一种基于社会力模型的多目标跟踪方法技术

本发明专利技术属于电子对抗技术领域，具体的说是涉及一种基于社会力模型的多目标跟踪方法。本发明专利技术针对传统多目标跟踪算法中未考虑到目标之间运动相关性的情况，提出了一种社会力的运动模型，考虑到行人之间，行人和其他物体之间的运动学关联，修正了传统的模型，更加符合实际应用的场景。然后将该模型集成到势均衡多目标多伯努利滤波器(CBMeMBer)中，和集成该模型的多目标概率假设密度滤波器(PHD)进行对比，可以发现前者的性能相比于后者进一步提升，可以用于实际的工程设计中。以用于实际的工程设计中。以用于实际的工程设计中。

【技术实现步骤摘要】
一种基于社会力模型的多目标跟踪方法


[0001]本专利技术属于电子对抗
，具体的说是涉及一种基于社会力模型的多目标跟踪方法。
技术背景
[0002]地面目标的跟踪在局部监控，交通状况监测和控制等方面有重要的意义，其中一个重要的应用就是实时监控一个特定区域内目标的运动轨迹，实现流量的监控与管理。为了能够更好的实现目标的跟踪，需要对目标的运动模型进行一定修正。现有的多目标跟踪的运动模型选取，大多基于一个最基本的假设：即每个目标之间的运动都是相互独立，互不影响的。但是，实际中往往并非如此，目标在运动过程中很可能会受到其他目标，环境障碍物和其他一些因素的影响。因此，实际的运动状况和基于独立运动的传统运动模型会发生失配，从而影响跟踪的效果。
[0003]MeMBer滤波器是对伯努利滤波器的多目标扩展，它的一个主要特点是以概率形式描述运动轨迹的存在与否。它按照时间顺序传递以下形式的信息：
[0004][0005]其中s代表轨迹的概率分布，p代表该轨迹的存在概率(也即轨迹为一个实际目标的概率)，n代表轨迹个数。下标0|0表示初始时刻的先验信息，k
‑
1|k
‑
1表示k
‑
1时刻的信息，k|k
‑
1表示在尚未得到k时刻的观测信息之前，通过运动方程计算得到的预测信息，k|k表示在预测信息基础上，通过得到的观测信息构建观测方程，计算得到的k时刻的信息。

技术实现思路

[0006]本专利技术针对上述情况，提出了一种社会力的运动模型，它考虑到目标之间，目标和其他物体之间的运动学关联，修正了传统的模型，更加符合实际应用的场景。然后将该模型集成到多目标多伯努利滤波器(MeMBer)中，和集成该模型的多目标概率假设密度滤波器(PHD)进行对比，可以发现前者的性能相比于后者进一步提升。
[0007]为便于理解，对本专利技术采用的社会力模型进行如下说明：
[0008]对于社会力模型，所谓的“力”，可以理解为一种运动的潜在趋势(趋向或者背离)。按照传统运动学的定义，可以将这种“力”理解为一种加速度，从而影响运动。首先，目标在一定时间段内都有一个目的地，这会促使他们沿着大致的方向去往目的地；其次，在移动过程中，目标一般都会避开其他的目标以及环境中的障碍物等。这可以抽象为两种不同的“力”，分别称为吸引力和排斥力，统称为社会力。具体的模型公式给出如下：
[0009](1)吸引力
[0010]社会力中，可以认为吸引力是由单个目标本身的目的地所引起的运动倾向，因此也具有一定的独立性。对于任意一个目标i，在k
‑
1时刻其受到的吸引力为：
[0011][0012]其中，为目标i的期望速度(标量)，v
k
‑1(i)为目标i的实际速度(向量)，e
k
‑1(i)为k
‑
1时刻从目的地指向目标i位置的归一化方向向量，τ(i)为松弛时间。
[0013](2)排斥力
[0014]单个目标受到的排斥力可以来自于该区域内所有其他的目标，障碍物等。它受到的排斥力等于所有其余物体对其排斥力之和。对于任意一个目标i，在k
‑
1时刻其受到的排斥力为：
[0015][0016]其中Ξ为所有目标的集合，O为所有障碍物的集合。
[0017]目标i受到一个特定的目标j(i≠j)的排斥力为：
[0018][0019]其中，为了建模方便，将场景内所有目标及障碍物视为一个圆。r(i,j)为两个目标的半径r(i)和r(j)之和，m(i)为目标i的质量，p(i,j)代表权重，有a(j)和b(j)分别为目标j对其他目标排斥力的大小参数和范围参数。d
k
‑1(i,j)为k
‑
1时刻目标i和目标j之间的距离，n
k
‑1(i,j)为k
‑
1时刻从目标j指向目标i的归一化方向向量。其他目标以及障碍物对目标i的排斥力的形式类似上式。
[0020]因此，k
‑
1时刻目标i受到的社会力为：
[0021]ρ
k
‑1(i)＝α
k
‑1(i)+β
k
‑1(i)
[0022]由于社会力模型主要影响目标的运动，因此将社会力模型添加到目标的运动方程中，观测模型可以保持不变。
[0023]对于单个目标而言，修正后的运动方程为：
[0024]x
k|k
‑1(i)＝f(x
k
‑
1|k
‑1(i))+G
·
ρ
k
‑1(i)+v
k
[0025]其中，x
k
‑
1|k
‑1(i)为目标k
‑
1时刻的运动状态，x
k|k
‑1(i)是通过运动方程计算得出的，预测k时刻的运动状态。f(
·
)为未考虑到社会力模型的初始运动状态转移函数，G为一个常数矩阵，它的元素的值取决于运动参数的类型。比如，在笛卡尔坐标系下，位移是社会力参数乘上速度则是乘上T(T是运动的时间间隔)。v
k
为过程噪声。
[0026]本专利技术采用的技术方案为：
[0027]一种基于社会力模型的多目标跟踪方法，采用序贯蒙特卡洛方法(SMC)来实现集成社会力模型的MeMBer滤波器，也即用狄拉克函数的加权和来近似目标的概率分布，则对于每一个特定的概率分布s
i
(x)，有以下近似其中w
l
(i)是权重，x
l
(i)为狄拉克函数的冲激点，v
i
为粒子数目。因此概率分布s
i
(x)可以用
来代替。
[0028]设定场景内初始时刻有n
0|0
个目标。在未获得传感器提供的信息前，首先根据提出的修改后的运动模型，预测该时刻各个目标的状态以及目标个数。获得观测信息后，在将该信息和预测的信息融合，得到更新后的各个目标的状态以及目标个数。然后在每个时刻重复上述流程，则滤波器递归地传递信息以完成对各个目标的状态以及目标个数的估计。
[0029]具体的实施步骤如下：
[0030]S1.初始化：若已知先验状态信息则直接转到S2。在未知先验状态信息的情况下，可以认为对于所有的轨迹i＝1,
…
,n
0|0
，有为场景内的均匀分布，可以通过从该分布中随机抽取粒子且所有粒子的权重为其中为轨迹i的先验粒子数目。
[0031]S2.预测：需要考虑到两个部分，即上一时刻存活的和这一时刻新生的轨迹。已知k
‑
1时刻的信息以及一些关于新生轨迹的先验信息。
[0032]S21.对于存活的轨迹i＝1,
…
,n
k
‑
1|k
‑1，需要得到的预测信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于社会力模型的多目标跟踪方法，其特征在于，包括：定义多目标跟踪场景内初始时刻有n
0|0
个目标，在k
‑
1时刻目标i受到的社会力为：ρ
k
‑1(i)＝α
k
‑1(i)+β
k
‑1(i)其中，其中，α
k
‑1(i)为目标i在k
‑
1时刻受到的吸引力，β
k
‑1(i)为目标i在k
‑
1时刻受到的排斥力，为目标i的期望速度，v
k
‑1(i)为目标i的实际速度，e
k
‑1(i)为k
‑
1时刻从目的地指向目标i位置的归一化方向向量，τ(i)为松弛时间，Ξ为所有目标的集合，O为所有障碍物的集合，β
k
‑1(i,j)为目标i受到目标j的排斥力，i≠j：r(i,j)为两个目标的半径r(i)和r(j)之和，m(i)为目标i的质量，p(i,j)代表权重，a(j)和b(j)分别为目标j对其他目标排斥力的幅度参数和范围参数，d
k
‑1(i,j)为k
‑
1时刻目标i和目标j之间的距离，n
k
‑1(i,j)为k
‑
1时刻从目标j指向目标i的归一化方向向量；将社会力模型添加到目标的运动方程中，目标的观测模型不变，从而建立单个目标的运动方程为：x
k|k
‑1(i)＝f(x
k
‑
1|k
‑1(i))+G
·
ρ
k
‑1(i)+v
k
其中，x
k
‑
1|k
‑1(i)为目标k
‑
1时刻的运动状态，x
k|k
‑1(i)是通过运动方程计算得出用于预测k时刻的运动状态，f(
·
)为未考虑到社会力模型的初始运动状态转移函数，G为一个常数矩阵，它的元素的值取决于运动参数的类型，v
k
为过程噪声；将社会力模型集成到势均衡多目标多伯努利滤波器中进行多目标跟踪，势均衡多目标多伯努利滤波器按照时间顺序传递以下形式的信息：其中s代表轨迹的概率分布，p代表该轨迹的存在概率，n代表轨迹个数，下标0|0表示初始时刻的先验信息，k
‑
1|k
‑
1表示k
‑
1时刻的信息，k|k
‑
1表示在尚未得到k时刻的观测信息之前，通过运动方程计算得到的预测信息，k|k表示在预测信息基础上，通过得到的观测信息构建观测方程，计算得到的k时刻的信息；采用序贯蒙特卡洛方法来实现势均衡多目标多伯努利滤波器，对于每一个概率分布s
i
(x)，有近似其中w
l
(i)是权重，x
l
(i)为狄拉克函数的冲激点，v
i
为粒子数目，因此定义用来替代概率分布s
i
(x)；所述跟踪方法包括：S1、初始化：若已知先验状态信息则直接转到S2；在未知先验状态
信息的情况下，定义对于所有...

【专利技术属性】
技术研发人员：赵上宇，魏平，高林，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：