改進(jìn)的最適高斯近似概率假設(shè)密度濾波

歐陽成* 陳曉旭 華 云

?

改進(jìn)的最適高斯近似概率假設(shè)密度濾波

歐陽成陳曉旭 華 云

(電子信息控制重點實驗室 成都 610036)

最適高斯近似概率假設(shè)密度濾波是一種新穎的多機(jī)動目標(biāo)跟蹤算法。然而，該算法存在模型概率先驗固化問題，即在計算模型概率的過程中量測信息不起作用。針對以上問題，該文提出一種改進(jìn)算法，通過引入模型概率更新過程，將后驗量測信息加入模型概率的計算式中，根據(jù)似然函數(shù)在多個運(yùn)動模型之間進(jìn)行軟切換，進(jìn)而實現(xiàn)對多個機(jī)動目標(biāo)的有效跟蹤。實驗結(jié)果表明，改進(jìn)算法能夠有效解決模型概率先驗固化問題，在目標(biāo)數(shù)估計和濾波精度方面均優(yōu)于傳統(tǒng)算法，具有良好的工程應(yīng)用前景。

隨機(jī)集；概率假設(shè)密度濾波；最適高斯近似；機(jī)動目標(biāo)跟蹤

1 引言

在機(jī)動目標(biāo)跟蹤領(lǐng)域，交互式多模型(Interacting Multiple Model, IMM)算法被認(rèn)為是迄今為止最有效的算法之一，它通過模型轉(zhuǎn)移概率在多個模型之間進(jìn)行軟切換，可以在計算精度和計算開銷上獲得比較好的折中。雜波環(huán)境中，為了跟蹤多個機(jī)動目標(biāo)，常用的方法是將IMM分別與聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(Joint Probabilistic Data Association, JPDA)、多假設(shè)跟蹤(Multiple Hypothesis Tracking, MHT)等算法相結(jié)合，構(gòu)成IMM-JPDA, IMM-MHT等算法。然而，由于需要計算所有關(guān)聯(lián)事件的概率，這些算法的復(fù)雜度隨目標(biāo)或虛警個數(shù)的增加呈指數(shù)增長，難以應(yīng)用于工程。

近幾年，由于隨機(jī)集理論的興起，與其相關(guān)的多目標(biāo)跟蹤算法越來越多, 其中最具影響力的是Mahler提出的概率假設(shè)密度(Probability Hypothesis Density, PHD)濾波，及其改進(jìn)算法。該濾波算法將復(fù)雜的多目標(biāo)狀態(tài)空間的運(yùn)算轉(zhuǎn)換為單目標(biāo)狀態(tài)空間內(nèi)的運(yùn)算，有效避免了多目標(biāo)跟蹤中復(fù)雜的數(shù)據(jù)關(guān)聯(lián)問題。目前已有的PHD實現(xiàn)方法主要包括粒子PHD和高斯混合PHD兩種形式，后者由于避免了粒子采樣以及聚類等操作，在運(yùn)算效率和狀態(tài)提取方面更具優(yōu)勢。文獻(xiàn)[9]和文獻(xiàn)[10]分別將多模型的思想引入粒子PHD和高斯混合PHD中，以解決多機(jī)動目標(biāo)跟蹤問題。然而，傳統(tǒng)的多模型PHD濾波并不包含輸入交互過程，正如文獻(xiàn)[10]所述，如何將IMM算法引入PHD濾波中是一個頗具挑戰(zhàn)的問題。最近，文獻(xiàn)[11]通過采用粒子擬合目標(biāo)狀態(tài)的模型條件PHD強(qiáng)度，在粒子PHD框架下成功實現(xiàn)了模型輸入交互。相應(yīng)地，文獻(xiàn)[12]通過采用最適高斯近似(the Best-Fitting Gaussian, BFG)法對IMM預(yù)測性能進(jìn)行估計，成功將輸入交互過程引入高斯混合PHD濾波中。然而，研究發(fā)現(xiàn)該算法存在模型概率先驗固化問題，即在計算模型概率的過程中量測信息不起作用。針對以上問題，本文提出一種改進(jìn)算法，通過引入模型概率更新過程，充分利用后驗信息改善濾波性能。實驗結(jié)果表明，改進(jìn)算法能夠有效解決模型概率先驗固化問題，性能優(yōu)于傳統(tǒng)的BFG-PHD濾波，具有良好的工程應(yīng)用前景。

2 隨機(jī)有限集及PHD濾波

在多目標(biāo)跟蹤中，多目標(biāo)狀態(tài)和量測均可用隨機(jī)有限集(Random Finite Sets, RFS)表示，即=為目標(biāo)狀態(tài)集，為量測集，其中和分別是和上的所有有限子集的集合，和分別表示時刻的目標(biāo)數(shù)和量測數(shù)。

(6)

3 最適高斯近似PHD濾波

最適高斯近似(BFG)法是一種跳轉(zhuǎn)馬爾可夫線性系統(tǒng)(Jump Markov Linear Systems, JMLS)下的IMM性能估計方法，其基本思路是將動態(tài)模型中的狀態(tài)轉(zhuǎn)移方程和過程噪聲協(xié)方差矩陣用一個BFG分布進(jìn)行近似，從而使目標(biāo)在兩種模式下的預(yù)測狀態(tài)具有相同的均值和方差。文獻(xiàn)[12]將該算法引入PHD濾波中，實現(xiàn)對多個機(jī)動目標(biāo)的有效跟蹤。

考慮如下JMLS模型：

BFG近似即是將式(8)用一個BFG分布進(jìn)行替換

若將式(8)所示的JMLS表示為事件，式(9)所示的BFG分布表示為事件，則算法的關(guān)鍵在于尋找合適的和，使得下式成立

(11)

由全概率公式可知

事件條件下的目標(biāo)狀態(tài)期望為

對比式(12)和式(13)可知

(14)

另一方面，事件條件下的目標(biāo)狀態(tài)協(xié)方差矩陣為

其中，

另一方面，由式(9)和式(15)可知，

(20)

(22)

此后的PHD預(yù)測更新過程與傳統(tǒng)的單模型PHD濾波完全一致，不同之處僅在于狀態(tài)轉(zhuǎn)移矩陣和過程噪聲協(xié)方差矩陣需分別用BFG近似的和進(jìn)行替換，簡單起見，本文不再贅述。

4 改進(jìn)算法

文獻(xiàn)[13]提出BFG算法的初衷是為了計算JMLS的克拉美羅下界(Posterior Cramer-Rao Lower Bound, PCRLB)。對于單模型線性系統(tǒng)而言，可直接對其Fisher信息矩陣(FIM)求逆

(24)

由于PCRLB給出的是估計性能下界，不需要計算具體的似然函數(shù)，因此BFG算法中的模型概率計算公式中只包含預(yù)測過程，而缺乏更新過程。文獻(xiàn)[12]將BFG算法直接應(yīng)用于PHD濾波中，固然可以解決模型輸入交互問題，但在計算模型概率時沿用了BFG中的方法。換句話說，只需給定一個模型概率初值，就可根據(jù)式(22)迭代計算出整個跟蹤過程的模型概率值，我們稱其為模型概率先驗固化問題。本節(jié)針對該問題提出一種改進(jìn)算法，通過引入模型概率更新過程，利用后驗信息改善濾波性能。

(26)

(28)

(30)

其中，

(33)

則經(jīng)過量測更新的后驗PHD強(qiáng)度為

(35)

其中，

(37)

(38)

(40)

(41)

(43)

其中，

(45)

(46)

由式(33)和式(43)可以看出，改進(jìn)算法對于模型概率的計算包括預(yù)測和更新兩個步驟，其中預(yù)測過程與BFG算法相同，但更新過程則需要用到每個高斯分量的似然函數(shù)，由于后驗量測信息的引入，模型概率先驗固化問題得以有效解決。

值得注意的是，本文算法與文獻(xiàn)[12]中算法一樣，都只適用于馬爾可夫線性系統(tǒng)。此處的“線性”僅僅是指，狀態(tài)轉(zhuǎn)移方程需滿足線性條件，而對于量測方程則沒此限制。因此，對于量測方程非線性的系統(tǒng)，可考慮將算法中的卡爾曼濾波(Kalman Filter, KF)替換為無跡卡爾曼濾波(Unscented Kalman Filter, UKF)或高斯粒子濾波(Gaussian Particle Filter, GPF)等非線性高斯濾波算法，以改善濾波性能。

5 仿真實驗與分析

研究2維空間中一定區(qū)域內(nèi)相繼出現(xiàn)消失的8個機(jī)動目標(biāo)，真實目標(biāo)航跡如圖1所示。整個觀測過程持續(xù)60幀，采樣周期為。每個目標(biāo)在時刻的狀態(tài)用一個4維向量表示，其中，和分別表示目標(biāo)的位置和速度。采用5個運(yùn)動模型對目標(biāo)運(yùn)動過程進(jìn)行描述，均滿足如下狀態(tài)轉(zhuǎn)移方程

其中，

5個模型的過程噪聲協(xié)方差矩陣均為 ，但轉(zhuǎn)彎角速率各不相同，模型1的轉(zhuǎn)彎角速率為，即勻速直線運(yùn)動，模型2

傳感器位置為坐標(biāo)原點，量測方程為

其中，

簡單起見，不考慮目標(biāo)衍生過程，新生目標(biāo)隨機(jī)集取為目標(biāo)真實起始位置，采用擴(kuò)展卡爾曼算法進(jìn)行濾波。仿真中設(shè)置最大高斯分量數(shù)為，修剪門限為，合并門限為。檢測概率，目標(biāo)存活概率為。雜波數(shù)服從均值為20的泊松分布，在視場內(nèi)均勻分布。

圖2所示為文獻(xiàn)[12]算法中目標(biāo)2的模型概率轉(zhuǎn)移曲線?？梢钥闯?，由于原算法中的模型概率先驗固化問題，只需給定一個初始模型概率以及馬爾可夫跳轉(zhuǎn)矩陣，就可根據(jù)式(22)將所有時刻的模型概率迭代計算出來，因此無法根據(jù)后驗量測信息對模型進(jìn)行軟切換。

圖3所示為改進(jìn)算法中目標(biāo)2的模型概率轉(zhuǎn)移曲線?？梢钥闯?，由于模型概率更新過程的加入，模型概率先驗固化問題得以有效解決，因此，改進(jìn)算法可以在跟蹤過程中充分利用后驗量測信息，在多個運(yùn)動模型之間進(jìn)行軟切換。

圖2 原算法中目標(biāo)2的模型概率轉(zhuǎn)移曲線

圖4所示為原算法的單次仿真結(jié)果。可以看出，由于跟蹤過程中無法對模型進(jìn)行有效切換，當(dāng)目標(biāo)發(fā)生機(jī)動時，跟蹤誤差較大，且容易丟失目標(biāo)。

圖5所示為改進(jìn)算法的單次仿真結(jié)果。可以看出，由于跟蹤過程中能夠充分利用后驗量測信息，實現(xiàn)多個模型之間的軟切換，當(dāng)目標(biāo)發(fā)生機(jī)動時，跟蹤誤差較小，且不容易丟失目標(biāo)。

采用文獻(xiàn)[14]中的估計與航跡關(guān)聯(lián)算法生成目標(biāo)航跡，圖6和圖7分別為原算法和改進(jìn)算法得到的時間軸跟蹤軌跡，同樣可以說明問題。

為統(tǒng)計不同算法的平均性能，進(jìn)行500次蒙特卡洛(Monte Carlo, MC)實驗，采用目標(biāo)數(shù)估計均值方差和OSPA脫靶距離對不同算法的性能進(jìn)行評價，OSPA距離的計算式如下：

圖4 原算法的單次仿真結(jié)果

圖8和圖9分別為原算法和改進(jìn)算法的目標(biāo)數(shù)估計性能。可以看出，原算法的目標(biāo)丟失現(xiàn)象較為嚴(yán)重，目標(biāo)數(shù)估計性能整體較差，而改進(jìn)算法的目標(biāo)數(shù)估計更加準(zhǔn)確，且方差較小，魯棒性更強(qiáng)。

圖10所示為不同算法的OSPA距離對比?？梢钥闯?，改進(jìn)算法在目標(biāo)數(shù)估計和濾波精度方面均優(yōu)于文獻(xiàn)[12]中算法，具有良好的工程應(yīng)用價值。

表1所示為不同檢測概率下的綜合性能對比。可以看出，隨著檢測概率的降低，兩種算法的性能均有所下降，但總體來看，改進(jìn)算法的OSPA距離更小，目標(biāo)數(shù)估計均值更大，標(biāo)準(zhǔn)差更小，平均跟蹤誤差更小，表現(xiàn)出更好的綜合性能。

圖5 改進(jìn)算法的單次仿真結(jié)果

圖6 原算法時間軸跟蹤軌跡(“·”量測，“——”航跡)

圖7 改進(jìn)算法時間軸跟蹤軌跡(“·”量測，“——”航跡)

圖8 原算法的目標(biāo)數(shù)估計性能

圖9 改進(jìn)算法的目標(biāo)數(shù)估計性能

Fig. 9 Target number estimation of the improved algorithm

表1不同檢測概率下的綜合性能對比

Tab. 1 Performance comparison under the conditons of different detection probabilities

6 結(jié)論

BFG-PHD濾波是一種新穎的多機(jī)動目標(biāo)跟蹤算法，能夠在高斯混合PHD框架下實現(xiàn)不同目標(biāo)的模型輸入交互。然而，該算法存在模型概率先驗固化問題，限制了其在工程中的應(yīng)用。針對以上問題，本文提出一種改進(jìn)算法，通過引入模型概率更新過程，根據(jù)后驗量測信息對模型概率進(jìn)行調(diào)整，從而能夠更好地跟蹤多個機(jī)動目標(biāo)。實驗結(jié)果表明，改進(jìn)算法能夠有效解決模型概率先驗固化問題，性能優(yōu)于傳統(tǒng)的BFG-PHD濾波，具有良好的工程應(yīng)用前景。然而，本文考慮的仿真場景還比較簡單，新生目標(biāo)隨機(jī)集取為目標(biāo)真實起始位置，且沒有考慮目標(biāo)衍生過程。接下來，需要在新生目標(biāo)隨機(jī)集未知且包含目標(biāo)衍生過程的環(huán)境下，進(jìn)一步驗證算法性能。另外，如何將算法應(yīng)用到多傳感器系統(tǒng)中也是今后需要開展的工作。

[1] 譚順成, 王國宏, 王娜. IMM-Singer模型的機(jī)動目標(biāo)跟蹤算法[J]. 火力與指揮控制, 2012, 37(2): 32-34.

Tan Shun-cheng, Wang Guo-hong, and Wang Na. Maneuvering target tracking algorithm based on IMM-Singer model[J].&, 2012, 37(2): 32-34.

[2] 許江湖, 劉忠, 黨玲. 集中式自適應(yīng)網(wǎng)格IMMJPDA算法[J]. 艦船科學(xué)技術(shù), 2012, 34(1): 67-72.

Xu Jiang-hu, Liu Zhong, and Dang Ling. A centralized multisensor multitarget tracking algorithm based on variable structure multiple-model[J]., 2012, 34(1): 67-72.

[3] Dempster R J, Blackman S S, and Nichols T S. Combining IMM filtering and MHT data association for multitarget tracking[C]. Proceedings of the 29th Southeastern Symposium on System Theory, March 1997: 123-127.

[4] Mahler R. Multitarget Bayes filtering via first-order multitarget moments[J]., 2003, 39(4): 1152-1178.

[5] 王品, 謝維信, 劉宗香, 等. 一種非線性GM-PHD濾波新方法[J]. 電子學(xué)報, 2012, 40(8): 1597-1602.

Wang Pin, Xie Wei-xin, Liu Zong-xiang,.. A novel Gaussian mixture PHD filter for nonlinear models[J]., 2012, 40(8): 1597-1602.

[6] Mahler R, Vo B N, and Vo B T. CPHD filtering with unknown clutter rate and detection profile[J]., 2011, 59(8): 3497-3513.

[7] Vo B N, Singh S, and Doucet A. Sequential Monte Carlo methods for Bayesian multi-target filtering with random finite sets[J]., 2005, 41(4): 1224-1245.

[8] Vo B N and Ma W K. The Gaussian mixture probability hypothesis density filter[J]., 2006, 54(11): 4091-4104.

[9] Punithakumar K, Kirubarajan T, and Sinha A. Multiple-model probability hypothesis density filter for tracking maneuvering targets[J]., 2008, 44(1): 87-98.

[10] Pasha S A, Vo B N, Tuan H D,.. A Gaussian mixture PHD filter for jump Markov system models[J]., 2009, 45(3): 919-936.

[11] Ouyang C, Ji H B, and Guo Z Q. Extensions of the SMC-PHD filters for jump Markov systems[J]., 2012, 92(6): 1422-1430.

[12] Li W L and Jia Y M. Gaussian mixture PHD filter for jump Markov models based on best-fitting Gaussian approximation[J]., 2011, 91(4): 1036-1042.

[13] Hernandez M L, Ristic B, Farina A,.. Performance measure for Markovian switching systems using best-fitting Gaussian distributions[J]., 2008, 44(2): 724-747.

[14] Panta K, Clark D E, and Vo B N. Data association and track management for the Gaussian mixture probability hypothesis density filter[J]., 2009, 45(3): 1003-1016.

[15] Schuhmacher D, Vo B T, and Vo B N. A consistent metric for performance evaluation of multi-object filters[J]., 2008, 56(8): 3447-3457.

Improved Best-fitting Gaussian Approximation PHD Filter

Ouyang Cheng Chen Xiao-xu Hua Yun

(Science and Technology on Electronic Information Control Laboratory, Chengdu 610036, China)

The best-fitting Gaussian approximation Probability Hypothesis Density (PHD) filter is a novel algorithm for multiple maneuvering target tracking. However, there is a problem that the model probabilities are calculated without the measurement innovation. To solve this problem, an improved algorithm is proposed in this paper, which develops an update procedure for model probabilities to employ the posterior measurement innovation to enhance the filtering performance. Then, the dynamic equations can be softly switched among different models according to the likelihood functions. The simulation results show that the improved algorithm has several advantages over the ordinary one with respect to the target number estimation and filtering accuracy, implying good application prospects.

Random finite sets; Probability Hypothesis Density (PHD) filter; Best-fitting Gaussian approximation; Maneuvering target tracking

TN953

A

2095-283X(2013)02-0239-08

10.3724/SP.J.1300.2013.13010

歐陽成(1985-)，男，博士后，西安電子科技大學(xué)博士畢業(yè)，現(xiàn)為中電集團(tuán)第29研究所博士后。研究方向為目標(biāo)檢測與跟蹤、多傳感器信息融合。E-mail: ouoyc@yahoo.com.cn

陳曉旭(1976-)，男，工程師，研究方向為信號處理、無源定位技術(shù)等。

華 云(1972-)，男，研究員，研究方向為信號處理、無源定位技術(shù)等。

2013-02-05收到，2013-05-02改回；2013-05-07網(wǎng)絡(luò)優(yōu)先出版

中國博士后科學(xué)基金(2012M521713)資助課題

歐陽成 ouoyc@yahoo.com.cn