[发明专利]一种基于带标签的GM-PHD平滑滤波多目标跟踪方法

说明书

本发明提供一种基于带标签的GM‑PHD平滑滤波多目标跟踪方法，在建立多目标运动模型的基础上，通过带标签的GM‑PHD平滑滤波方法，获取多目标的精确位置信息及运动轨迹。将带标签算法与GM‑PHD平滑算法结合，首先为每个高斯项添加标签信息，通过管理标签实现对不同时刻目标状态之间的关联，然后通过PHD平滑滤波对目标进行前向滤波和后向平滑，给出高斯混合条件下的实现形式，引入一个判决机制，以前后两个时刻估计目标数的差值为判决条件判断目标消失的时刻，在该时刻对平滑算法进行修正，与传统平滑PHD算法相比通过管理标签实现对不同时刻目标状态之间的关联，使得目标数目突变以及航迹交叉时目标数目与目标状态的跟踪精度较之前得到明显改善，可在漏检和杂波环境下获得多目标状态的准确估计。

技术领域

本发明涉及信息处理技术领域，具体而言，尤其涉及一种基于带标签的GM-PHD平滑滤波多目标跟踪方法。

背景技术

目标跟踪是对传感器接收到的量测信息进行处理，从而维持对目标当前状态估计的过程。在多目标跟踪场景中，目标个数未知且时变、量测信息不确定(杂波干扰、虚警)等因素，为多目标跟踪带来巨大困难。如何提高多目标跟踪效果一直是跟踪领域一个复杂的研究课题。

随机集跟踪方法可将跟踪问题转化为贝叶斯理论框架下状态估计问题，其基本思想是将描述目标运动信息的变量(如位置、速度、加速度)组成目标状态变量，通过目标状态演化方程进行预测，然后利用观测信息对状态预测更新。Mahler提出了有限集统计学理论，系统地解决了目标数未知且可变的多目标跟踪问题，通过近似方法得到了概率假设密度(PHD)滤波器，该滤波算法将复杂的多目标状态空间运算投影到单目标状态空间，然后通过传递全局后验概率密度的一阶矩得到各目标状态估计。使得在跟踪多目标时计算代价极大的降低，同时又保证了目标跟踪的精度。但也存在一些不足之处，对于非传统量测，如未知系统延时、有界偏差量测和未知同步偏差等，粒子量测模型就不再适用，也包括算法复杂度较高，运算速度较慢等缺点，在很大程度上影响其跟踪效果。

基于粒子实现的平滑PHD滤波器，该方法对前向滤波后的粒子，以一定的步长再进行后向滤波，以估计延迟和计算量为代价，取得准确的目标数和精确目标状态估计。由于基于RFS的多目标跟踪算法无法精确辨别单目标航迹，有学者提出为高斯项加标签的方式来实现航迹的获取。带标签的概率假设密度(LGM-PHD)滤波。LGM-PHD算法是在标准高斯概率假设密度滤波的基础上，为每个高斯项添加标签信息，通过管理标签实现对不同时刻目标状态之间的关联，达到目标航迹估计的目的。在LGM-PHD滤波算法中根据高斯分量权值和的大小实时估计目标数目，并且通过设定的提取阈值W_th来提取目标状态。更新结束后，若目标的高斯项权值小于提取阈值，则该目标会被遗漏。在多目标跟踪过程中，如果存在一些特殊的场景，比如目标航迹交叉或者目标运动比较接近，就会出现多个目标量测较为密集的情况。此时如果某个目标距其真实量测较远，而距其他目标的量测较近，更新结束后可能会出现该目标高斯项的权值较小的情况，导致漏检现象发生。在这种情况下，会产生很多短小的航迹，导致这些航迹被误认为杂波而被舍去，从而出现航迹不连续的问题。

带标签的GM-PHD平滑多目标跟踪算法，是GM-PHD平滑滤波与带标签的概率假设密度滤波的结合，首先通过结合前向滤波与后向平滑能够更加准确的估计目标出现时刻，减小目标新生时刻的确认滞后情况对后续航迹关联的影响，使得目标数目的估计更加准确，其次通过给每个高斯项添加标签信息，通过管理标签实现对不同时刻目标状态之间的关联，可在漏检和杂波环境下获得多目标状态的准确估计，理论上可完成对多目标的跟踪。

发明内容

根据上述提出现有方法中存在的跟踪可靠性的技术问题，而提供一种基于带标签的GM-PHD平滑滤波多目标跟踪方法。本发明方法在建立多目标运动模型的基础上，通过的带标签GM-PHD的平滑滤波方法，获取多目标的精确位置信息及运动轨迹。

本发明采用的技术手段如下：

一种基于带标签的GM-PHD平滑滤波多目标跟踪方法，包括如下步骤：