[发明专利]一种有限视野下分布式标签多伯努利融合跟踪方法

说明书

本发明公开了一种有限视野下分布式标签多伯努利融合跟踪方法，属于智能信息处理技术和信号处理领域。首先利用泛洪传输使得单一传感器拥有传感器网络中所有目标后验分布信息，采取基于聚类的目标划分方法，对目标进行准确归类，可融合类目标执行GCI融合，不可融合类目标则直接提取该目标分布信息；针对跨传感器运动目标或单一传感器跟踪目标，本发明利用目标标签以及传感器标识信息建立航迹维持表，通过与航迹维持表进行匹配，恢复目标本地标签，使得目标航迹连续化。本发明有效地解决了有限视野传感器网络中进行GCI融合导致的非重叠区域目标分布信息丢失从而导致目标漏跟的问题，可输出网络全局视野中全部目标的状态信息和完整航迹。

技术领域

本发明涉及一种有限视野下分布式标签多伯努利融合跟踪方法，属于智能信息处理技术和信号处理领域。

背景技术

多目标跟踪是指利用传感器量测在复杂环境中估计多目标状态，跟踪过程中目标数目与目标状态随时间变化。传统的多目标跟踪方法基于数据关联，在每个跟踪时刻须计算出目标与量测关联假设的概率，比较典型的方法有联合概率数据关联滤波器和多假设跟踪。理论上基于数据关联的方法也可对目标进行准确跟踪，但在实际运用过程中，当跟踪目标数目较多时，会出现“组合爆炸”问题，即关联假设过多导致计算量过大。

Mahler于2003年提出基于随机有限集的概率假设密度(Probability HypothesisDensity,PHD)滤波器，该滤波器可在滤波过程中避免数据关联且跟踪效果良好。此后，基于随机有限集的多目标跟踪方法受到广泛关注，相继出现势概率假设密度滤波器(Cardinality Probability Hypothesis Density,CPHD)、势均衡多伯努利滤波器(Cardinality Balanced Multi-Target Multi-Bernoulli，CBMeMBer)、标签多伯努利(Labeled Multi-Bernoulli,LMB)滤波器等多目标跟踪方法。其中，LMB滤波器不仅能准确估计多目标状态且可提供目标航迹。

传感器分布式融合即传感器网络中各节点通过通信与相邻传感器交换滤波后验，并利用传感器的计算能力对多目标后验分布进行融合提高目标跟踪精度。目前常用的融合方法为基于广义协方差交集(Generalized Covariance Intersection,GCI)的融合方法，势概率假设密度、势均衡多伯努利、标签多伯努利等滤波器后验分布已有基于GCI融合的相关研究，基于融合的多目标跟踪方法有效提高了滤波器跟踪性能。

相较于其他方法，基于LMB的分布式融合方法提供了目标航迹管理功能，但LMB分布进行GCI融合存在计算复杂度高、标签不一致问题。Li Suqi等人对目标在多传感器跟踪应用场景中出现标签不一致的原因进行了详细分析，提出一种基于免标签的稳健标签多滤波器分布式融合方法(Li Suqi,Hoseinnezhad,Reza,et al.Robust Distributed FusionWith Labeled Random Finite Sets.)。Li Suqi等人后又提出一种基于最优匹配的标签匹配融合算法(Li Suqi,Battistelli G,Chisci L,et al.Computationally EfficientMulti-Agent Multi-Object Tracking With Labeled Random Finite Sets[J].IEEETransactions on Signal Processing,2018:1-1.)，该方法相较于基于免标签的稳健标签多滤波器分布式融合方法计算复杂度更低，但上述方法皆基于传感器网络中多传感器具有相同视野。

当传感器放置得当，传感器网络中各传感器视野(Fields of View,FoVs)重叠区域较大且目标只在重叠区域运动，此时可认为各传感器监控视野是一致的，若各传感器类型相同且性能较好，滤波多目标后验分布差异不大，采用融合算法能有效提高跟踪精度。