为其中，λc,k表示杂波密度，pD,k表示检测概率；提取步骤、将前一时刻的各个目标在当前时刻的预测边缘分布和预测存在概率分别扩展至各个目标在当前时刻的更新边缘分布和更新存在概率中，得到当前时刻各个目标的扩展边缘分布为和扩展存在概率为同时从当前时刻目标i的扩展边缘分布中提取存在概率最大的边缘分布fi(xi,k|y1:k)＝fiindex(xi,k|y1:k)，以及从当前时刻目标i的扩展存在概率中提取最大存在概率分别作为目标i在当前时刻的边缘分布和存在概率，其中i＝1,...,Nk-1，从各个目标在当前时刻的边缘分布和存在概率中将存在概率小于第一阈值的边缘分布和存在概率裁减掉；传递裁减后余下的各目标在当前时刻的边缘分布和存在概率至下一时刻，作为下一时刻目标跟踪过程的输入；从裁减后余下的各目标在当前时刻的边缘分布中提取存在概率大于第二阈值的边缘分布作为当前时刻目标跟踪过程的输出。2.一种多目标...

【专利技术属性】
技术研发人员：刘宗香，吴冕，唐修江，李良群，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44