基于变分滤波的粒子优化概率假设密度多目标跟踪方法技术

本发明专利技术提供了一种基于变分滤波的粒子优化概率假设密度多目标跟踪方法。将目标状态变量的分布参数视作随机变量，并用变分贝叶斯方法求解它们的后验分布，在确定这些参数的估计值后得到优化了的滤波状态分布，再以该状态分布函数作为逼近真实后验PHD函数的重要性函数进行随机粒子采样，从而能使大部分采样粒子分布在高似然概率处，合理利用观测信息，避免传统粒子概率密度假设方法由于粒子采样于低似然概率处而造成的粒子退化现象，最终提高粒子概率假设密度多目标跟踪算法的性能。

【技术实现步骤摘要】
【专利摘要】本专利技术提供了一种。将目标状态变量的分布参数视作随机变量，并用变分贝叶斯方法求解它们的后验分布，在确定这些参数的估计值后得到优化了的滤波状态分布，再以该状态分布函数作为逼近真实后验PHD函数的重要性函数进行随机粒子采样，从而能使大部分采样粒子分布在高似然概率处，合理利用观测信息，避免传统粒子概率密度假设方法由于粒子采样于低似然概率处而造成的粒子退化现象，最终提高粒子概率假设密度多目标跟踪算法的性能。【专利说明】
本专利技术涉及一种利用变分贝叶斯方法及粒子概率假设密度滤波方法进行多目标跟踪的方法。
技术介绍
目标跟踪问题在如今人类许多生产与应用领域都有着广泛的应用，根据目标属性，通常可分为单目标跟踪和多目标跟踪两大类。而在实际应用环境中，对于雷达、声纳以及红外线探测等传感器而言，多以多目标跟踪的情形更为常见，处理手段较单目标跟踪问题自然也更加复杂。所谓多目标跟踪就是要从混有杂波的观测值中进行当前时刻目标个数与各个目标状态的估计。目前主流的多目标跟踪的处理方法主要有:领域法、数据关联法、多假设跟踪法等，而这些算法由于涉及对多个目标的关联问题，计算复杂度会随着目标的增多、目标数目的聚集或虚警个数的增加而呈指数增长，难以应用于工程之中。近年来，许多学者提出的基于随机有限集(Random Finite Sets, RFS)的概率假设密度(ProbabilityHypothesis Density, PHD)滤波算法，完全避开了传统多目标跟踪方法中涉及的数据关联问题，它具有计算量小、估计精度高、实时性好等特点。正因为如此，PHD滤波也成为了当前多目标跟踪问题的一个研究热点，目前主要实现形式有基于高斯混合的高斯混合PHD滤波器与基于蒙特卡罗方法的粒子PHD滤波器。变分贝叶斯(VariationalBayes)方法，也叫集成学习(Ensemble Learning),是当前较为流行的一种参数估计方法，它起源于机器学习领域，最早用于针对图模型(Graphical Models)的参数估计与模型选择问题。该方法的核心思想是针对一个复杂的原版本问题，提出用另一个简化的、易处理的新版本，该简化版本要保证与原版本尽可能的相似，并引入Kullback-Leibler(KL)散度来衡量两者的差异性，通过调节变分参数(Variational Parameters)使新版本与原版本的差异最小。变分贝叶斯方法的一大优势在于，相比于传统的极大似然与最大后验估计方法，它有着更高的估计精度并且能够避免过拟合现象；而相比于近年来同样受关注的马尔可夫链蒙特卡罗(Markov Chain MonteCarlo)方法，在保证估计精度相差不大的情况下，有着更快的收敛与计算速度，更有实际应用的研究价值。于是，进入21世纪后，学者们极大地拓展了变分贝叶斯方法的应用领域，逐渐将其从固定模型的参数推理延伸到以状态空间模型为基础的实时应用领域中，并动态估计变化的系统状态、系统结构参数以及噪声参数。
技术实现思路
本专利技术的目的在于提供一种更具高效性和自适应性，能提高多目标的状态估计效果的。本专利技术的目的是这样实现的:步骤一:对于在某监控区域内的未知数目、未知状态(位置、速度、加速度)的多目标，通过传感器测量得到所有目标包括位置、方向在内的观测信息；步骤二:初始化目标的PHD函数，并获得相应的粒子集；步骤三:利用变分贝叶斯方法对上一步骤中的粒子集进行更新，获得变分滤波后的目标后验状态分布；步骤四:以变分滤波后得到的后验状态分布作为重要性函数进行采样，预测目标的PHD函数；步骤五:对预测的目标PHD函数进行更新；步骤六:获得更新的目标PHD函数后，若有效粒子数量低于设定阈值，则对粒子进行重采样再回到步骤三，否则直接回到步骤三，如此反复直至到达滤波最终时刻；步骤七:滤波结束后输出最终估计结果，确定监控区域内目标个数以及每个目标包括位置、速度和加速度等在内的状态信息。本专利技术是为了提高杂波环境下多目标跟踪滤波器的性能，提出的一种基于变分滤波的粒子优化的概率假设密度多目标跟踪方法。本专利技术将目标状态变量的分布参数视作随机变量，并用变分贝叶斯方法求解它们的后验分布，在确定这些参数的估计值后得到优化了的滤波状态分布，再以该状态分布函数作为逼近真实后验PHD函数的重要性函数进行随机粒子采样，从而能使大部分采样粒子分布在高似然概率处，合理利用观测信息，避免传统粒子概率密度假设方法由于粒子采样于低似然概率处而造成的粒子退化现象，最终提高粒子概率假设密度多目标跟踪算法的性能。本专利技术的优点在于:(I)本专利技术采用层次式模型对每个目标的状态参数进行建模，相比传统目标状态的建模方法只把目标状态本身视作随机变量而忽略状态分布的参数的不确定性，它充分考虑了其状态分布参数的不确定性以及潜在的内在联系；(2)本专利技术用变分贝叶斯方法对上述层次式模型进行估计，从而形成变分滤波，得到了用于优化的重要性采样的粒子集。传统粒子概率假设密度多目标跟踪算法中的粒子采样是从固定重要性函数分布中选取的，无法进行更新，当观测似然函数具有显著尖峰特性时会使目标跟踪效果退化，而本专利技术中的粒子集是通过变分贝叶斯方法估计得到的，可以动态地地根据观测调整重要性分布，相比于传统方法更具高效性和自适应性，从而最终提高多目标的状态估计效果。【专利附图】【附图说明】图1是贝叶斯滤波意义下粒子PHD滤波实现的示意图；图2是本专利技术的方法流程图；图3是每个目标的状态的层次式模型结构指示图；图4是变分滤波后用于重要性采样的近似分布结构示意图。【具体实施方式】下面将结合附图和实例对本专利技术作进一步的详细说明。PHD滤波算法在随机集理论框架下，把当前时刻的所有目标的状态值集合作为一个状态RFS变量，把当前时刻的观测值集合也作为一个观测RFS变量，并把多目标跟踪问题放在贝叶斯滤波框架下加以解决。与贝叶斯最优滤波唯一区别的是，贝叶斯滤波传递的是单目标状态的后验概率密度函数，而PHD滤波传递的是多目标状态的PHD，也就是多目标后验密度的一阶矩。图1显示了其蒙特卡罗方法下的实现原理，即粒子PHD滤波原理，图中)和Dk(.)分别代表目标在k-Ι和k时刻的PHD函数。该算法基本思想是利用一组带有相应权值的随机样本(粒子)逼近PHD函数分布，其意义在于解决PHD重积分没有闭式解的难题。在滤波过程中，PHD函数被一系列离散的带权值的样本近似，随着样本粒子数量的增加，PHD滤波接近于最优贝叶斯估计。这是一种基于仿真的统计滤波方法，不受模型线性和高斯假设的限制，可以适用于非线性非高斯的随机系统。由于在粒子的采样过程中，通常选取单目标的系统状态转移函数为重要性分布，但它没有考虑最新观测数据对估计值的修正，严重依赖模型本身，当观测似然函数概率密度曲线具有显著尖峰特性而严重偏离系统状态转移函数的峰值时，会使采样粒子与真实PHD函数的样本粒子差异较大，有效粒子个数急剧减少，最终造成滤波精度的下降，严重时甚至发散失效，使多目标跟踪滤波器性能退化。本专利技术是一种基于变分滤波的粒子优化概率假设密度滤波跟踪方法，流程如图2所示，包括以下几个主要步骤:步骤一:对于在某监控区域内的未知数目、未知状态(位置、速度、加速度)的多目标，通过传感器测量得到所有目标包括位置、方向在本文档来自技高网...

【技术保护点】
一种基于变分滤波的粒子优化概率假设密度多目标跟踪方法，其特征是：步骤一：对于在某监控区域内的未知数目、未知状态的多目标，通过传感器测量得到所有目标包括位置、方向在内的观测信息；步骤二：初始化目标的PHD函数，并获得相应的粒子集；步骤三：利用变分贝叶斯方法对上一步骤中的粒子集进行更新，获得变分滤波后的目标后验状态分布；步骤四：以变分滤波后得到的后验状态分布作为重要性函数进行采样，预测目标的PHD函数；步骤五：对预测的目标PHD函数进行更新；步骤六：获得更新的目标PHD函数后，若有效粒子数量低于设定阈值，则对粒子进行重采样再回到步骤三，否则直接回到步骤三，如此反复直至到达滤波最终时刻；步骤七：滤波结束后输出最终估计结果，确定监控区域内目标个数以及每个目标包括位置、速度和加速度等在内的状态信息。

【技术特征摘要】

【专利技术属性】
技术研发人员：周卫东，沈忱，黄蔚，金诗宇，刘学敏，蔡佳楠，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23