标签多伯努利机动目标跟踪与分类算法
彭华甫1,2,黄高明1,田威1,邱昊1,满欣1
(1.海军工程大学电子工程学院,430033,武汉;2.解放军92773部队,325807,浙江温州)
摘要 :针对密集杂波下现有的多机动目标跟踪算法性能衰减严重的问题,提出了一种标签多伯努利目标跟踪与分类算法。首先,引入类别信息对目标状态进行扩维;然后利用类别属性对目标机动模型转移密度进行修正,并推导新的状态转移密度函数,抑制了错误机动模型对目标状态预测的影响;同时,建立目标位置与属性的联合量测似然函数,增大了目标与杂波的区分度,从而增强杂波抑制能力;最后,基于多模型标签多伯努利滤波器框架推导了新的预测、更新方程。仿真实验结果表明:所提算法在高杂波环境下仍能对多机动目标进行有效跟踪,其目标数估计误差及最优子模式分配距离分别约为多模型概率假设密度联合检测、跟踪、分类滤波器的1/2和1/4,为多模型势平衡多伯努利联合检测、跟踪、分类滤波器的3/4和1/2。
关键词 :多目标跟踪;机动目标;分类;标签多伯努利;目标类别
多目标跟踪是掌握未来信息化战争主动权的关键技术之一[1],在战场环境监视、制导及反导等方面应用广泛。随着战场环境日趋复杂,加之隐身技术及干扰等因素的影响,目标往往淹没在密集杂波背景下。为有效跟踪目标,需要在密集杂波下检测真实目标,估计目标数量及状态并形成航迹,同时判决目标的类别属性。通常,目标的检测、跟踪与分类是相互耦合的,如检测可抑制虚警及漏检影响提高跟踪及分类性能,目标的运动特征可改善目标分类效果,分类特征可提高目标检测及跟踪精度[2]。因此,对目标进行联合检测、跟踪、分类(joint detection,tracking and classification,JDTC)具有十分重要的意义。
目前,多机动目标JDTC主要有两种解决方案。①将类别属性信息引入经典的数据关联算法中,如文献[3]结合目标识别信息及多假设跟踪(MHT),提出了一种多目标联合跟踪、分类(joint tracking and classification,JTC)算法;文献[4]结合联合概率数据关联(JPDA)及多模型(MM),研究了杂波环境下的JTC算法;文献[5]将目标类别属性信息引入到多帧数据关联中,提高了跟踪精度。然而,随着目标及杂波数量的增大,此类基于数据关联的跟踪算法计算量成指数增长[6],且未引入目标检测过程。②将类别信息引入有限集统计学(FISST)理论中,可有效避免复杂的数据关联过程。如:文献[7]将特征辅助信息引入PHD)滤波器中,实现了非机动目标JDTC;文献[8-9]针对机动目标结合多模型思想,提出了MM-PHD-JDTC算法,由于PHD类JDTC算法虽然能估计目标数目,但并非真正意义上的目标检测;对此,文献[10]引入目标类别信息及目标存在概率,结合联合目标检测与跟踪(JoTT)滤波器,实现了真正意义上的JDTC,但仅针对单目标情形进行了分析,未考虑目标类别对目标机动模型的影响;文献[11]利用类别信息对多模型势平衡多伯努利(MM-CBMeMBer)滤波器进行扩展,提出了MM-CBMeMBer-JDTC算法,提高了多机动目标跟踪精度,但密集杂波环境下性能衰减严重,且仅能估计目标状态,无法直接形成航迹。
近年来,Vo等结合MHT及随机有限集(RFS)理论,提出了广义标签多伯努利(GLMB)滤波器[12-13]。GLMB滤波器具有更高的跟踪精度、良好的抗杂波干扰能力且可直接估计航迹等优点,在衍生目标跟踪[14]、多传感器信息融合[15]等领域受到了广泛关注。针对GLMB计算复杂度高的问题,文献[16]利用LMB和δ -GLMB近似转换及量测分组,提出了LMB滤波器,在损失少量跟踪精度的前提下大幅降低了计算量;文献[17]结合箱粒子滤波提出了Box-GLMB滤波器,进一步有效降低了计算量,推动了算法的实用化进程。文献[18-19]在此基础上结合MM,提出了MM-LMB滤波器,改善了机动目标跟踪能力。
住宅小区主接线采用单母线分段接线形式。对于双母线类型的接线，由于其设备投资大、接线复杂，尽管在一定程度上供电可靠性得到了保证，但由于新建小区多为2级、3级负荷，所以无需使用双母线接线。单母线分段接线的高性价比和可靠性能够满足住宅小区用电需求。
本文针对数量未知且时变的多机动目标JDTC问题,利用类别属性信息对MM-LMB滤波器进行推广,提出了MM-LMB-JDTC滤波器。在预测阶段,利用目标类别属性与机动模型集之间的耦合关系,对目标机动模型进行筛选,抑制了错误模型的影响,提高了跟踪精度;在量测更新阶段,利用属性信息增强了目标与杂波的区分度,改进了目标与杂波的量测似然,增强了杂波抑制能力。最后,通过仿真实验验证了算法的有效性。
1 MM-LMB多目标跟踪算法
针对机动目标跟踪问题,将单目标运动状态矢量x 进行扩展,引入航迹标签l 区分不同航迹目标,引入机动模型标签n ∈M 区分运动模型,M ={1,2,…,|M |}为机动模型集,则扩展后的目标状态可表示为
x ′=(x ,l ,n )
(1)
多目标状态可用RFS理论表示为随机有限集
其中
为第i 个目标状态,N 为目标数。
MM-LMB滤波器的预测分布由存活目标演化分布及新生目标分布两部分组成,可表示为[19]
(2)
式中:
为k 时刻航迹为l 的新生目标存在概率;
为该新生目标概率分布;L B为新生目标航迹标签集;
为存活到k 时刻航迹标签l 目标的存在概率;
为该目标概率分布。
MM-LMB滤波器的更新分布可近似为[19]
(1)当
时,分类器能对目标进行正确检测分类,属性信息能增强目标与杂波的区分度,增大真实目标权重并降低杂波权重,提高杂波抑制能力;
(3)
式中:
为k 时刻航迹标签l 目标的存在概率;
为该目标概率分布。详细说明可参考文献[19]。
2 MM-LMB-JDTC算法
对发文作者进行统计分析，可以反映出某一领域研究的核心作者群和作者之间的合作关系。据统计（表1），该领域研究者共469人，发表1篇论文的作者有159人，占作者总数的33.90%。发文量较多的作者有汪传雷7篇，邓胜利6篇，邓小昭5篇，李贵成、吴丹各4篇，高产作者的数量可以根据普赖斯提出的计算公式得出。根据普赖斯定律，M = 0. 749( Nmax ) 1/2，M为论文篇数，Nmax 为发文量最高的作者所发表的论文数量，其中发表网络信息行为相关研究论文最多的是汪传雷，发表论文7篇，代入公式M取整为2，即发表2篇以上的为高产作者，共59人。
2.1 目标状态建模
假设监视区域内目标的类别集为S ={0,1,2,…,|S |},其中0表示杂波,|·|为取势计算。对于未知目标,可将其属性设置为同一指定的属性标签。为区分不同类别属性的目标,引入类别标签ξ ∈S ,对式(1)进行扩维,目标状态由位置、航迹标签、运动模型索引、类别属性组成,可表示为
(4)
扩展后的目标状态集可用RFS理论表示为
其中
为第i 个目标状态。实际中,目标类别及航迹标签均不随时间变化,则目标状态转移密度函数可表示为
f l (n k |n k-1 ,ξ )
(5)
式中:x k 为k 时刻单个目标的运动状态;
为k -1到k 时刻航迹标签l 目标运动状态转移密度;f l (n k |n k-1 ,ξ )为类别标签为ξ 时航迹标签l 目标由k -1时刻的运动模型n k-1 到k 时刻的运动模型n k 的模型转移密度。
2.2 量测建模
假设目标位置量测与属性量测已经正确关联,目标状态扩展后,量测由位置量测z 及类别量测η ∈S 两部分组成,即
(6)
则扩展后的目标量测集可用RFS理论表示为
其中
为第i 个量测,M 为量测数。
目标位置量测似然函数为
g (z |x )=N (z ;Hx ,R c)
(7)
式中:H 为量测矩阵;N (z ;Hx ,R c)表示均值为Hx 、协方差为R c的高斯分布。
属性量测方程可由混淆矩阵C 表示[5]
C =[c ηξ ],ξ ,η =0,1,2,…,|S |
(8)
式中:c ηξ 表示当目标真实类别为ξ 时,分类器将目标类别判决为η 的概率。
过程噪声协方差矩阵为
儿童摄影经过了数年的发展，被业内人士称为“朝阳产业”，进入新世纪以来，更是经历了蓬勃发展，儿童摄影店遍地开花。在具有纪念意义的拍摄之外，影像风格的探索成为儿童摄影新的主流。这一时期的欧陆风情儿童照尤为突出，引领了当时的市场风潮。
通常目标类别不同,其运动模型也不同,建立基于类别属性的模型转移密度函数,可有效抑制模型失配对跟踪的影响;同时,分类器通过对目标进行分类可去除部分杂波量测的影响。因此,利用目标类别信息来提高机动目标的跟踪精度,引入类别属性,对目标状态及量测状态进行扩维;在MM-LMB滤波器的基础上,重新推导了状态扩维后的预测、更新方程。
噪声标准差δ v=0.5 m/s;转弯速率θ =6π/180 rad/s,扫描时间间隔T s=1 s,仿真时间长度为100 s。类别1目标的模型转换概率矩阵为
混合式教学使教学过程由以教师为中心向学生自主学习转变。本文在电力电子技术课程教学中引入混合式教学模式，通过网络教学资源建设、计算机仿真技术应用、混合式教学组织，进一步丰富混合式教学的内涵，为实践性强的专业课程实施基于互联网的新型教学提供可参考的实践经验。
(9)
(10)
式中:c (z )为空间位置杂波密度函数;g (η |ξ )为目标属性量测似然函数,可由混淆矩阵C 计算。
采用国际上公认的分类标准，将甲状腺癌患者肿大淋巴结内部血流分布分为Ⅰ～Ⅴ型，分别为淋巴口型、中央型、边缘型、混合型和无血流型，判断标准为Ⅰ型和Ⅴ型为良性特征，Ⅱ、Ⅲ和Ⅳ型为恶性特征。
2.3MM -LMB -JDTC 算法
利用类别属性对目标机动模型转移密度进行修正,能有效避免错误机动模型对目标状态预测的影响。将式(5)代入式(2)中,同时结合多维积分,可得MM-LMB-JDTC滤波器预测方程为
在量测更新阶段,可以利用属性信息增强目标与杂波的区分度,改进目标与杂波的量测似然,增强杂波抑制能力。引入目标类别属性后,目标量测由位置及类别两部分组成,仅对目标量测似然函数及杂波密度产生影响。用式(9)(10)所示的位置和属性的联合量测似然函数替代式(3)中的位置量测似然函数,可得更新方程
(11)
式中
为k -1时刻航迹标签l 目标的概率分布;
为其在下一时刻继续存活的概率。
①TP(True Positive):跌倒发生且系统成功检测到,属正确判断;②TN(True Negative):未发生跌倒且系统未检测到跌倒,属正确判断;③FP(False Positive):未发生跌倒但系统仍然检测到,属误判;④FN(False Negative):跌倒发生但系统未检测到,属漏判。
(12)
式中
为k 时刻获取的量测集;
为类别ξ 目标的检测概率;
为类别的检测概率;
为航迹标签l 目标检测概率;g (z |x ,l ,n )为目标量测似然函数;c (z )为杂波密度。
这衣服我们不穿谁穿？我一下买回来两套，我和你姥姥每人一套。母亲站起来，扯着衣襟原地旋转了一圈。年轻时穿，太俏，怕人家说。现在再不穿，还等什么时候？
分析式(12)可以发现:
（1）视频资源时间长。视频资源主要是借用他人的，时长一般在25分钟以上，虽然对部分视频做了处理，但平均时长还在20分钟左右，这样导致学生看视频的时候感觉时间过长，容易产生疲劳，影响学习效果。学生的意见督促我们根据每个知识点制作时间不超过10分钟的微视频。
(2)当
时,分类器无法区分目标及杂波,MM-LMB-JDTC算法会退化为MM-LMB算法;
(3)当
时,分类器性能严重衰减,属性信息会降低真实目标权重并增大杂波权重,跟踪性能恶化,劣于MM-LMB算法。
对外宣传是一种跨文化语言交际。新形势下，对外经济和文化交流极其频繁，为适应中国文化和思想走出去的国策，对外宣传工作的重要性日益突出。广义的外宣类文本是指以国外受众为宣传接受对象，对某地区、企业、景点或事物进行介绍的资料和文章，其文本功能在于吸引读者、增进文化了解、树立良好形象，等等。由于中英文的外宣文本在语言风格上既有相似之处，又各有特点，因此，翻译成为了对外宣传的一个重要媒介。外宣翻译的突出特点是“基本上都是中译外”，［1］(P27)这就要求译者既精通中文母语，又熟知英文读者的阅读习惯，还需了解宣传类文本语言特征，能够使用娴熟的英文表达。
3 仿真实验
假设有两种类别的多个机动目标,其模型集分别为{m 1,m 2}、{m 1},在二维观测区域[-1 000,1 000] m×[-1 000,1 000] m内机动运动。机动模型m 1为近匀速(Nearly Constant Velocity,NCV)模型,m 2为协同转弯(Coordinated Turn,CT)模型,状态转移矩阵分别为
假设目标位置量测及类别量测相互独立,联合式(7)、(8)可得目标位置与属性的联合量测似然及杂波联合密度分别为
学习、讲课、酿酒，与小伙伴们打造有趣的酒庄，酿出好玩的酒，并拿下HKIWSC的银奖、WINE100的铜奖……但对于这个2018，戴鸿靖只愿给自己80分，他说：“需要知足，也需要给自己压力。所以80分。”而对于即将开启的2019，他则表示：“好朋友在Napa开启了酿酒项目。希望2019年可以更深入地看到、经历到顶级葡萄酒是如何打造的。希望可以在考试上专注一点，有所得。希望可以把酿酒做成一定规模和体量，可以支撑我把更多时间用在酿酒上。”
g (z |x )g (η |ξ >0)
《庄子》有篇《不龟手之药》（龟通皲，皮肤皲裂之意），讲了一个故事：宋国有一个善于制造防治皮肤冻裂的药（类似于现在的防冻护手霜）的人，世世代代以在水中漂洗棉絮为业。有一个客人听说了，请求用百金购买这个药方。宋国人把族人召集在一起商量说：“咱家世世代代以在水中漂洗棉絮为业，不过赚几个小钱儿罢了。现在一下子卖掉技术就能得到百金，那就卖给他吧。”客人得到秘方以后，用它来游说吴王。正赶上越国向吴国发难，吴王派客人作大将，冬天与越国人在水中作战，因为客人有制作护手霜的秘方，将士们免受冻伤，吴军大获全胜。论功行赏，吴王赏给这个客人一块封地。
很多疾病都是因胸痛就诊而被检出发现[6]，心血管系统造成的急性胸痛是临床常见病因[7-8]，如急性肺动脉栓塞、急性主动脉夹层等疾病。急性胸痛具有较高的发病率和死亡率，临床采用X线检查、心电图诊断急性胸痛[9-10]，前者对肺实变性的显示存在不足之处，而心电图虽然空白期较为短暂，但仍会导致误诊或漏诊情况发生，因此应选择一种更加准确有效的方法明确急性胸痛的病因，便于尽早实施对症治疗。
假设目标新生概率p B=0.01,协方差P B=diag([40,2,40,2]),类别1的目标在位置
附近产生,类别2的目标在位置
附近随机产生,传感器检测概率p D=0.9,目标存活概率p S=0.98。
假设传感器观测方程及分类器混淆矩阵分别为
位置观测噪声
假设杂波在观测区域内均匀分布,其个数满足泊松分布,泊松分布参数λ =160。
不过，彼时远在新加坡参加伦敦申奥团的英国首相布莱尔强压怒火，在记者会上反而笑着表示，自己不会对希拉克的这些言论做出反应。他说：“特别是此时此刻，我不想受牵引，往那条道路走。”
图1为本文MM-LMB-JDTC算法的单次实验结果,表示在不同观测时刻,目标分别在X 和Y 维方向上的真实值及估计值。可以看出,高杂波下,本文算法仍可以较好实现多机动目标的联合检测、跟踪与分类,验证了算法的有效性。
图1 MM-LMB-JDTC算法的单次实验结果
图2 混淆矩阵为C 时2种算法的势估计误差
为验证引入属性信息对算法性能的影响,分别对MM-LMB算法[19]及本文MM-LMB-JDTC算法进行100次Mente Carlo实验。图2为混淆矩阵为C 时2种算法的目标势估计误差,可以看出,引入属性信息后目标势估计误差更小,估计更稳定。图3为混淆矩阵为C 时2种算法的最优子模式分配(Optimal Subpattern Assignment,OSPA)[20]距离,用于评价算法的跟踪精度。可以看出,本文算法的OSPA距离小于MM-LMB算法,状态估计更精确。
图3 混淆矩阵为C 时2种算法的OSPA距离
为验证分类器性能对算法性能的影响,设置分类器混淆矩阵为
其他参数不变,图4、5分别为混淆矩阵为C 1时不同算法的目标势估计误差及OSPA距离。可以看出,当分类器性能降低时,本文算法的性能也会随之衰减,但仍比MM-LMB算法跟踪精度高。
图4 混淆矩阵为C 1时2种算法的势估计误差
图5 混淆矩阵为C 1时2种算法的OSPA距离
为衡量算法的性能,分别对MM-PHD-JDTC[8]、MM-CBMeMBer-JDTC[11]及本文MM-LMB-JDTC算法进行100次Mente Carlo实验。图6为3种算法的势估计误差,可以看出:相比MM-PHD-JDTC、MM-CBMeMBer-JDTC算法,MM-LMB-JDTC算法势估计误差小,估计更稳定。
图6 3种算法的目标势估计误差
图7为3种算法的OSPA距离,可以看出:本文MM -LMB-JDTC算法的OSPA距离最小,状态估计精度最高。MM-PHD-JDTC、MM-CBMeMBer-JDTC算法为保证共轭分布,在递推过程中采用了各种近似处理技术,易受杂波影响,在高杂波下算法的精度较低。MM-LMB-JDTC基于MHT思想,利用多帧量测信息计算假设概率,能有效抑制杂波的影响。当10、15、20 s时刻有新目标出现时,3种算法均无法对新目标及时做出响应,将其判为杂波,从而导致短暂的新目标丢失,因此在这些时刻OSPA距离会出现尖峰。在90 s处,同时有3个目标消失,MM-LMB-JDTC算法之前时刻的量测信息仍会影响当前时刻的概率分布,导致目标过估,引起较大的估计偏差,因此当目标消失时OSPA距离均会出现较大的尖峰。
图7 3种算法的OSPA距离
4 结 论
本文基于标签RFS滤波框架提出了一种JDTC算法,引入属性特征对MM-LMB滤波器进行扩展,基于贝叶斯估计理论,推导了新的预测、更新方程。在预测阶段,利用属性相关的模型集,对目标机动模型进行筛选;在量测更新阶段,利用属性信息增强了目标与杂波的区分度,改进了目标与杂波的量测似然,增加了杂波抑制能力。仿真实验表明,类别信息能有效提高目标跟踪精度,本文算法在高杂波环境下仍能对多机动目标进行检测、跟踪、分类,且同MM-PHD-JDTC、MM-CBMeMBer-JDTC算法相比,势估计更稳定,状态估计精度更高。
参考文献 :
[1] BLACKMAN S, POPOLI R. Design and analysis of modern tracking systems [M]. Boston, MA, USA: Artech House, 1999: 1-12.
[2] CAO W , LAN J , LI X R . Extended object tracking and classification using radar and ESM sensor data [J]. IEEE Signal Processing Letters, 2018, 25(1): 90-94.
[3] CHANG K C, FUNG R. Target identification with bayesian networks in a multiple hypothesis tracking system [J]. Optical Engineering, 1997, 36(3): 684-692.
[4] MESAOUDI Z, OULDALI A, OUSSALAH M. Joint multiple target tracking and classification using controlled based cheap JPDA-multiple model particle filter in cluttered environment [C]∥Lecture Notes in Computer Science: Vol 5099. Berlin, Germany: Springer, 2008: 562-569.
[5] BAR-SHALOM Y, KIRUBARAJAN T, GOKBERK C. Tracking with classification-aided multi-frame data association [J]. IEEE Transactions on Aerospace and Electronic Systems, 2005, 41(3): 868-878.
[6] 韩玉兰, 朱洪艳, 韩崇昭, 等. 多扩展目标的高斯混合概率假设密度滤波器 [J]. 西安交通大学学报, 2014, 48(4): 95-101.
HAN Yulan, ZHU Hongyan, HAN Chongzhao, et al. Gaussian mixture probability hypothesis density filter for multiple extended targets [J]. Journal of Xi’an Jiaotong University, 2014, 48(4): 95-101.
[7] 杨威, 付耀文, 黎湘, 等. 基于LGJMS-GMPHDF的多机动目标联合检测、跟踪与分类算法 [J]. 电子与信息学报, 2012, 34(2): 398-403.
YANG Wei, FU Yaowen, LI Xiang, et al. Joint detection, tracking and classification algorithm for multiple maneuvering targets based on LGJMS-GMPHDF [J]. Journal of Electronics & Information Technology, 2012, 34(2): 398-403.
[8] 杨威, 付耀文, 黎湘, 等. 基于MMPHDF的多机动目标联合检测、跟踪与分类算法 [J]. 中国科学: 信息科学, 2012, 42(7): 893-906.
YANG Wei, FU Yaowen, LI Xiang, et al. Joint detection, tracking and classification algorithm of multiple maneuvering targets using MMPHDF [J]. Scientia Sinica: Information, 2012, 42(7): 893-906.
[9] YANG W, FU Y, LONG J, et al. Joint detection, tracking, and classification of multiple targets in clutter using the PHD filter [J]. IEEE Transactions on Aerospace and Electronic Systems, 2012, 48(4): 3594 -3609.
[10] YANG W, WANG Z, FU Y, et al. Joint detection, tracking and classification of a manoeuvring target in the finite set statistics framework [J]. IET Signal Processing, 2015, 9(1): 10-20.
[11] GAO L, SUN W, WEI P. Extensions of the CBMeMBer filter for joint detection, tracking, and classification of multiple maneuvering targets [J]. Digital Signal Processing, 2016, 56: 35-42.
[12] VO B N, VO B T, PHUNG D. Labeled random finite sets and the bayes multi-target tracking filter [J]. IEEE Transactions on Signal Processing, 2014, 62(24): 6554-6567.
[13] VO B N, VO B T, HOANG H G. An efficient implementation of the generalized labeled multi-Bernoulli filter [J]. IEEE Transactions on Signal Processing, 2017, 65(8): 1975-1987.
[14] 邱昊, 黄高明, 左炜, 等. 基于标签多伯努利滤波的衍生目标跟踪算法 [J]. 航空学报, 2015, 36(9): 3012-3019.
QIU Hao, HUANG Gaoming, ZUO Wei, et al. Spawned target tracking algorithm based on labeled multi-Bernoulli filtering [J]. Acta Aeronautica et Astronautica Sinica, 2015, 36(9): 3012-3019.
[15] LI S Q, YI W, HOSEINNEZHAD R, et al. Robust distributed fusion with labeled random finite sets [J]. IEEE Transactions on Signal Processing, 2018, 66(2): 278-293.
[16] REUTER S, VO B T, VO B N, et al. The labelled multi-Bernoulli filter [J]. IEEE Transactions on Signal Processing, 2014, 62(12): 3246-3260.
[17] 苗雨, 宋骊平, 姬红兵. 箱粒子广义标签多伯努利滤波的目标跟踪算法 [J]. 西安交通大学学报, 2017, 51(10): 107-112.
MIAO Yu, SONG Liping, JI Hongbing. Target tracking method with box-particle generalized label multi-Bernoulli filtering [J]. Journal of Xi’an Jiaotong University, 2017, 51(10): 107-112.
[18] WEI Y, MENG J, HOSEINNEZHAD R. The multiple model Vo-Vo filter [J]. IEEE Transactions on Aerospace and Electronic Systems, 2017,53(2): 1045- 1054.
[19] 邱昊, 黄高明, 左炜, 等. 多模型标签多伯努利机动目标跟踪算法 [J]. 系统工程与电子技术, 2015, 37(12): 2683-2688.
QIU Hao, HUANG Gaoming, ZUO Wei, et al. Multiple model labeled multi-Bernoulli filter for maneuvering target tracking [J]. Systems Engineering and Electronics, 2015, 37(12): 2683-2688.
[20] SCHUHMACHER D, VO B T, VO B N. A consistent metric for performance evaluation of multi-object filters [J]. IEEE Transactions on Signal Processing, 2008, 56(8): 3447-3547.
A Tracking and Classification algorithm for Maneuvering Targets with Labeled Multi -Bernoulli
PENG Huafu1,2,HUANG Gaoming1,TIAN Wei1,QIU Hao1,MAN Xin1
(1. College of Electronic Engineering, Naval University of Engineering, Wuhan 430033, China;2. Unit 92773 of the PLA, Wenzhou, Zhejiang 325807, China)
Abstract :A tracking and classification algorithm for targets with labeled multi-Bernoulli (LMB) is proposed to solve the problem that the performance of existing tracking algorithms for multiple maneuvering targets seriously degrades under dense clutter environment. Firstly, target state is extended by introducing category information. Secondly, the transfer density of the target maneuver model is modified using attributes of the target class. The impact of a wrong maneuver model on the target state prediction is suppressed, and the new state transition density function is derived. In addition, a joint likelihood function for the attributes and position of the target is established to increase the discrimination between target and clutters, and the clutter suppression ability is enhanced. Finally, an improved prediction and update equation are derived based on the multiple model labeled multi-Bernoulli filter framework. Simulation results show that the proposed method still trackes multiple maneuvering targets even in a high clutter environment. The estimation error for the number of targets and the optimal subpattern assignment distance of the proposed method are 1/2 and 1/4 respectively, of those from the multiple model probability hypothesis density joint detection, tracking and classification (JDTC) filter, and 3/4 and 1/2, ksptctialy, of those from the multiple model cardinality balanced multi-target multi-Bernoulli JDTC filter.
Keywords :multiple target tracking; maneuvering targets; classification; labeled multi-Bernoulli; target class
中图分类号 :TN391
文献标志码: A
文章编号: 0253-987X(2019)02-0157-06
收稿日期: 2018-07-20。 作者简介:彭华甫(1987—),男,博士生;黄高明(通信作者),男,教授,博士生导师。 基金项目:国家自然科学基金资助项目(61501484);中国博士后科学基金资助项目(2017M613370)。
网络出版时间: 2018-12-03 网络出版地址:http:∥kns.cnki.net/kcms/detail/61.1069.T.20181203.0954.004.html
DOI :10.7652/xjtuxb201902021
(编辑 刘杨)