基于cphd滤波的多目标跟踪方法研究-计算机科学与技术专业论文.docxVIP

Classified Index: TP391 U.D.C.: 004.9 Dissertation for the Master Degree in Engineering RESEARCH ON MULTITARGET TRACKING ALGORITHM BASED ON CPHD FILTERING Candidate： Dong Xianglei Supervisor： Prof. Ma Peijun Academic Degree Applied for： Master of Engineering Speciality： Computer Science and Technology Affiliation： School of Computer Science and Technology Date of Defence： June, 2013 Degree-Conferring-Institution： Harbin Institute of Technology 哈尔滨工业大学工学硕士学位论文 哈尔滨工业大学工学硕士学位论文 摘 要 概率假设密度(Probability Hypothesis Density, PHD)滤波和势概率假设密度 (Cardinalized PHD, CPHD)滤波在贝叶斯滤波框架下，将多目标跟踪问题用随机有 限集形式表示，改变了传统多目标跟踪将多目标拆分为对多个单目标分别跟踪的 方式，可以处理目标的存活、新生或者分裂等情况，同时避免了复杂的数据关联。 PHD 滤波和 CPHD 滤波通过传递后验概率分布的一阶矩来代替传统贝叶斯滤波传 递的后验概率分布函数，大大减少了计算复杂度，因此成为新近多目标跟踪领域 研究的热点。与 PHD 滤波相比，CPHD 滤波消除了 PHD 滤波在低信噪比情形下因 缺乏高阶矩信息而对目标数目估计不准确的天然弊端，但计算复杂度有所增加。 本文主要针对 CPHD 滤波的状态估计、多传感器状态融合和连续跟踪方法进行研 究。 1）CPHD 滤波的状态估计：在原始的 CPHD 滤波中，目标状态仍需借助如聚 类等方 法进行 提取 ，而在 PHD 滤波 基 础上提 出来的 STPHD(Single-Target Probability Hypothesis Density)滤波把 PHD 表示为多个与观测对应的 PHD 分量之和， 提取目标状态只需根据估计的目标数目提取相应个数的峰值最大的 PHD 分量即可， 无需借助外部方法。由于 PHD 滤波与 CPHD 滤波在 PHD 的预测与更新方面存在 着很多相似之处，借助对应函数便可以把 STPHD 滤波的思想推广到 CPHD 滤波当 中，形成 QSTCPHD(Quasi Single-Target CPHD)滤波。本文使用粒子滤波来实现基 于单传感器的 CPHD 滤波，并使用 QSTCPHD 滤波提取目标状态，使 CPHD 滤波 的状态提取与 STPHD 滤波一样简单准确。 2）CPHD 滤波的多传感器状态融合：为提高 CPHD 滤波的跟踪精度，可以将 CPHD 滤波扩展到多传感器的场景当中，使用多个传感器对观测区域进行监测。但 CPHD 滤波因基于随机有限集(Random Finite Set, RFS)理论而将各时刻的目标看作 一个随机的、无序的集合，除能估计出目标的数目以及状态之外，无法给出目标 的标识信息。也就是说，在每一时刻，CPHD 滤波估计得到的目标状态虽然是真实 目标运动的估计状态，却不知道是针对哪一个目标的估计。这就意味着，若要实 现 CPHD 滤波的多传感器版本，需要一种关联方法来识别来自同一个目标的各传 感器数据，以便 对 隶属于同一目标 的 状态进行融合。 本 文把直觉模糊集 (Intuitionistic Fuzzy Set, IFS)的概念引入进来，提出了基于直觉模糊集聚类的航迹 关联方法。该方法首先将各传感器估计得到的目标状态整合在一起；分析各状态 之间的相互关系，尤其是状态之间的模糊关联关系，并转化成直觉模糊集的形式 表示出来；最后通过聚类的过程获取各状态间的相似关系，并以此作为航迹关联 I 的重要依据。该方法不仅将 CPHD 滤波推广到了多传感器领域，而且使得跟踪效 果也得到了很大程度的提高。 3）连续跟踪：对于多目标跟踪系统来说，仅仅获得各时刻目标的状态是远远 不够的，还要知道每个目标连续的运动轨迹。CPHD 滤波无法给出目标的标识意味 着仅凭其自身无法获知前后时刻状态间的关联关系，也就不能为目标形成连续航 迹。本文利用粒子 QSTCPHD 滤波方法中的粒子权值向量以及前后时刻目标的运 动规律，建立相邻时刻间的粒子权值关联矩阵和状态预测关联矩阵，通过粒子权 值关联矩阵主导、状