一种改进的标签多伯努利分布式优化融合跟踪方法技术

本发明专利技术公开了一种改进的标签多伯努利分布式优化融合跟踪方法，属于智能信息处理技术和信号处理领域。所述方法通过在单传感器滤波跟踪算法与基于标签滤波器的GCI融合算法的基础上，引入了组变量Group(G)以及传感器唯一标识变量ID(d)用以辅助记录基于Murty最优分配算法所得到的融合映射信息；实际上相当于对历史信息的一种利用，在后续时刻的融合步骤中，利用历史融合信息获取标签伯努利项的映射代替传统算法中利用高时间复杂度的Murty算法，降低了融合步骤中的计算复杂度，同时也可以避免传统算法中利用Murty算法获取多个假设映射时可能导致的融合结果受到紧邻虚警目标的影响，间接提高了跟踪精度和跟踪时效性。

【技术实现步骤摘要】
一种改进的标签多伯努利分布式优化融合跟踪方法
本专利技术涉及一种改进的标签多伯努利分布式优化融合跟踪方法，属于智能信息处理技术和信号处理领域。
技术介绍
近年来，随着对基于RFS(RandomFiniteSet，随机有限集)的目标跟踪算法的深入研究，在单传感器跟踪领域，已经取得了一系列显著的成果，如势均衡概率假设密度滤波(CPHD)，多伯努利(MB)滤波，以及能提供航迹管理的广义标签多伯努利滤波(GLMB)和标签多伯努利滤波(LMB)等，存在的闭合解形式主要包括基于粒子滤波(PF)和基于高斯混合(GM)滤波的解方式，被广泛应用于解决数目未知且变化的多目标跟踪中。分布式多传感器多目标跟踪算法(DMMT)利用信息融合的方式处理传感器网络中各单传感器的跟踪结果，拥有可扩大跟踪范围与鲁棒性的特点，并且分布式的融合跟踪方式可依任意网络拓扑结构进行局部通信和融合，较之于集中式融合方案降低了通信与计算负载，也是极具价值的热点研究方向，但是合适的融合技术以及其本身所具有的高计算复杂度使得分布式融合算法也面临许多亟待解决的难题。DMMT算法主要采用的融合手段为Mahler在文献中提出的一种广义协方差交集算法(GeneralizedCovarianceIntersection，GCI)，其可防止“重复计数”问题以及适用于线性或非线性的多目标跟踪场景。目前DMMT领域具有代表性的算法是基于MB滤波器的分布式多目标跟踪算法(GCI-MB)，该算法将分布式融合算法用于MB滤波器，并且给出了基于粒子滤波的一般性解析解表达式，实验结果表明在高信噪比条件下，分布式算法的性能优于单传感器滤波；但在通常情况下，GCI融合会导致跟踪算法运算量上升，影响跟踪效率；基于此，GCI-MB算法的提出作者又提出了一种基于聚类方法划分融合伯努利区间的方法，使原始GCI-MB算法具有了可并行特征，通过并行计算的优势提高了GCI融合的效率；之后，在非标签滤波器基础上，其他人又提出了可运用于更具一般性的传感器检测条件(LimitedFoV)的基于标签多伯努利(LMB)滤波器的分布式融合算法，该算法提出一种补偿策略对非公共区域的跟踪目标利用均匀分布进行融合以防止目标丢失。基于标签滤波器的分布式算法由于其能够提供目标的航迹管理功能，因而较之于PHD、MB等滤波算法具有独特的优势；但同时，标签滤波器应用于分布式融合算法中所需要考虑的问题也比非标签滤波器要多，比如计算复杂度较高以及融合前后标签空间的一致性问题。现有最新算法(R-GCI-LMB)针对标签空间不一致问题的解决思路是：通过融合时采用非标签分布，于融合后再恢复标签空间以维持航迹管理功能，但与此同时，基于非标签分布的融合计算复杂度较高，跟踪的实时性会有一定程度的下降。
技术实现思路
为了解决上述问题，本专利技术提供了一种改进的标签多伯努利分布式优化融合跟踪方法，根据标签滤波器的特性，在LMB滤波器的基础上，改进了分布式融合过程中的融合匹配过程，即对融合过程引入了优化操作，有效降低了融合跟踪算法的计算复杂度，同时也保有良好的优于单传感器的跟踪精度。一种改进的标签多伯努利分布式优化融合跟踪方法，所述方法在单传感器滤波跟踪算法与基于标签滤波器的GCI融合算法的基础上，引入了组变量Group以及传感器唯一标识变量ID用以辅助记录基于Murty最优分配算法所得到的融合映射信息；在融合阶段前，首先基于本地标签多伯努利参数集各项的Group变量，在接收的标签多伯努利参数集中根据各项的标签l与互连传感器标识变量ID进行搜索匹配，完成匹配的标签多伯努利参数集为存活匹配集，对于存活匹配集，直接采用GCI融合技术进行各伯努利项的一一融合计算，得到融合标签伯努利项；对于非存活匹配集，执行传统的基于Murty算法的融合标签匹配，并使用GCI融合技术基于融合映射完成融合，同时，将Murty算法所得融合映射匹配相关信息记录在本地传感器各标签伯努利项的Group组变量中以供后续融合跟踪时继续使用。可选的，所述方法包括：S1初始化本地PF-LMB滤波器A；初始时刻k＝0，初始化本地PF-LMB滤波器A中的新生标签多伯努利参数集其中，MΓ，k表示自定义的新生标签多伯努利项的数目，rB表示新生目标存在概率；pB表示新生目标的位置概率密度分布；dA表示本地传感器A对应的唯一标识变量；G表示目标融合时标签匹配的信息，初始时刻i表示新生LMB项对应编号；S2k时刻，运行PF-LMB滤波器进行滤波跟踪；假设k-1时刻的后验标签多伯努利参数集为πA，k-1，根据PF-LMB的预测公式对πk-1进行参数更新；再与当前时刻新生标签多伯努利参数集πΓ组成k时刻的预测标签多伯努利参数集πA，k|k-1，即πA，k|k-1←πA，k|k-1+πΓ；PF-LMB预测步骤完成；当传感器得到k时刻的观测数据Zk后，通过PF-LMB更新公式对预测标签多伯努利参数集进行更新操作，得到后验多伯努利参数集πA，k及势估计数目NA；S3处理本地PF-LMB滤波器A的本地数据，并接收与本地PF-LMB滤波器A互联的传感器S传输过来的数据，得到本地PF-LMB滤波器A和传感器S的已匹配标签伯努利集合与及其对应映射关系θ构成三元组S4根据步骤S3所得三元组按照GCI融合规则完成本地标签多伯努利参数集与所接收的标签多伯努利参数集的基于三元组M所得映射关系的融合计算，得到融合结果πw，同时，将πA，k中对应的标签伯努利项由πw进行替换，得到融合后的后验标签多伯努利参数集π`A，k；S5基于步骤S4所得融合后标签多伯努利参数集π`A，k，依据LMB的状态提取策略进行k时刻的跟踪结果状态估计；S6重复步骤S2至步骤S5对多目标进行持续的跟踪。可选的，若S2中势估计数目NA＝0，则重新执行S2，即表示本时刻本地传感器A跟踪到的目标数为0，跳过此时刻的融合，进入下一时刻的跟踪滤波步骤；若NA＞0则进入S3。可选的，所述S3包括：假设当前时刻为k，本地传感器A接收到互连传感器S所传输来的后验标签多伯努利集信息，包括多伯努利参数集以及势估计NS，其中，r(l)表示标签为l的目标的存在概率；p(l)表示标签为l的目标的位置概率密度分布；ds为互联传感器S的唯一性标识变量；表示互连传感器S跟踪的存活目标的标签空间；取S2中得到后验多伯努利参数集πA，k中提取LMB项的参数集，表示为取πs中提取LMB项的参数集，表示为G(l)表示本地传感器A中各参与融合的LMB分量存储由Murty算法所得到的融合映射信息；表示传感器A在k时刻存活目标的标签空间；表示传感器S在k时刻存活目标的标签空间；3.1)融合匹配搜索：基于πA，k，ext中各项的Group变量G(l)与πs，ext中各标签伯努利项对应的(l，ds)二元向量进行融合映射的搜索操作，即对任一标签若满足(ls，ds)∈G(l)，其中则表示本地传感器A中标签为l的标签伯努利项与传感器S中的标签为ls的伯努利项完成融合匹配；完成融合匹配后，本文档来自技高网...

【技术保护点】
1.一种改进的标签多伯努利分布式优化融合跟踪方法，其特征在于，所述方法在单传感器滤波跟踪算法与基于标签滤波器的GCI融合算法的基础上，引入了组变量Group以及传感器唯一标识变量ID用以辅助记录基于Murty最优分配算法所得到的融合映射信息；在融合阶段前，首先基于本地标签多伯努利参数集各项的Group变量，在接收的标签多伯努利参数集中根据各项的标签l与互连传感器标识变量ID进行搜索匹配，完成匹配的标签多伯努利参数集为存活匹配集，对于存活匹配集，直接采用GCI融合技术进行各伯努利项的一一融合计算，得到融合标签伯努利项；对于非存活匹配集，执行传统的基于Murty算法的融合标签匹配，并使用GCI融合技术基于融合映射完成融合，同时，将Murty算法所得融合映射匹配相关信息记录在本地传感器各标签伯努利项的Group组变量中以供后续融合跟踪时继续使用。/n

【技术特征摘要】
1.一种改进的标签多伯努利分布式优化融合跟踪方法，其特征在于，所述方法在单传感器滤波跟踪算法与基于标签滤波器的GCI融合算法的基础上，引入了组变量Group以及传感器唯一标识变量ID用以辅助记录基于Murty最优分配算法所得到的融合映射信息；在融合阶段前，首先基于本地标签多伯努利参数集各项的Group变量，在接收的标签多伯努利参数集中根据各项的标签l与互连传感器标识变量ID进行搜索匹配，完成匹配的标签多伯努利参数集为存活匹配集，对于存活匹配集，直接采用GCI融合技术进行各伯努利项的一一融合计算，得到融合标签伯努利项；对于非存活匹配集，执行传统的基于Murty算法的融合标签匹配，并使用GCI融合技术基于融合映射完成融合，同时，将Murty算法所得融合映射匹配相关信息记录在本地传感器各标签伯努利项的Group组变量中以供后续融合跟踪时继续使用。


2.根据权利要求1所述的方法，其特征在于，所述方法包括：
S1初始化本地PF-LMB滤波器A；
初始时刻k＝0，初始化本地PF-LMB滤波器A中的新生标签多伯努利参数集其中，MΓ，k表示自定义的新生标签多伯努利项的数目，rB表示新生目标存在概率；pB表示新生目标的位置概率密度分布；dA表示本地传感器A对应的唯一标识变量；G表示目标融合时标签匹配的信息，初始时刻i表示新生LMB项对应编号；
S2k时刻，运行PF-LMB滤波器进行滤波跟踪；
假设k-1时刻的后验标签多伯努利参数集为πA,k-1，根据PF-LMB的预测公式对πA,k-1进行参数更新；再与当前时刻新生标签多伯努利参数集πΓ组成k时刻的预测标签多伯努利参数集πA,k|k-1，即πA,k|k-1←πA,k|k-1+πΓ；PF-LMB预测步骤完成；
当传感器得到k时刻的观测数据Zk后，通过PF-LMB更新公式对预测标签多伯努利参数集进行更新操作，得到后验多伯努利参数集πA,k及势估计数目NA；
S3处理本地PF-LMB滤波器A的本地数据，并接收与本地PF-LMB滤波器A互联的传感器S传输过来的数据，得到本地PF-LMB滤波器A和传感器S的已匹配标签伯努利集合与及其对应映射关系θ构成三元组
S4根据步骤S3所得三元组按照GCI融合规则完成本地标签多伯努利参数集与所接收的标签多伯努利参数集的基于三元组M所得映射关系的融合计算，得到融合结果πw，同时，将πA,k中对应的标签伯努利项由πw进行替换，得到融合后的后验标签多伯努利参数集π`A，k；
S5基于步骤S4所得融合后标签多伯努利参数集π`A，k，依据LMB的状态提取策略进行k时刻的跟踪结果状态估计；
S6重复步骤S2至步骤S5对多目标进行持续的跟踪。


3.根据权利要求2所述的方法，其特征在于，若S2中势估计数目NA＝0，则重新执行S2，...

【专利技术属性】
技术研发人员：杨金龙，徐悦，陈旭志，张媛，葛洪伟，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32