基于大概率关联的观测值数目的联合概率关联的多目标跟踪

1.本发明涉及一种基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法，属于目标跟踪技术领域。


背景技术：

2.多目标跟踪应用极为广泛，从军用科技如防空监测、军用雷达、海面监视等到民用领域如民用gps导航、交通监测、水下资源勘探、药物测试等。
3.传统的jpda法在进行多目标跟踪时，需要基于上一时刻目标的后验状态值与误差协方差，对当前时刻目标状态进行预估，得到当前时刻目标状态的先验概率，并求得估计状态量；基于各个目标的估计状态量，对当前时刻传感器反馈的目标状态信息进行验证，得到关联概率较高的测量数据，目的是降低算法的计算复杂度；接着，基于假设条件对验证后的观测值与各个目标的关联可能的情况进行穷举，得到所有的可行联合事件；通过贝叶斯原理，计算每一个可行联合事件的概率，并求得每个观测值对应各个目标的边缘概率；最后，更新得到各个目标在当前时刻对应的后验概率密度，并求解各目标当前时刻后验状态量和误差协方差。
4.传统jpda法在可行联合事件穷举方面的计算复杂度较大，若考虑传感器性能较好，同时关联门无限大，这时任意测量值均可以与任意目标进行关联，那么拆分得到的可行联合事件的数量n满足以下关系：
[0005][0006]
在上述公式当中，k代表当前采样时刻，n(k)表示当前时刻轨迹数目，m(k)表示当前时刻处于关联门内的观测值数目，由此可见，当目标个数增加或者相应观测值数目增加时，算法复杂度会极大增加。然而，在一些跟踪场景下，很多可行联合事件发生的概率很小，甚至接近0，拆分并计算这些事件显然消耗了大量计算资源。
[0007]
因此，有必要对现有的jpda法进行研究、改进，以期解决上述问题。


技术实现要素：

[0008]
为了克服上述问题，本发明人进行了深入研究，提出了一种基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法,包括以下步骤：
[0009]
s1、通过传感器获得不同目标的多个观测值；
[0010]
s2、估计观测值与目标关联概率；
[0011]
s3、设置有效观测范围；
[0012]
s4、对观测值与各个目标的关联可能的情况进行穷举，得到所有的可行联合事件，针对处于有效观测范围内的可行联合事件，获取观测值对目标的关联概率密度；
[0013]
s5、根据观测值对目标的关联概率密度，通过卡尔曼滤波更新各个目标的后验状态量与协方差，实现目标跟踪。
[0014]
在一个优选的实施方式中，在s2中，估计得到的测量值与目标关联概率可以表示为：
[0015][0016]
其中，表示测量值j对目标i的关联概率，c为归一化因子，表示测量值j对目标i的高斯密度，bj、bi为过程变量，h表示不同目标编号、l表示不同观测值编号、n(k)表示k时刻目标的个数、m(k)表示k时刻观测值的个数。
[0017]
在一个优选的实施方式中，测量值j对目标i的高斯密度bji表示为：
[0018][0019]
其中，表示观测值的新息向量：即观测值与期望观测值的差值,si(k)表示观测值协方差,t为转置符号,k表示扫描时刻
[0020]
在一个优选的实施方式中，在s3中，所述有效观测范围用于表征接近真实关联情况的可行联合事件。
[0021]
在一个优选的实施方式中，所述有效观测范围通过与目标保持高关联概率观测值的个数确定。
[0022]
在一个优选的实施方式中，与目标保持高关联概率观测值的个数表示为：
[0023][0024]
其中，m(k)表示k时刻观测值的个数，fi表示判断目标被关联到的标志，若估计得到的测量值与目标关联概率大于阈值ph，即则fj＝1；否则，fj＝0。
[0025]
在一个优选的实施方式中，所述有效观测范围可以表示为[ns,nh]，其中，ns表示有效观测范围的下限，nh表示有效观测范围的上限；
[0026]
nh＝min(m,nf+s
l
)
[0027]ns
＝max(1,n
f-s
l
)
[0028]
其中，s
l
为预设的范围参数。
[0029]
在一个优选的实施方式中，s5中，将目标的运动学模型设置为：
[0030]
x(k)＝fx(k-1)+gw(k-1)
[0031]
y(k)＝hx(k)+v(k)
[0032]
其中，x表示目标状态向量，y表示观测向量；w表示系统输入部分的高斯白噪声，其对应的协方差矩阵为q；v为系统观测部分的高斯白噪声，其对应的协方差矩阵为r；f为系统状态转移矩阵，g为噪声驱动矩阵，h为观测矩阵；k表示离散时刻。
[0033]
本发明所具有的有益效果包括：
[0034]
(1)根据各个观测值与目标间的近似的关联概率，得出关联概率较大的观测值数目，围绕这个数值进行可行联合事件的列举，能够尽可能多的列举出概率较高的可行联合事件，进而保证追踪准确率；
[0035]
(2)虽然目标跟踪精度有小幅度降低，但极大提高实时性，能够更好适应不同的工
程环境需求；
[0036]
(3)通过设置范围参数，进行适当调整，一定程度上削减了大量可行联合事件，增加了工程应用过程中运算的实时性。
附图说明
[0037]
图1示出根据本发明一种优选实施方式的基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法流程示意图；
[0038]
图2示出实施例1仿真结果中s
l
设置为0时跟踪目标的均方根误差；
[0039]
图3示出实施例1仿真结果中s
l
设置为0时跟踪目标的均方误差；
[0040]
图4示出实施例1仿真结果中s
l
设置为1时跟踪目标的均方根误差；
[0041]
图5示出实施例1仿真结果中s
l
设置为1时跟踪目标的均方误差；
[0042]
图6示出实施例1与对比例1中运算时间对比图。
具体实施方式
[0043]
下面通过附图和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。
[0044]
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0045]
本发明提供了一种基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法,其特征在于，包括以下步骤：
[0046]
s1、通过传感器获得不同目标的多个观测值；
[0047]
s2、估计观测值与目标关联概率；
[0048]
s3、设置有效观测范围；
[0049]
s4、对观测值与各个目标的关联可能的情况进行穷举，得到所有的可行联合事件，针对处于有效观测范围内的可行联合事件，获取观测值对目标的关联概率密度；
[0050]
s5、根据观测值对目标的关联概率密度，通过卡尔曼滤波更新各个目标的后验状态量与协方差，实现目标跟踪。
[0051]
在本发明s1中，对传感器的种类不做限定，可以是任意一种传感器，例如雷达、摄像头等。
[0052]
在s2中，基于卡尔曼滤波，粗略估计观测值与目标的关联概率，估计得到的测量值与目标关联概率可以表示为：
[0053][0054]
其中，表示测量值j对目标i的关联概率，c为归一化因子，表示测量值j对目标i的高斯密度，bj、bi为过程变量，h表示不同目标编号、l表示不同观测值编号、n(k)表示k时刻目标的个数、m(k)表示k时刻观测值的个数。
[0055]
进一步地，测量值j对目标i的高斯密度表示为：
[0056][0057]
其中，表示观测值的新息向量：即观测值与期望观测值的差值,si(k)表示观测值协方差,t为转置符号,k表示扫描时刻。
[0058]
发明人发现，在传统jpda法中，越接近真实关联情况的可行联合事件概率值越大，因此，可以通过去除远离真实关联情况的可行联合事件概率值，增强多目标跟踪的实时性。
[0059]
然而如何在去除部分可行联合事件的同时，更大程度降低对追踪精度的影响是本发明中的难点所在。
[0060]
在s3中，所述有效观测范围用于表征接近真实关联情况的可行联合事件，优选地，所述有效观测范围通过与目标保持高关联概率观测值的个数确定。
[0061]
具体地，与目标保持高关联概率观测值的个数表示为：
[0062][0063]
其中，m(k)表示k时刻观测值的个数，fi表示判断目标被关联到的标志，若估计得到的测量值与目标关联概率大于阈值ph，即则fj＝1；否则，fj＝0。
[0064]
阈值ph的具体取值本领域技术人员可通过多次实验获得或根据经验设定，在本发明中对其具体取值不做特别限定。
[0065]
进一步地，所述有效观测范围可以表示为[ns,nh]，其中，ns表示有效观测范围的下限，nh表示有效观测范围的上限。
[0066]
优选地，
[0067]
nh＝min(m,nf+s
l
)
[0068]ns
＝max(1,n
f-s
l
)
[0069]
其中，s
l
为预设的范围参数。
[0070]
在s4中，所述可行联合事件的获取方式与传统的jpda法相同，在此不做赘述。
[0071]
与传统jpda法不同的是，在获取可行联合事件后，并不以所有可行联合事件的概率求解目标的边缘概率，而是以满足有效观测范围内的可行联合事件求解目标的边缘概率。
[0072]
在本发明中，通过设置有效观测范围，极大降低了跟踪过程中的数据运算量，从而极大提高了跟踪速度，保证了跟踪的实时性。发明人发现，虽然设置有效观测范围在一定程度上降低了目标跟踪精度，但由于舍弃的可行联合事件都是较低关联度的数据，对目标跟踪精度的影响很小。
[0073]
s5与传统的jpda法基本相同，区别仅在于，在本技术中，将目标的运动学模型设置为：
[0074]
x(k)＝fx(k-1)+gw(k-1)
[0075]
y(k)＝hx(k)+v(k)
[0076]
其中，x表示目标状态向量，y表示观测向量；w表示系统输入部分的高斯白噪声，其对应的协方差矩阵为q；v为系统观测部分的高斯白噪声，其对应的协方差矩阵为r；f为系统状态转移矩阵，g为噪声驱动矩阵，h为观测矩阵；k表示离散时刻。
[0077]
实施例
[0078]
实施例1
[0079]
设置仿真实验，进行1000次蒙特卡洛仿真，对6个运动目标进行跟踪。
[0080]
仿真实验中，通过以下步骤跟踪，
[0081]
s2、估计观测值与目标关联概率；
[0082]
s3、设置有效观测范围；
[0083]
s4、对观测值与各个目标的关联可能的情况进行穷举，得到所有的可行联合事件，针对处于有效观测范围内的可行联合事件，获取观测值对目标的关联概率密度；
[0084]
s5、根据观测值对目标的关联概率密度，通过卡尔曼滤波更新各个目标的后验状态量与协方差，实现目标跟踪。
[0085]
在s2中，基于卡尔曼滤波，粗略估计观测值与目标的关联概率，估计得到的测量值与目标关联概率可以表示为：
[0086][0087]
在s3中，所述有效观测范围用于表征概率较高的可行联合事件，所述有效观测范围通过与目标保持高关联概率观测值的个数确定。
[0088]
具体地，与目标保持高关联概率观测值的个数表示为：
[0089][0090]
其中，fi表示判断目标被关联到的标志，若估计得到的测量值与目标关联概率大于阈值ph，即则fj＝1；否则，fj＝0。
[0091]
所述有效观测范围可以表示为[ns,nh]，
[0092]
nh＝min(m,nf+s
l
)
[0093]ns
＝max(1,n
f-s
l
)
[0094]
其中，s
l
为分别设置为0和1；
[0095]
在s4中，所述可行联合事件的获取方式与传统的jpda法相同，s5与传统的jpda法基本相同，区别仅在于，将目标的运动学模型设置为：
[0096]
x(k)＝fx(k-1)+gw(k-1)
[0097]
y(k)＝hx(k)+v(k)
[0098]
对比例1
[0099]
采用传统的jpda法进行与实施例1相同的模拟实验。
[0100]
实施例1仿真结果如图2～5所示，其中图2、3为s
l
设置为0时跟踪目标的均方根误差(rmse)、均方误差(mse)，图4、5为s
l
设置为1时跟踪目标的均方根误差(rmse)、均方误差(mse)，从图中可以看出，不同s
l
下，跟踪目标的均方根误差、均方误差均小于3，即说明实施例1中的方法跟踪精度较高，即能够保证较高的跟踪精度，通过调整s
l
，还能够对跟踪精度进行调整；
[0101]
图6示出了实施例1与对比例1中运算时间对比图，从图中可以看出，实施例1中的方法运算时间较快，即能够提高跟踪速度，具有较高的实时性，通过调整阈值s
l
，还能够调整跟踪精度与运算速度之间的关系，可以在一定程度上达到运算速度与目标跟踪精度的平衡，在较小牺牲目标跟踪精度的同时，降低运算的复杂度。
[0102]
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“前”、“后”等指示的方位或位置关系为基于本发明工作状态下的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0103]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”“相连”“连接”应作广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接普通；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0104]
以上结合了优选的实施方式对本发明进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本发明进行多种替换和改进，这些均落入本发明的保护范围内。

技术特征：
1.一种基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法,其特征在于，包括以下步骤：s1、通过传感器获得不同目标的多个观测值；s2、估计观测值与目标关联概率；s3、设置有效观测范围；s4、对观测值与各个目标的关联可能的情况进行穷举，得到所有的可行联合事件，针对处于有效观测范围内的可行联合事件，获取观测值对目标的关联概率密度；s5、根据观测值对目标的关联概率密度，通过卡尔曼滤波更新各个目标的后验状态量与协方差，实现目标跟踪。2.根据权利要求1所述的基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法,其特征在于，在s2中，估计得到的测量值与目标关联概率可以表示为：其中，表示测量值j对目标i的关联概率，c为归一化因子，表示测量值j对目标i的高斯密度，b
j
、b
i
为过程变量，h表示不同目标编号、l表示不同观测值编号、n(k)表示k时刻目标的个数、m(k)表示k时刻观测值的个数。3.根据权利要求2所述的基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法,其特征在于，测量值j对目标i的高斯密度表示为：其中，表示观测值的新息向量：即观测值与期望观测值的差值,s
i
(k)表示观测值协方差,t为转置符号,k表示扫描时刻。4.根据权利要求1所述的基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法,其特征在于，在s3中，所述有效观测范围用于表征接近真实关联情况的可行联合事件。5.根据权利要求4所述的基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法,其特征在于，所述有效观测范围通过与目标保持高关联概率观测值的个数确定。6.根据权利要求5所述的基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法,其特征在于，与目标保持高关联概率观测值的个数表示为：其中，m(k)表示k时刻观测值的个数，f
i
表示判断目标被关联到的标志，若估计得到的测量值与目标关联概率大于阈值p
h
，即则f
j
＝1；否则，f
j
＝0。
7.根据权利要求5所述的基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法,其特征在于，所述有效观测范围可以表示为[n
s
,n
h
]，其中，n
s
表示有效观测范围的下限，n
h
表示有效观测范围的上限；n
h
＝min(m,n
f
+s
l
)n
s
＝max(1,n
f-s
l
)其中，s
l
为预设的范围参数。8.根据权利要求5所述的基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法,其特征在于，s5中，将目标的运动学模型设置为：x(k)＝fx(k-1)+gw(k-1)y(k)＝hx(k)+v(k)其中，x表示目标状态向量，y表示观测向量；w表示系统输入部分的高斯白噪声，其对应的协方差矩阵为q；v为系统观测部分的高斯白噪声，其对应的协方差矩阵为r；f为系统状态转移矩阵，g为噪声驱动矩阵，h为观测矩阵；k表示离散时刻。

技术总结
本发明公开了一种基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法，包括以下步骤：通过传感器获得不同目标的多个观测值；估计观测值与目标关联概率；设置有效观测范围；对观测值与各个目标的关联可能的情况进行穷举，得到所有的可行联合事件，针对处于有效观测范围内的可行联合事件，获取观测值对目标的关联概率密度；根据观测值对目标的关联概率密度，通过卡尔曼滤波更新各个目标的后验状态量与协方差，实现目标跟踪。本发明公开的基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法，相比于传统的JPDA法，虽然目标跟踪精度有小幅度降低，但极大提高实时性，能够更好适应不同的工程环境需求。能够更好适应不同的工程环境需求。能够更好适应不同的工程环境需求。


技术研发人员：何绍溟 柴剑铎 金天宇 王江 林德福
受保护的技术使用者：北京理工大学
技术研发日：2022.03.23
技术公布日：2023/10/6