基于无先验探测概率的改进PHD多目标跟踪算法
余哲翔;陈思汉;白傑
【摘 要】针对传统高斯混合-概率假设密度(GM-PHD)滤波器使用无先验检测概率和无效量测造成的性能下降问题,提出一种基于时变卡尔曼滤波(TV-KF)算法的多目标PHD滤波器.通过使用椭球门限对目标集合和量测集合进行预关联,将未知探测概率转化为目标的丢失与接收事件;将目标分为匹配存活目标,匹配新生目标和未匹配目标3类,对匹配目标,仅使用目标门限内的量测更新目标状态,对未匹配目标的权重进行衰减.仿真实验表明:所提出算法有效可行,综合性能优于传统GM-PHD算法. 【期刊名称】《传感器与微系统》 【年(卷),期】2024(037)008 【总页数】4页(P120-123)
【关键词】多目标跟踪;概率假设密度滤波器;椭球门限;量测划分;时变卡尔曼滤波 【作 者】余哲翔;陈思汉;白傑
【作者单位】同济大学汽车学院,上海202404;同济大学汽车学院,上海202404;同济大学汽车学院,上海202404 【正文语种】中 文 【中图分类】工业技术
传感器与微系统( Transducer and Microsystem Technologies)2024 年 第 37 卷 第 8 期DOI: 10． 13873 /J． 1000—9787( 2024) 08—0120—04基于无先验探测概率的改进 PHD 多目标跟踪算法*余哲翔， 陈思汉， 白 傑(同济大学 汽车
学院， 上海 202404)摘 要: 针对传统高斯混合—概率假设密度( GM- PHD) 滤波器使用无先验检测概率和无效量测造成的性能下降问题， 提出一种基于时变卡尔曼滤波( TV- KF) 算法的多目标 PHD 滤波器。通过使用椭球门限对目 标集合和量测集合进行预关联， 将未知探测概率转化为目标的丢失与接收事件; 将目标分为匹配存活目 标，匹配新生目标和未匹配目标 3 类， 对匹配目标， 仅使用目标门限内的量测更新目标状态， 对未匹配目标 的权重进行衰减。仿真实验表明: 所提出算法有效可行， 综合性能优于传统 GM- PHD 算法。 关键词:多目标跟踪; 概率假设密度滤波器; 椭球门限; 量测划分; 时变卡尔曼滤波中图分类号: TP391文献标识码: A文章编号: 1000—9787( 2024) 08—0120—04Improved PHD multi- target tracking algorithmbased on non- prior detection probabilityYUZhe- xiang， CHEN Si- han， BAI JieSchool of Automotive Studies， Tongji University， Shanghai 202404， China)Abstract: Aiming at problem that performance degradation problem of Gaussian mixture probability hypothesis density ( GM- PHD) filter caused by non- prior detection probability and invalid measurement， a multi- target PHD filter based on the time- varying Kalman filtering ( TV- KF) algorithm is
proposed． Elliptical gate is used to pre- associate target sets and measurement sets， unknown detection probability is converted to and target loss and receiving event． Targets are divided into matched- survival targets， matched- birth targets and non- matched
targets． Formatched targets， only the measurements in threshold are used to update target state; for non- matched targets，theirweights are decayed． The simulation results show that the proposed algorithm is feasible， effective andoutperforms the traditional GM- PHD
algorithm．Keywords: multi- target tracking; probability hypothesis density( PHD) filter; elliptical threshold; measurementdivision; time- varying Kalman filtering0 引 言 多目标跟踪是目前多源传感器数据融合领域的一个重点研究问题。在多目标跟踪过程中， 存在目标数目未知、 探 测概率未知等不利因素。传统的多目标跟踪算法通常基于 数据关联算法［1～3］， 将多目标跟踪问题转化成多个单目标的跟踪问题。许多学者基于随机有限集( random finite set，RFS)理 论， 提 出 了 概 率 假 设 密 度 ( probability hypothesisdensity， PHD) 滤波器［4～7］以解决多目标跟踪问题。该算法将复杂的多目标状态空间运算转换为单目标状态空间内的 运算， 有效避免了多目标跟踪中复杂的数据关联组合问题。 因为 PHD 滤波器的递推公式中含有多个积分计算， 所以不 存在非线性非高斯条件下的解析形式。为此文献［ 8］ 提出 了序贯 蒙 特—卡 罗 概 率 假 设 密 度 ( sequential Monte CarloPHD， SMC- PHD) 滤波器， 文献［ 9］ 提出了高斯混合概率假 设密度( Gaussian mixture PHD， GM- PHD) 滤波器。在线性 高斯假设条件下， GM- PHD 通过采用混合高斯形式近似完 全后验概率密度来提高系统执行效率， 可以避免 SMC- PHD 大量撒点带来的较大计算量［10］。传统的 PHD 滤波器基于固定的探测模型， 通常假定探测概率已知。然而在实际情 况下， 受传感器不同应用环境的影响， 探测概率通常未知。 Mahler R P S 等人［11］提出了一种基于 Beta 函数的 GM- PHD( Beta GM- PHD) 算法， 使用 Beta 函数来描述检测概率的分布，在滤波过程中自适应估计未知检测概率。文献［ 12］ 提 出了一种基于时变卡尔曼滤波( time- varying Kalman filte- ring， TV- KF) 的 PHD， 算法将目标与量测值进行预关联， 通 过关联结果来确定目标的检测概率。但此算法使用全部量收稿日期: 2024—05—17基金项目: 国家重点研发计划资助项目( 2016YFB0100901)0 2 1摘要:针对传统高斯混合—概率假设密度( GM- PHD) 滤波器使用无先验检测概率和无效量测造成的性能下降问题，
基于无先验探测概率的改进PHD多目标跟踪算法
