[发明专利]基于量测互斥分组的快速标签多伯努利多目标跟踪方法

说明书

本发明提出基于量测互斥分组的快速标签多伯努利多目标跟踪方法。受Vo等人提出的标签多伯努利滤波器(LMB)的启发，所提出的滤波器在对δ‑GLMB滤波器进行有效近似的同时，大大减小计算代价。因此，该滤波器可以认为是标签多伯努利滤波器的快速实现。它在高斯混合实现和状态估计方面继承了标签多重伯努利滤波器的优点，计算效率显著提升，同时输出目标航迹(标签)。本发明提出了一套完整的处理方法和流程，配置结构明了，计算量小，可广泛应用于多目标跟踪领域，该方法有效提高多目标跟踪效率。

技术领域

本发明属于单传感器多目标跟踪领域，涉及一种基于量测互斥分组的快速标签多伯努利(LMB)多目标跟踪方法，是一种解决多目标跟踪的方法，能够快速有效提高对监测空间中多目标的跟踪质量。

背景技术

多目标跟踪是指从传感器获取的数据中联合估计出目标的数量、状态、身份等信息。目前，最流行的多目标跟踪方法是联合概率数据关联滤波器、多假设跟踪，以及近些年的随机有限集(RFS)。

RFS方法作为多目标跟踪的一般处理方法引起了广泛的关注，并为开发新型滤波器提供了基础，例如概率假设密度(PHD)滤波器、势PHD(CPHD)滤波器和多伯努利滤波器。上述滤波器虽然不是为了估计出目标的航迹，但它们已成功在许多领域中得到应用，包括雷达/声纳、自动驾驶、传感器网等。

Vo等人在2013年提出了广义标记多伯努利(GLMB)RFS，从而出现第一个基于带标签的RFS的多目标跟踪器的发展应用。在2014年，在GLMB的基础上又提出了标签伯努利(LMB)，它可以被理解为广义标记多伯努利滤波器的有效近似。它不仅继承了多伯努利滤波器在状态估计方面的优势，也继承了GLMB的优点，在跟踪目标的同时输出目标航迹(标签)。但是LMB中仍然运用了K最短路径和排序分配算法来保留最重要的分量，这使得跟踪的实时性仍不够高，为此提出一种基于量测互斥分组的快速LMB多目标跟踪方法。

发明内容

本发明的一个目的是针对原始的单传感器标签多伯努利滤波方法对多目标跟踪的跟踪效率低，计算复杂问题，提出了一种新型快速标签多伯努利多目标跟踪方法——基于量测互斥分组的快速LMB多目标跟踪方法，简称MG-LMB，有效地提高跟踪效率。

为了达到上述目的，本发明方法采用的技术方案如下：

步骤(1)、构建单传感器多目标跟踪场景，设置相关参数，包括目标运动的过程噪声和传感器的观测噪声；

步骤(2)、对多目标的状态、观测进行建模；

步骤(3)、基于步骤(1)-(2)，对传感器进行MG-LMB滤波，得到后验多伯努利分量；

步骤(4)、重复步骤(3)得到一次蒙特卡洛下，对所有时刻的多目标估计结果，实现对多目标跟踪，并使用性能评价指标——最优子模式分配(OSPA)对本发明方法的性能进行评估；

步骤(5)、转置步骤(3)进行下一次蒙特卡洛的滤波。

本发明的有益效果是：

本发明提出了一套完整的处理方法和流程，最主要的是提出一种名为基于量测互斥分组的快速LMB多目标跟踪方法；本发明可估计目标航迹，较原始LMB计算性能有巨大提升，较高斯混合概率假设密度滤波器(GM-PHD)跟踪性能有巨大提升。可广泛应用于多目标跟踪领域，该方法可以有效提高对多目标跟踪的效率、精度和鲁棒性。

附图说明

图1是本发明方法核心部分具体实现的流程图；

图2是多目标运动轨迹MG-LMB的跟踪轨迹图；

图3是在100次蒙特卡洛下，本发明方法与原始单传感器LMB滤波(VO-LMB)和GMPHD滤波得出的OSPA平均值的比较图。

具体实施方式