多传感器多目标跟踪的粒子PHD滤波算法

PHD滤波,很好的应用文章

18 传感器与微系统(TransducerandMicrosystemTechnologies) 2010年第29卷第4期

多传感器多目标跟踪的粒子PHD滤波算法

郝燕玲,孟凡彬,张崇猛,蔡艺峰,王素鑫

2.天津航海仪器研究所,天津300131)

摘 要:针对单传感器跟踪系统的缺陷,提出了基于粒子概率假设密度(PHD)滤波的多传感器多目标跟

踪算法。这种算法不仅避免了多传感器多目标跟踪的数据关联问题,而且在漏检、目标密集、航迹交叉、小范围内目标数多的杂波环境下能够稳定、精确地估计目标状态和目标数。仿真实验比较了单传感器粒子PHD滤波与多传感器的粒子PHD滤波的跟踪性能,验证了该方法的跟踪性能和精度。关键词:随机有限集;多传感器;多目标跟踪;粒子滤波;概率假设密度中图分类号:TP274;TN713 文献标识码:A 文章编号:

1000 9787(2010)04 0018 04

1

1,2

2

2

2

(1.哈尔滨工程大学自动化学院,黑龙江哈尔滨150001;

ParticlePHDfilteralgorithmformultisensor

multitargettracking

HAOYan ling,MENGFan bin,ZHANGChong meng,CAIYi feng,WANGSu xin

(1.CollegeofAutomation,HarbinEngineeringUniversity,Harbin150001,China;2.TianjinNavigationInstrumentResearchInstitute,Tianjin300131,China)

Abstract:Inordertoavoidtheflawofsingle sensortrackingsystem,amultisensormultitargettrackingalgorithmbasedonparticleprobabilityhypothesisdensity(PHD)filterisproposed.Thisalgorithmcannotonlyavoiddataassociationproblemofmultisensormultitargettracking,butalsocantrackatime varyingnumberoftargetsrobustlyandtheirstatesundermissdetection,densetarget,crosstrackandlargenumberoftargetsunderclutterenvironment,achievingreal timeperformance.SimulationresultvalidatedmultisensorwithparticlePHDfilterperformanceandcomparedsinglesensorparticlePHDwithandmultisensorwithparticlePHDfilterperformance.Keywords:randomfinitesets;multisensor;multitargettracking;particlefilter;probabilityhypothesisdensity

0 引 言

多传感器多目标跟踪在战场监视、导航、避障、机器人和医学诊断等领域具有重要作用。多目标跟踪的挑战性问题:一方面单一传感器获得的仅是环境特征的局部、片面的信息,它的信息量是非常有限的[1]。传感器的观测包括目标产生的观测和非目标产生的观测(如,杂波,虚警,ESM等)。另一方面,目标的位置随时间变化,同时,由于新目标的出现、旧目标的消失,目标的数量也会随时间变化。特别是存在多个目标航迹交叉或相似或小范围内目标数过多时,再用传统的数据关联算法处理,在多目标跟踪过程中,常常会出现目标的失跟和误跟现象[1,2]。为了克服以上问题,本文提出了基于序贯蒙特卡洛实现的概率假设密度(SMCPHD)滤波的多传感器多目标跟踪方法。

本文利用随机有限集(RFS)[3~5]描述了多传感器多目标的状态模型和观测模型,回顾了概率假设密度(PHD)滤

收稿日期:2010 02 23

1

1,2

2

2

2

波方法,并将粒子PHD滤波[1]的单传感器多目标跟踪扩展到多传感器多目标跟踪,构造一种2个同类传感器的序贯融合来跟踪多目标的粒子PHD滤波算法。然后,将这种方法应用到方位和距离跟踪系统中,在强杂波、目标密集、航迹交叉、小范围内目标数多的环境下进行估计目标状态和目标数。并通过Matlab进行仿真实验验证了该方法的跟踪性能和精度。

1 随机集理论和多目标跟踪问题

1.1 RFS的定义

RFS的定义和随机变量的定义方法类似,随机变量处理的是随机点函数,而随机集处理的是随机集值函数。

定义1(随机有限集):设E是欧式空间Rn的有界闭子集,F(E)是E的所有有限子集组成集合。( ,A,P)是一概率空间。称可测映射 !F(E)为一随机有限集[2,3]。

RFS统计理论的核心是多目标微分和积分计算。但由