基于SC-LM的分散式GM-LPHD多目标跟踪方法技术

本发明专利技术公开基于SC

【技术实现步骤摘要】
基于SC
‑
LM的分散式GM
‑
LPHD多目标跟踪方法


[0001]本专利技术属于多传感器多目标跟踪领域，涉及一种基于状态聚类
‑
标签匹配(SC
‑
LM)的分散式GM
‑
LPHD多目标跟踪方法，用于解决在分散式架构中由于标签空间不一致导致融合质量下降的问题，提高对检测空间中多目标的跟踪质量。

技术介绍

[0002]多目标跟踪指的是：从传感器获取的复杂数据中估计出目标的数量、状态等信息；多传感器多目标跟踪方法主要分为三类：
①
集中式融合架构；
②
分布式融合架构；
③
分散式融合架构；其中集中式、分布式架构都是有中心的，融合中心的故障会导致整个系统发生瘫痪，并且不利于网络节点的接入与接出，网络灵活性受到了限制。为了解决这些问题，无中心的分散式架构被提出。在分散式网络中，网络不存在统一的融合中心，每个节点能够处理本地的观测数据，节点与节点之间可以进行点对点通信，并且节点之间的地位是对等(peer to peer)的。这种架构相较于有中心融合框架的优点在于
①
生存能力强：系统性能不依赖于任何节点，任何一个节点的故障不会导致整体网络的瘫痪；
②
灵活性：由于网络是没有中心且不需要网络拓扑的全局知识，系统可以灵活地在线添加或丢失节点；
③
可扩展性：通过减少集中式计算瓶颈和缺乏通信带宽施加的限制，使系统具有可扩展性，由于分散式架构多方面的优势，使得其在无人机集群，多机器人写作方面具有广泛的应用。
[0003]以下是基于随机有限集(RFS)跟踪方法的部分代表性工作：
[0004]2003年，R.Mahler提出基于RFS的PHD滤波器，将状态变量的概率空间建模简化为状态变量的概率假设空间建模，但是没有得到封闭式的解；随后，澳大利亚学者B.N.Vo提出了可实现的高斯混合PHD(GM
‑
PHD)滤波器和序贯蒙特卡罗PHD(SMC
‑
PHD)滤波器；2007年，R.Mahler提出CPHD滤波器；2009年，Vo等人针对GM
‑
PHD不提供目标的身份信息，提出了基于GM
‑
PHD滤波器的跟踪器(LPHD)，给目标提供了标签信息。随后，Vo等人针对标签随机有限集(LRFS)提出了分布式一致性融合公式。
[0005]传统的基于LRFS的广义协方差融合(GCI)是按照标签进行融合的，因此使用GCI融合LRFS的概率密度时，要求不同传感器之间需要具有完美的标签一致性，即在所有的传感器节点中，相同的轨迹需要具有相同的标签。当传感器之间不满足标签一致性时，就会造成GCI融合之后性能下降的问题。因此本专利技术提出状态聚类
‑
标签匹配(SC
‑
LM)，使得在进行GCI融合时，不同的传感器之间达成标签一致，实现对多目标的准确跟踪。

技术实现思路

[0006]本专利技术的一个目的是针对现有技术的不足，提出基于状态聚类
‑
标签匹配(State Clustering
‑
Label Matching,SC
‑
LM)的分散式GM
‑
LPHD多目标跟踪方法，简称GM
‑
SC
‑
LM
‑
LPHD，具体内容如下：
[0007]步骤(1)、构建分散式多传感器多目标跟踪场景，设置相关参数，包括目标运动的过程噪声和传感器的观测噪声；
[0008]步骤(2)、对多目标的状态、观测进行建模；
[0009]步骤(3)、单传感器GM
‑
LPHD滤波器建模
[0010]步骤(4)、基于步骤(2)、(3)，利用分散式融合架构，对所有传感器的后验高斯混合集先进行SC
‑
LM处理，之后再进行融合。
[0011]步骤(5)、利用构建好的GM
‑
SC
‑
LM
‑
LPHD滤波器在分散式框架下实现多目标跟踪。
[0012]本专利技术的另一个目的是提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的方法。
[0013]本专利技术的又一个目的是提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述的方法。
[0014]本专利技术的有益效果是：
[0015]本专利技术提出了一套完成的分散式多传感器多目标跟踪方案，利用状态聚类对不同传感器节点的标签空间进行匹配，使得在进行GCI融合时，不同传感器之间达成标签一致，实现对多目标的准确跟踪；本专利技术可以有效抑制分散式传感器之间标签不一致带来的融合性能下降问题，较原始的分散式多传感器GM
‑
LPHD滤波器在跟踪性能上有巨大的提升。
附图说明
[0016]图1是本专利技术方法核心部分具体实现的流程图；
[0017]图2是目标运动轨迹、滤波航迹以及分散式传感器位置图；
[0018]图3是在100次蒙特卡洛下，本专利技术方法与传统的分散式GM
‑
LPHD算法滤波得出的OSPA平均值比较图；
[0019]图4是在100次蒙特卡洛下，本专利技术方法与传统的分散式GM
‑
LPHD算法滤波得出的目标估计个数平均值比较图；
具体实施方式
[0020]下面结合具体实施方式对本专利技术做进一步的分析；
[0021]基于SC
‑
LM的分散式GM
‑
LPHD多目标跟踪方法，包括以下步骤：步骤(1)、构建分散式多传感器多目标跟踪场景，设置相关参数，包括目标运动的过程噪声和传感器的观测噪声，具体如下：
[0022]目标在二维平面内运动，其状态为x＝[p
x
,v
x
,p
y
,v
y
]T
，其中p
x
,p
y
分别为目标在x、y方向的位置，v
x
、v
y
分别为目标在x、y方向的速度，T表示转置；
[0023]设置目标运动的过程噪声协方差为其中σ
x
(k)2表示k时刻环境对目标在x方向的噪声方差，σ
y
(k)2表示k时刻环境对目标在y方向的噪声方差；
[0024]设置传感器的观测噪声协方差为其中δ
x2
、δ
y2
分别表示传感器对目标x位置与y位置的噪声方差；
[0025]步骤(2)、对目标的状态、观测进行建模，具体为：
[0026]2‑
1目标状态建模
[0027]用一个标签随机有限集来表示多个目标在k时刻的状态，N
k...

【技术保护点】

【技术特征摘要】
1.基于SC
‑
LM的分散式GM
‑
LPHD多目标跟踪方法，包括以下步骤：步骤(1)、构建分散式多传感器多目标跟踪场景，设置相关参数，包括目标运动的过程噪声和传感器的观测噪声；步骤(2)、对目标的状态、观测进行建模；步骤(3)、单传感器GM
‑
LPHD滤波器建模；步骤(4)、基于步骤(2)
‑
(3)，利用分散式融合架构，对所有传感器的后验高斯集进行先SC
‑
LM处理后融合；具体如下：4
‑
1在k时刻，基于步骤(2)
‑
(3)可知传感器s
j
经过GM
‑
LPHD滤波得到标签后验高斯混合集其中分别表示k时刻传感器s
j
经过步骤(3)滤波后得到的第i个GM
‑
LPHD分量的权值、状态均值、协方差，表示传感器s
j
经过步骤(3)后得到的GM
‑
LPHD分量个数；4
‑
2状态聚类假设任意两个传感器s
q
，s
p
的标签后验高斯集分别为的标签后验高斯集分别为按照式(12)计算传感器s
q
，s
p
中任意两个标签后验高斯分量i和j之间的距离d(i,j)：其中‖
·
‖2表示2范数；根据式(12)得到传感器s
q
与传感器s
p
之间的代价矩阵D如下：4
‑
3标签匹配经过步骤4
‑
2状态聚类所得到的代价矩阵D，通过式(14)得到传感器s
q
和传感器s
p
后验状态之间的匹配关系：其中π
*
表示传感器s
q
中的高斯分量与传感器s
p
中高斯分量的匹配关系，π
*
(i)＝j意味着s
q
中第i个标签高斯分量与s
p
中第j个标签高斯分量在状态上匹配；对于所有的匹配对(i,j)，当满足式(15)条件时，将它们的标签进行配对：d(i,π
*
(i))<c
ꢀꢀꢀꢀ
(15)其中c为门限；将完成匹配的标签高斯分量与的标签做如下处理：
其中l
f
表示融合后的标签高斯分量的标签；故根据公式(16)，标签高斯分量与分别更新为与4
‑
4分散式几何平均融合将传感器s
q
与传感器s
p
中的标签后验高斯分量进行SC
‑
LM处理之后，进行几何平均GA融合，公式如下：合，公式如下：合，公式如下：合，公式如下：合，公式如下：其中ω1、ω2表示GA融合的融合系数，表示为经过SC
‑
LM处理后的第i与第j个标签后验高斯分量的融合权重，表示为经过SC
‑
LM处理后的第i与第j个标签后验高斯分量的融合协方差；表示为经过SC
‑
LM处理后的第i与第j个标签后验高斯分量的融合均值；4
‑
5判断分散式几何平均融合的融合次数是否达到一致性融合次数要求，若未达到，则跳转到步骤4
‑
2继续执行，若达到则输出滤波结果；步骤(5)、利用构建好的GM
‑
SC
‑
LM
‑
LPHD滤波器在分散式框架下实现多目标跟踪。2.根据权利要求1所述方法，其特征在于步骤(1)具体如下：目标在二维平面内运动，其状态为x＝[p
x
,v
x
,p
y
,v
y
]
T
，其中p
x
,p
y
分别为目标在x、y方向的位置，v
x
、v
y
分别为目标在x、y方向的速度，T表示转置；设置目标运动的过程噪声协方差为其中σ
x
(k)2表示k时刻环境对目标在x方向的噪声方差，σ
y
(k)2表示k时刻环境对目标在y方向的噪声方差；设置传感器的观测噪声协方差为其中δ...

【专利技术属性】
技术研发人员：申屠晗，林锐峰，李橘楠，白志圆，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：