一種改進的CPHD多目標跟蹤算法

歐陽成 姬紅兵 張俊根

(西安電子科技大學電子工程學院 西安 710071)

1 引言

多目標環(huán)境下，由于目標出現(xiàn)、消失及新目標衍生過程的存在，每一時刻的目標數(shù)都可能發(fā)生變化。此外，觀測信息的不確定性，如漏檢、虛警等問題均給目標跟蹤帶來很大困難。如何實時、有效地跟蹤數(shù)目不定的多個目標，一直是學術(shù)界和工程應用的研究熱點和難點。

近幾年，越來越多專家開始嘗試利用隨機有限集[1](RFS)理論來解決多目標跟蹤問題，其中最有影響力的是Mahler提出的概率假設(shè)密度(PHD)濾波[2]。該濾波算法將復雜的多目標狀態(tài)空間的運算轉(zhuǎn)換為單目標狀態(tài)空間內(nèi)的運算，有效避免了多目標跟蹤中復雜的數(shù)據(jù)關(guān)聯(lián)問題。由于PHD遞歸過程的封閉解無法直接得到，通常采用粒子PHD(particle PHD)[3]或高斯混合PHD(GMPHD)[4]兩種方式實現(xiàn)遞歸。

PHD存在的一個缺點是，假設(shè)目標數(shù)服從Poisson分布，這會夸大目標漏檢對其勢估計的影響，這一問題，在最近提出的CPHD濾波算法中得到了改進[5,6]。然而，雖然CPHD對整體目標數(shù)的估計是準確的，但從局部看，仍然存在目標漏檢問題，即當某個目標發(fā)生漏檢時，其PHD權(quán)值會按照一定的比例轉(zhuǎn)移到其它目標上，這一現(xiàn)象在零虛警概率的情況下顯得尤為明顯[7]。針對這一問題，文獻[7]提出了一種局部化的CPHD算法，該算法將視場按照不同目標劃分成多個獨立的區(qū)域，在每個區(qū)域中分別采用CPHD算法進行濾波。該方法需要對劃分后各個區(qū)域的雜波密度進行調(diào)整，這一過程會增加勢估計的不確定性，而且當目標發(fā)生交叉時，由于無法將目標劃分到不同的獨立區(qū)域，該方法失效。

針對以上問題，本文提出一種改進的CPHD多目標跟蹤算法，該算法在高斯混合框架下實現(xiàn)貝葉斯遞歸，通過對各個高斯分量進行標記，對目標進行航跡關(guān)聯(lián)[8]，在此基礎(chǔ)上對修剪合并后各個高斯分量的權(quán)值進行再分配。實驗結(jié)果表明，所提方法不僅能夠有效解決目標漏檢問題，而且當目標發(fā)生交叉時也不會造成目標丟失等情況，在多目標狀態(tài)估計和航跡維持方面均優(yōu)于普通的CPHD算法。

2 CPHD濾波

與PHD濾波類似，CPHD也可以采用高斯混合的形式(GMCPHD)實現(xiàn)遞歸[9,10]。

預測：GMCPHD的預測過程可以分為對PHD的預測以及對勢分布的預測兩個平行的過程。其中對PHD的預測過程與傳統(tǒng)的GMPHD完全相同，這里不再贅述，具體可參考文獻[4]。對勢分布的預測方程如下：

其中M是一個馬爾可夫轉(zhuǎn)移矩陣，它可以通過式(2)計算。

其中PrS,k表示目標的存活概率，Pbirth(n?i)表示k?1時刻到k時刻新生n?i個目標的概率。在恒定采樣速率的情況下，M是恒定的，可以預先計算并存儲起來。

更新：對PHD和勢分布的更新過程可以分別表示為

其中D和?D分別表示目標被檢測到和目標漏檢的情況，Pd表示檢測概率，各個似然比分別表示如下：

其中λ表示雜波密度，pc(mk?j)表示雜波數(shù)為mk?j的概率。

在GMCPHD中，PHD由一些帶權(quán)值的高斯分量混合表示，其中各個高斯分量的均值和方差可以通過KF迭代求解，高斯分量的權(quán)值可按進行更新。設(shè)則

基于上述高斯混合模型，式(5)-式(9)中的似然比可以寫成Jk|k?1個單檢測似然比加權(quán)求和的形式：

3 目標漏檢問題

第2節(jié)介紹的CPHD濾波算法存在固有的目標漏檢問題，該問題在零虛警概率的情況下顯得尤為明顯[7]，因為在上述情況下，式(5)，式(6)，式(8)，式(9)退化成式(15)-式(18)：

考慮只有n個目標的情況，即P(n′＞n)=0，當有一個目標漏檢時，有如下式子：

將式(19)，式(20)代入式(15)，式(17)，得到CPHD對于漏檢部分PHD的更新方程如下：

由于這部分PHD是均勻分布在視場中的，而檢測部分的PHD只分布在各個觀測周圍，這就會導致當一個目標漏檢時，其PHD權(quán)值按照一定的比例轉(zhuǎn)移到其它目標上。這就是CPHD中的目標漏檢問題，該問題在傳統(tǒng)的PHD中同樣存在，因為在傳統(tǒng)的PHD中，對于漏檢部分的PHD更新方程僅用1?Pd代替式(21)，這與最優(yōu)貝葉斯估計相距更遠，而且它對于整體目標數(shù)的估計也是不正確的。

可見，雖然CPHD濾波在單目標零虛警概率的情況下能夠準確估計其勢分布，但是當把多個目標看作一個隨機集進行濾波時，由于CPHD不區(qū)分目標，本該在真實漏檢目標附近分布的PHD被均勻分散到了整個視場內(nèi)，致使真實漏檢目標的權(quán)值變得更小，而檢測到的目標由于合并了一部分在視場中均勻分布的PHD，其自身權(quán)值反而有所增加。但從全局來看，這種權(quán)值的轉(zhuǎn)移不會對勢分布的估計造成影響，CPHD濾波對于整體目標數(shù)的估計仍然是準確的。

4 改進算法

針對以上問題，本節(jié)提出一種改進的CPHD多目標跟蹤算法，該算法首先需要對目標做有效區(qū)分，采用label法對目標進行標記[8]。設(shè)k?1時刻各個高斯分量標記為

k時刻，預測高斯分量標記為

在對PHD的更新步驟中，每個預測高斯分量都會更新出1+mk個高斯分量，將更新后的標記與預測標記對應起來，可得

經(jīng)過修剪合并后，各個高斯分量的標記集合變?yōu)?/p>

由于更新高斯分量的標記全部來自預測高斯分量的標記集合，所以對于使得成立。

在對目標進行航跡關(guān)聯(lián)的基礎(chǔ)上，可以對修剪合并后的高斯分量進行權(quán)值再分配，該步驟包含兩次分配過程。設(shè)k時刻經(jīng)過修剪合并后的Jk|k個高斯分量中有r個被檢測到，Jk|k?r個漏檢，由于檢測目標的漏檢部分PHD一部分源于自身，另一部分由其它漏檢目標按照預測權(quán)值的比例轉(zhuǎn)移而來，而漏檢目標的漏檢部分PHD全部源于自身，因此根據(jù)式(13)有

因此在進行第一次分配時，可預先設(shè)定一個檢測門限η，然后按照式(28)，式(29)進行分配：

由式(28)，式(29)可以看出，第1次分配是以η為標準，認為權(quán)值大于η的目標被檢測到了，將與其相關(guān)的漏檢部分PHD按照預測權(quán)值的大小分配給權(quán)值小于η的高斯分量。其中，檢測門限η的選取可根據(jù)實際情況進行調(diào)整，一般在弱雜波環(huán)境將η取大一些，在強雜波環(huán)境將η取小一些。

對式(29)中的兩部分權(quán)值分別求和，可得

當目標距離很近或發(fā)生交叉時，只進行一次權(quán)值分配，仍然可能有目標權(quán)值大于1，因為多余的權(quán)值不僅來自漏檢目標，還可能來自與其鄰近的目標或雜波。與第一次分配類似，第二次分配可按照下面兩個式子進行：

由式(31)，式(32)可以看出，分配過程基于一個目標只可能產(chǎn)生一個觀測的事實，將權(quán)值大于1的目標直接賦予權(quán)值1，而將多余的權(quán)值按照預測權(quán)值的比例分配給其他目標。與第1次權(quán)值分配類似，第2次權(quán)值分配仍然不會影響整體目標數(shù)的估計，事實上，經(jīng)過第1次權(quán)值分配就能有效解決目標漏檢問題，第2次權(quán)值分配只在目標距離很近或發(fā)生交叉時進行。

5 仿真實驗與分析

實驗1 研究2維空間中一定區(qū)域內(nèi)的4個目標相繼出現(xiàn)消失時的算法性能，每個目標在平面上的運動方程如下：

簡單起見，假設(shè)目標位置可觀測，觀測方程為

實驗中取σw=0.5，σv=0.5，存活概率PrS,k=0.99，檢測概率Pd=0.95。不考慮目標衍生的情況，新生目標隨機集服從Poisson分布，其PHD為

圖1所示為CPHD算法分別對4個目標對應高斯分量的權(quán)值估計?？梢钥闯?，在第13、15時刻，由于目標2漏檢，造成了目標1權(quán)值的增加，而目標3和目標4由于預測權(quán)值比較小，并沒有太大變化。同理，在第23、27以及目標消失等時刻均有類似的情況發(fā)生。這是由于CPHD并不區(qū)分目標，當漏檢發(fā)生時，漏檢部分PHD被均勻分散到了整個視場內(nèi)，該部分權(quán)值按照預測權(quán)值的大小進行分配，導致了上述情況發(fā)生。圖2所示為CPHD算法的目標狀態(tài)估計，圖2(a)為目標在x軸上的位置估計，圖2(b)為目標在y軸上的位置估計。可以看出，在漏檢時刻，由于漏檢目標權(quán)值被分散，導致其本身權(quán)值變得更小以致低于目標消失閾值ξd，從而在狀態(tài)估計時認為這些目標消失了。

圖3所示為改進算法分別對4個目標對應高斯分量的權(quán)值估計?？梢钥闯?，在目標漏檢時刻，由于對權(quán)值進行了再分配，漏檢目標分散到其它地方的大部分權(quán)值被重新分配回來。雖然也有一小部分權(quán)值被分配給了雜波，但由于雜波的預測權(quán)值很小，這部分權(quán)值只占很小的比例，整體目標數(shù)估計仍然是準確的。圖4所示為改進算法的目標狀態(tài)估計。可以看出，在漏檢時刻，雖然漏檢目標的權(quán)值有所下降，但下降的幅度明顯減少，其權(quán)值仍大于目標出現(xiàn)閾值ψb，從而在狀態(tài)估計時認為該目標依然存在。

值得注意的是，雖然改進算法在目標漏檢時刻的性能得到了較大改善，但當目標消失時，其狀態(tài)估計有一個滯后效果，該滯后與檢測概率Pd有關(guān)。對比圖2與圖4也可以看出，在第40、50和第60個時刻，變權(quán)修正的結(jié)果導致消失目標的權(quán)值下降速度變慢了。上述情況是無法避免的，因為目標漏檢與目標消失在單幀內(nèi)無法區(qū)分，當檢測概率Pd＜1時，在目標消失后的1個到幾個時刻內(nèi)，該目標被當作漏檢而認為依然存在是符合客觀實際的。

實驗2 考察目標發(fā)生交叉時算法的性能。令σw=0，其它仿真參數(shù)同實驗1，產(chǎn)生理想運動軌跡如圖5所示，4個目標分別在第26和第51時刻發(fā)生交叉。

圖6所示為CPHD算法分別對4個目標對應高斯分量的權(quán)值估計。可以看出，在第4，第16和第65時刻，由于目標3，目標1和目標4漏檢，造成了其余目標權(quán)值的增加，另外，在交叉點附近，由于目標交叉而導致了一部分權(quán)值轉(zhuǎn)移。

圖7所示為只進行一次權(quán)值分配的結(jié)果。可以看出，通過第1次權(quán)值分配，由于目標漏檢所導致的權(quán)值轉(zhuǎn)移問題得到了解決，但由于目標交叉而導致的權(quán)值轉(zhuǎn)移問題依然存在。

圖8所示為改進算法的最終分配結(jié)果?？梢钥闯?，通過兩次權(quán)值分配，由于目標交叉所導致的權(quán)值轉(zhuǎn)移問題也得到了很好的改善。

圖1 CPHD對4個目標的權(quán)值估計

圖2 CPHD的目標狀態(tài)估計

圖3 改進算法對4個目標的權(quán)值估計

圖4 改進算法的目標狀態(tài)估計

圖5 4個目標在y軸上的理想運動軌跡

圖6 CPHD對4個目標的權(quán)值估計

圖7 只進行第1次權(quán)值分配的結(jié)果

圖8 改進算法的最終分配結(jié)果

6 結(jié)論

本文針對CPHD算法中的目標漏檢問題，提出一種改進的CPHD多目標跟蹤算法。算法首先將數(shù)據(jù)關(guān)聯(lián)引入CPHD中，在有效區(qū)分目標的基礎(chǔ)上對修剪合并后各個高斯分量的權(quán)值進行再分配。首先通過第1次分配解決目標漏檢所導致的權(quán)值轉(zhuǎn)移問題，若目標發(fā)生交叉，則對權(quán)值進行第2次分配。實驗結(jié)果表明，所提方法不僅能夠有效解決目標漏檢問題，而且在目標發(fā)生交叉時也不會造成目標丟失等情況，在多目標狀態(tài)估計和航跡維持方面均優(yōu)于普通的CPHD算法。CPHD算法的復雜度較高，如何對參數(shù)進行優(yōu)化，進一步提高算法效率都是今后需要開展的工作。

[1] Goodman I, Mahler R, and Nguyen H. Mathematics of Data Fusion [M]. Norwell, MA, Kluwer, 1997: 131-175.

[2] Mahler R. Multitarget Bayes filtering via first-order multitarget moments [J]. IEEE Transactions on Aerospace and Electronic Systems, 2003, 39(4): 1152-1178.

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

[4] Clark D, Vo B T, Vo B N, and Godsill S. Gaussian mixture implementations of probability hypothesis density filters for non-linear dynamical models [C]. IET Seminar on Target Tracking and Data Fusion: Algorithms and Applications,Birmingham, UK, April 15-16, 2008: 21-28.

[5] Mahler R and Martin L. PHD filter of high order in target number [J]. IEEE Transactions on Aerospace and Electronic Systems, 2007, 43(4): 1523-1543.

[6] Mahler R. PHD filter for nonstandard targets, Ⅱ:Unresolved targets [C]. 12th International Conference on Information Fusion, Las Vegas, NV, USA, July 6-9, 2009:922-929.

[7] Ulmke M, Franken D, and Schmidt M. Missed detection problems in the cardinalized probability hypothesis density filter [C]. 11th International Conference on Information Fusion, Cologne, Germany, June 30-July 3, 2008: 1-7.

[8] Erdinc O, Willett P, and Coraluppi S. The Gaussian mixture cardinalized PHD tracker on MSTWG and SEABAR’07 datasets[C]. 11th International Conference on Information Fusion, Cologne, Germany, June 30-July 3, 2008: 1-8.

[9] Vo B T, Vo B N, and Cantoni A. Analytic implementations of the cardinalized probability hypothesis density filter [J].IEEE Transactions on Signal Processing, 2007, 55(7):3553-3567.

[10] Ulmke M, Erdinc O, and Willett P. Gaussian mixture cardinalized PHD filter for ground moving target tracking[C]. 10th International Conference on Information Fusion,Quebec, Que, July 9-12, 2007: 1-8.