随机生成元素升序向量_一种基于T分布的鲁棒GLMB多目标跟踪方法与流程

本发明属于智能信息处理技术领域，涉及多目标的跟踪、航迹关联和状态估计方法。具体地说是一种基于t分布和glmb跟踪框架的的多目标跟踪技术，可用于雷达监测、计算机视觉、交通监控、细胞生物学、传感器网络和分布式估计等系统中多目标的跟踪。

背景技术：

联合广义标签多伯努利(j-glmb)是近年来最前沿的多目标跟踪算法之一，采用高斯分布来更新目标状态，并建立数学模型建立目标航迹。然而，在非线性和强干扰场景下跟踪精确度下降，造成较大误差。

技术实现要素：

针对上述问题，本发明基于t分布变分贝叶斯(tdvb)的鲁棒滤波技术，改进了j-glmb跟踪框架的状态更新步骤，提出tdvb-j-glmb算法。实现本发明的关键技术是：在j-glmb跟踪算法框架下，假设目标状态服从t分布，采用tdvb滤波技术进行状态更新，提高了非线性场景下的跟踪精度和鲁棒性。

一种基于t分布的鲁棒glmb多目标跟踪方法，包括如下步骤：

步骤1，令初始时刻k＝0，初始化参数，得到初始分量集；

步骤2，当k≥1帧时，采用tdvb技术更新目标状态；

步骤3，生成量测标签关联概率矩阵η(h)，通过吉布斯采样生成个量测分量γ(h,t)；

步骤4，根据量测分量γ(h,t)，更新初始分量，得到新的分量集；

步骤5，对得到的新的分量集剔除重复分量，并归一化权重，得到权重集；

步骤6，若下一帧观测信息到达，转到步骤2进行迭代；否则，跟踪过程结束。

进一步地，步骤1中，设初始分量集为其中i(h)为标签集，ω(h)为权重，p(h)为目标状态概率密度，h为分量数量；设定参数其中为标签l所对应的新生目标出生概率，为标签l所对应的目标状态概率密度，b+为新生目标标签集。

进一步地，步骤2中，目标状态概率密度表示为：

其中，st(·)为t分布，j(l)为混合概率密度的分量个数，为分量归一化的权重，为均值，为协方差，v为自由度。

进一步地，所述步骤2，具体包括如下分步骤：

步骤2-1，以下过程迭代nite次，使得λk收敛：

其中，

步骤2-2，更新成分权重

其中，pd是目标检测概率，k(zk,l)为杂波强度，为量测似然；最后一次迭代得到的与为最终参数，进而更新目标状态概率密度，得到p(h)(·,l)：

进一步地，所述步骤3中包括如下分步骤：

步骤3-1，生成量测标签关联概率矩阵η(h)：

其中，

其中，

其中，ps(·,l+)为标签l+存活概率，pd,+(·,l+)为检测概率f+(x+|·,l+)为状态转移函数，g+(·|·)为量测的似然函数；

步骤3-2，随机生成量测分量γ(h,1)；

步骤3-3，对于第t个量测分量的第n个标签，生成其对应第j个量测的采样后概率

步骤3-4，存储采样后数组的所有类别，并生成量测分量γ(h,t)：

γ(h,t):＝[γ(h,t),γn(h,t)]

步骤3-5，剔除重复分量，生成量测分量集

其中，unique返回中的值，没有重复元素。产生的结果向量按升序排序，t(h)为分量个数。

进一步地，所述步骤4中包括如下分步骤：

步骤4-1，根据量测分量γ(h,t)与标签集i(h)，得到新的标签集

步骤4-2，根据量测分量γ(h,t)与权重ω(h)，得到新的权重ω+(h,t)：

步骤4-3，根据量测分量γ(h,t)与概率密度p(h)，得到新的目标状态概率密度p+(h,t)：

进一步地，所述步骤5中包括如下分步骤：

步骤5-1，剔除重复成分，提取得到

其中，[uh,t]为中的分量在的位置；

步骤5-2，归一化权重，得到

本发明具有以下优点：

(1)本发明采用基于t分布的滤波技术代替基于高斯分布的滤波技术，可有效应对跟踪过程中由强干扰产生的量测异常值。

(2)本发明采用变分贝叶斯递推框架代替贝叶斯递推框架，可有效处理非线性跟踪场景。

附图说明

图1是本发明实施例中的本发明的整体流程图。

图2是本发明实施例中的多目标复杂运动的轨迹图。

图3是本发明实施例中的低干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均ospa误差对比图。

图4是本发明实施例中的低干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均目标数估计对比图。

图5是本发明实施例中的低干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均时间代价对比图。

图6是本发明实施例中的存在量测异常值的强干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均ospa误差对比图。

图7是本发明实施例中的存在量测异常值的强干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均目标数估计对比图。

图8是本发明实施例中的存在量测异常值的强干扰场景下传统方法与本发明方法200次蒙特卡洛实验的平均时间代价对比图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

一种基于t分布的鲁棒glmb多目标跟踪方法，所述方法包括如下步骤：

步骤1，令初始时刻k＝0，初始化参数，得到初始分量集。

设初始分量集为其中i(h)为标签集，ω(h)为权重，p(h)为目标状态概率密度，h为分量数量；设定参数其中为标签l所对应的新生目标出生概率，为标签l所对应的目标状态概率密度，b+为新生目标标签集。

步骤2，当k≥1帧时，采用tdvb技术更新目标状态。

目标状态概率密度表示为:

其中，st(·)为t分布，j(l)为混合概率密度的分量个数，为分量归一化的权重，为均值，为协方差，v为自由度。

步骤2，具体包括如下分步骤：

步骤2-1，以下过程迭代nite次，使得λk收敛：

其中，

步骤2-2，更新成分权重

其中，pd是目标检测概率，k(zk,l)为杂波强度，为量测似然。最后一次迭代得到的与为最终参数，进而更新目标状态概率密度，得到p(h)(·,l)：

步骤3，生成量测标签关联概率矩阵η(h)，通过吉布斯采样生成个量测分量γ(h,t)。

步骤3中包括如下分步骤：

步骤3-1，生成量测标签关联概率矩阵η(h)：

其中，

其中，

其中，ps(·,l+)为标签l+存活概率，pd,+(·,l+)为检测概率f+(x+|·,l+)为状态转移函数，g+(·|·)为量测的似然函数。

步骤3-2，随机生成量测分量γ(h,1)。

步骤3-3，对于第t个量测分量的第n个标签，生成其对应第j个量测的采样后概率

步骤3-4，存储采样后数组的所有类别，并生成量测分量γ(h,t)：

γ(h,t):＝[γ(h,t),γn(h,t)]

步骤3-5，剔除重复分量，生成量测分量集

其中，unique返回中的值，没有重复元素。产生的结果向量按升序排序，t(h)为分量个数。

步骤4，根据量测分量γ(h,t)，更新初始分量，得到新的分量集。

步骤4中包括如下分步骤：

步骤4-1，根据量测分量γ(h,t)与标签集i(h)，得到新的标签集

步骤4-2，根据量测分量γ(h,t)与权重ω(h)，得到新的权重ω+(h,t)：

步骤4-3，根据量测分量γ(h,t)与概率密度p(h)，得到新的目标状态概率密度p+(h,t)：

步骤5，对得到的新的分量集剔除重复分量，并归一化权重，得到权重集。

步骤5中包括如下分步骤：

步骤5-1，剔除重复成分，提取得到

其中，[uh,t]为中的分量在的位置。

步骤5-2，归一化权重，得到

步骤6，若下一帧观测信息到达，转到步骤2进行迭代；否则，跟踪过程结束。

本发明的效果可通过以下实验仿真进一步说明：

1.仿真条件及参数

假设多目标在二维平面，目标运动状态为其中x和y分别表示笛卡尔坐标，vx和vy分别表示目标在x轴、y轴方向速度矢量。

场景基础参数设定如下：

s＝4000×2000

ts＝1,ω0＝0.01

ps＝0.99

qk＝diag([1,0,1,0])

rk＝diag([102,102])

m0＝[ux,0,0,uy,0,0]t

p0＝diag([20,100,20,100])

其中，s表示传感器探测面积，ts表示扫描间隔，qk表示过程噪声，rk表示量测噪声，v表示自由度，nite表示变分贝叶斯迭代次数，ω0表示权重，表示运动状态，p0表示协方差。

低干扰场景参数设定如下：

pout＝0

rc＝20

pd＝0.95

存在量测异常值的强干扰场景参数设定如下：

pout＝10％

rc＝50

pd＝0.75

其中，pout表示量测异常概率，rc表示每帧的杂波率，pd表示检测概率，表示量测异常噪声。

经过仿真实验，将本发明方法与传统方式j-glmb跟踪算法进行对比实验分析，主要从以下两个方面开展实验。

实验1：低干扰场景。

本实验中四个目标在100内的不同时刻产生和消亡，轨迹如图1所示。

图2是传统方法与本发明方法200次蒙特卡洛实验的平均ospa误差对比图。可以看出，使用本发明的tdvb-j-glmb算法在跟踪复杂运动的多目标时取得了更精准的跟踪效果。

图3是传统方法与本发明方法200次蒙特卡洛实验的平均目标数估计对比图。可以看出，本发明方法目标数估计精度与j-glmb相似。

图4是传统方法与本发明方法200次蒙特卡洛实验的平均时间代价对比图。可以看出，本发明方法的时间代价低于传统方法。

实验2：存在量测异常值的强干扰场景。

本实验中四个目标在100内的不同时刻产生和消亡，轨迹如图1所示。

图5是传统方法与本发明方法200次蒙特卡洛实验的平均ospa误差对比图。可以看出，在强干扰下，本发明方法依旧保持了精准的跟踪效果。

图6是传统方法与本发明方法200次蒙特卡洛实验的平均目标数估计对比图。可以看出，本发明方法目标数估计精度高于传统方法。

图7是传统方法与本发明方法200次蒙特卡洛实验的平均时间代价对比图。可以看出，本发明方法的时间代价与传统方法相似。

从实验结果中明显可以看出，针对非线性运动的多目标跟踪，低干扰场景下，本发明方法在目标数估计上与j-glmb算法相似，在ospa误差上小于传统方法；存在量测异常值的强干扰场景下，本发明方法目标数估计精度高于传统方式，在ospa误差上明显小于传统方法，说明本具有良好的抗干扰能力，同时本发明方法的时间代价与传统算法相似，因此本发明方法适用于非线性强干扰场景下，鲁棒性要求较高的传感器系统。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。