基于迭代RANSAC自适应新生目标强度估计的GM-PHD多目标跟踪方法技术

一种基于迭代RANSAC的自适应新生目标强度估计的GM‑PHD多目标跟踪方法，包括I‑RANSAC新生目标检测模块和PHD滤波模块。其中：所述I‑RANSAC新生目标检测模块包括：有效量测生成子模块、假设生成子模块、假设检验子模块，其中：有效量测生成子模块分别与当前量测和当前状态估计相连传输当前“滑窗”的有效量测，假设生成子模块与有效量测子模块相连传输从有效量测中通过随机采样而生成的航迹假设，假设检验子模块与假设生成子模块相连传输对当前假设航迹的经验结果，即确认的新生目标的位置信息。本发明专利技术方法具有有效、鲁棒的优点，可广泛应用于雷达、机器人、视频监控等多目标跟踪领域。

【技术实现步骤摘要】
基于迭代RANSAC自适应新生目标强度估计的GM-PHD多目标跟踪方法
本专利技术涉及一种视频多目标跟踪方法，具体是一种基于高斯混合概率假设密度(GM-PHD)滤波的动态视频多目标跟踪方法。
技术介绍
多目标跟踪(MTT)技术已在智能监控，机器人自动导航，生物学等不同领域得到广泛应用。MTT的目的是从包含有杂波的量测集合中估计出多目标的数目和状态。由于量测中存在杂波以及检测的不确定性等原因，精确跟踪数目变化的多目标仍然是一个难题。传统的多目标跟踪应用“量测-航迹”数据关联技术，旨在把多目标跟踪问题解耦为多个单目标的跟踪问题。Reid等提出的多假设方法(MHT)和Bar-Shalom等提出的联合概率数据关联方法(JPDA)是最具代表性和有效性的两种关联方法。由于方法的组合特性，数据关联方法的共同缺点是计算量庞大，因而限制了该类算法的实际应用。近年来，基于随机有限集(RFS)的多目标跟踪方法取得了巨大突破，并得到了广泛的关注。基于RFS理论框架方法将不确定的量测与多目标状态表示成随机集合，进而将多目标跟踪问题表述为多维贝叶斯滤波器，从而避免了“量测-航迹”的数据关联。其中，Mahler提出的概率假设密度(PHD)滤波及后来学者提出的PHD实现方法最具代表性。PHD使用多目标随机集的后验概率密度的一阶统计量(概率假设密度，即PHD)近似代替多目标的后验概率密度，简化多维贝叶斯滤波递推公式中的积分运算，使得多维贝叶斯滤波的实现成为可能。但是PHD滤波器存在目标数估计不准确的问题。为了解决这个问题，Mahler又提出了基数概率假设密度(CardinalizedProbabilityHypothesisDensity，CPHD)滤波器。CPHD通过同时传播状态随机集的强度函数和基数分布得到准确的目标数估计。PHD和CPHD滤波器虽然能够处理多目标的新生、孵化和死亡问题，但仍存在一个缺点，即标准PHD和CPHD滤波器假定新生目标的强度函数为已知。然而，一般情况下新生目标的强度函数并不容易获得。因此，该假设制约了PHD滤波器的广泛应用。经对现有技术的文献检索发现，B.RISTIC等人在2012年的IEEETransactionsonAerospaceandElectronicSystems(国际电气和电子工程师协会航空电子系统学报)第48卷第2期上发表的“AdaptivetargetbirthintensityforPHDandCPHDfilters(PHD和CPHD滤波器中的新生目标自适应强度函数)”中提出一种基于粒子PHD滤波器的自适应新生目标强度方法。该方法由各帧量测设计新生目标强度函数，把量测空间分为量测可测子空间p与量测不可测子空间v，对于p由似然函数构造新生目标强度，但对于v仍然需要已知先验信息，没有根本解决新生目标强度函数的构造问题。MichaelBeard等人提出新生目标强度分布为均匀分布时的高斯混合PHD滤波器，但仍然假设新生目标强度分布为已知的。欧阳诚等人针对文献，提出一种归一化因子修正方法，用以改进原算法的航迹归一化失衡问题，但该方法仍需已知部分先验信息，而且该方法在滤波后仍然包含大量杂波，弱化了PHD滤波器去除杂波的主要优点。Wang等人提出使用全部量测的概率似然比测试(SPRT)方法进行新生目标的检测，进而构造出生目标强度函数。但是由于其使用全部量测的组合优化，不可避免的带来巨大的计算负担。
技术实现思路
本专利技术针对上述现有技术中存在的不足，提供一种基于迭代随机采样一致性(RANSAC)算法的自适应新生目标强度估计的GM-PHD多目标跟踪方法。本专利技术提出一种可以从量测集中估计出新生目标位置的迭代RANSAC(I-RANSAC)算法，基于估计出的新生目标位置信息，构建出新生目标的强度函数，从而解决了原始PHD滤波器需要已知目标强度函数的不足。本专利技术给出了基于提出的I-RANSAC算法的自适应GM-PHD多目标跟踪框架，解决了原始GM-PHD多目标跟踪方法需要已知新生目标强度函数的问题，具有实现简单和鲁棒性强的优点。本专利技术是通过以下技术方案实现的：本专利技术包括：I-RANSAC新生目标检测模块和PHD滤波模块，其中：I-RANSAC新生目标检测模块与“滑窗”中的量测数据和当前的状态估计相连传输当前滑窗中可能出现的新生目标的位置信息，所谓“滑窗”是指固定帧数的连续的量测集合，该集合随着时间的推移而向前移动，即当新的一帧量测到来后，把该帧量测加入“滑窗”集合的最后面，而舍弃“滑窗”集合中最前面的一帧量测，从而保持“滑窗”集合量测帧数的固定。确切的说，“滑窗”是一个随着时间向前移动的量测队列。PHD滤波模块与I-RANSAC新生目标检测模块和当前量测相连传输全部目标的状态估计随机集和目标数估计随机集。所述I-RANSAC新生目标检测模块包括：有效量测生成子模块、假设生成子模块、假设检验子模块，其中：有效量测生成子模块分别与当前量测和当前状态估计相连传输当前“滑窗”的有效量测，假设生成子模块与有效量测子模块相连传输从有效量测中通过随机采样而生成的航迹假设，假设检验子模块与假设生成子模块相连传输对当前假设航迹的经验结果，即确认的新生目标的位置信息。所述PHD滤波模块包括：新生目标强度函数构建子模块、预测子模块、更新子模块、高斯元修剪子模块和状态抽取子模块，其中：新生目标强度函数构建子模块与I-RANSAC新生目标检测模块中的假设检验子模块相连传输新生目标强度函数，预测子模块与新生目标强度函数构建子模块相连传输目标状态随机集PHD的预测高斯元参数，更新子模块分别与预测子模块和量测相连传输目标状态随机集PHD的更新后的高斯元参数，高斯元修剪子模块与更新子模块相连传输对更新后的高斯元合并和删除后的目标状态随机集PHD的高斯元参数，状态抽取子模块与高斯元修剪子模块相连传输目标状态估计随机集和目标数估计随机集。与现有技术相比，本专利技术有益效果是：基于I-RANSAC的新生目标检测模块，为PHD滤波器提供了新生目标强度信息；解决了PHD滤波器需要知道新生目标强度函数的问题，保证了PHD滤波器的鲁棒性和可靠性。该方法简单有效、易于实施，鲁棒性好，可广泛应用于军事与民用多目标跟踪领域。附图说明图1为本专利技术实施例中基于I-RANSAC的自适应GM-PHD多目标跟踪系统框图；图2为本专利技术实施例中跟踪场景及目标航迹图；图3为本专利技术实施例中每一帧x方向和y方向的包括杂波的量测图；图4为本专利技术实施例中在x和y方向上对时间的位置估计结果；图5为本专利技术实施例给出了由标准GM-PHD滤波器估计同一多目标场景的结果；图6为本专利技术实施例中给出100次蒙特卡洛平均的真实目标数、标准GM-PHD滤波器和本专利技术方法估计的目标数的比较结果，；图7为本专利技术实施例中了100次蒙特卡洛平均的标准GM-PHD滤波器和本专利技术方法估计的OSPA距离的比较图；具体实施方式下面结合附图对本专利技术的实施例作详细说明：本实施例在以本专利技术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，但本专利技术的保护范围不限于下述的实施例。如图1所示，本实施例包括：I-RANSAC新生目标检测模块和PHD滤波模块，其中：I-RANSAC新生目标检测模块包括：有效量测生成子本文档来自技高网...

【技术保护点】
一种基于迭代RANSAC的自适应新生目标强度估计的GM‑PHD多目标跟踪方法，包括：I‑RANSAC新生目标检测模块和PHD滤波模块。其中：I‑RANSAC新生目标检测模块与“滑窗”中的量测数据和当前的状态估计相连传输当前滑窗中可能出现的新生目标的位置信息，PHD滤波模块与I‑RANSAC新生目标检测模块和当前量测相连传输全部目标的状态估计随机集和目标数估计随机集。所述I‑RANSAC新生目标检测模块包括：有效量测生成子模块、假设生成子模块、假设检验子模块，其中：有效量测生成子模块分别与当前量测和当前状态估计相连传输当前“滑窗”的有效量测，假设生成子模块与有效量测子模块相连传输从有效量测中通过随机采样而生成的航迹假设，假设检验子模块与假设生成子模块相连传输对当前假设航迹的经验结果，即确认的新生目标的位置信息。所述PHD滤波模块包括：新生目标强度函数构建子模块、预测子模块、更新子模块、高斯元修剪子模块和状态抽取子模块，其中：新生目标强度函数构建子模块与I‑RANSAC新生目标检测模块中的假设检验子模块相连传输新生目标强度函数，预测子模块与新生目标强度函数构建子模块相连传输目标状态随机集PHD的预测高斯元参数，更新子模块分别与预测子模块和量测相连传输目标状态随机集PHD的更新后的高斯元参数，高斯元修剪子模块与更新子模块相连传输对更新后的高斯元合并和删除后的目标状态随机集PHD的高斯元参数，状态抽取子模块与高斯元修剪子模块相连传输目标状态估计随机集和目标数估计随机集。...

【技术特征摘要】
1.一种基于迭代RANSAC的自适应新生目标强度估计的GM-PHD多目标跟踪方法，其特征在于，所述方法是基于I-RANSAC新生目标检测模块和PHD滤波模块；其中：I-RANSAC新生目标检测模块与“滑窗”中的量测数据和当前的状态估计相连传输当前滑窗中可能出现的新生目标的位置信息，PHD滤波模块与I-RANSAC新生目标检测模块和当前量测相连传输全部目标的状态估计随机集和目标数估计随机集；所述“滑窗”是一个随着时间向前移动的量测队列；所述I-RANSAC新生目标检测模块包括：有效量测生成子模块、假设生成子模块、假设检验子模块，其中：有效量测生成子模块分别与当前量测和当前状态估计相连传输当前“滑窗”的有效量测，假设生成子模块与有效量测生成子模块相连传输从有效量测中通过随机采样而生成的航迹假设，假设检验子模块与假设生成子模块相连传输对当前假设航迹的经验结果，即确认新生目标的位置信息；所述PHD滤波模块包括：新生目标强度函数构建子模块、预测子模块、更新子模块、高斯元修剪子模块和状态抽取子模块，其中：新生目标强度函数构建子模块与I-RANSAC新生目标检测模块中的假设检验子模块相连传输新生目标强度函数，预测子模块与新生目标强度函数构建子模块相连传输目标状态随机集PHD的预测高斯元参数，更新子模块分别与预测子模块和当前量测相连传输目标状态随机集PHD的更新后的高斯元参数，高斯元修剪子模块与更新子模块相连传输对更新后的高斯元合并和删除后的目标状态随机集PHD的高斯元参数，状态抽取子模块与高斯元修剪子模块相连传输目标状态估计随机集和目标数估计随机集。2.根据权利要求1所述的基于迭代RANSAC的自适应新生目标强度估计的GM-PHD多目标跟踪方法，其特征是，所述的有效量测生成子模块把新输入量测放入“滑窗”队列的末尾，同时去掉“滑窗”队列的首帧量测，实现“滑窗”队列的移动，然后根据当前状态估计和“滑窗”中对应帧的量测计算残差及其范数，根据该范数的大小决定量测的去留，以形成有效的量测集合。3.根据权利要求1所述的基于迭代R...

【专利技术属性】
技术研发人员：吴静静，秦煜，宋淑娟，安伟，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32