基于箱粒子濾波的魯棒標簽多伯努利跟蹤算法

魏帥, 馮新喜, 王泉, 鹿傳國

(1.空軍工程大學 信息與導航學院， 陜西 西安 710077； 2.95806部隊， 北京 100076)

基于箱粒子濾波的魯棒標簽多伯努利跟蹤算法

魏帥1, 馮新喜1, 王泉1, 鹿傳國2

(1.空軍工程大學 信息與導航學院， 陜西 西安 710077； 2.95806部隊， 北京 100076)

針對在未知雜波和檢測概率的跟蹤環境中標準的標簽多伯努利(LMB)算法跟蹤精度較低、粒子覆蓋集過大致使復雜度較高的問題，引入區間分析技術，提出基于箱粒子濾波的魯棒LMB跟蹤算法。建立目標增廣空間模型，基于箱粒子濾波方法，推導出有雜波狀態標簽和LMB元素標簽的預測、更新方程，并用多目標箱粒子LMB濾波遞推估計目標狀態。仿真結果表明，當雜波和檢測概率先驗未知，與現有非標簽、非魯棒算法相比，所提算法可實現在低檢測概率和高雜波強度環境下對目標的穩定跟蹤，同時大幅度提高算法的運行效率。

控制科學與技術； 多目標跟蹤； 區間分析； 標簽多伯努利； 箱粒子； 魯棒濾波器

0 引言

傳統的目標跟蹤算法需要對數據進行關聯[1]，工作量大，且在復雜未知的探測環境中跟蹤性能下降。基于隨機有限集(RFS)[2]的多目標跟蹤方法因無需關聯而受到廣泛應用。文獻[3-4]分別提出概率假設密度濾波算法和勢概率假設密度濾波算法。文獻[5-6]分別提出傳播多伯努利有限集參數的多目標多伯努利(MeMBer)濾波器和勢平衡多伯努利(CBMeMBer)濾波算法，提高了目標跟蹤性能。但上述方法無法保證在高雜波或低檢測概率的環境下較穩定地跟蹤，為解決此問題，文獻[7-9]將RFS理論和多假設跟蹤濾波相結合，提出標簽多伯努利(LMB)算法，并用序貫蒙特卡洛(SMC)算法實現，但SMC-LMB濾波器計算量龐大。文獻[10]將多模型與LMB算法結合，實現對機動目標的跟蹤。文獻[11]將LMB算法運用到檢測前跟蹤算法中，實現多弱小目標跟蹤，但均存在算法運行時間較長的問題。此外，上述方法都設定雜波和檢測概率參數先驗已知，而實際中，這些參數通常未知，且探測環境較為惡劣。文獻[12]基于CBMeMBer算法提出魯棒多伯努利濾波器，實現在未知雜波和檢測概率的條件下的目標跟蹤，但該算法在低檢測概率環境下跟蹤效果不佳。文獻[13]在文獻[12]的基礎上結合傳感器選擇方法，提高目標跟蹤精度，但運算復雜度較高，算法效率低下。

為了降低粒子濾波的運算復雜度，文獻[14]提出了基于SMC和區間分析[15]的箱粒子濾波算法。文獻[16]將箱粒子濾波和CBMeMBer算法相結合，提出Box-CBMeMBer濾波器，但是依舊對跟蹤環境的理想度要求較高。

針對上述問題，本文基于未知雜波和檢測概率的復雜跟蹤環境，提出基于箱粒子濾波的魯棒LMB跟蹤(Box-R-LMB)算法。首先構建增廣空間模型，定義檢測概率空間，增加隨機集元素標簽和包含真實目標與雜波的狀態標簽，放松傳統服從泊松分布的雜波前提條件；其次利用區間分析技術遞推目標的全概率分布，估計目標狀態。實驗表明，所提算法在未知雜波和檢測概率的復雜跟蹤環境中的魯棒性較好，在低檢測概率和高雜波強度的探測環境中可實現對多目標的較準確跟蹤，同時有效地減少算法計算時間。

1未知雜波和檢測概率條件下跟蹤問題描述

1.1 空間模型建立

在未知雜波和檢測概率的跟蹤環境中，常規的目標空間模型會導致真實目標與雜波(虛警)無法區分，無法實現在未知雜波和檢測概率環境下的目標準確跟蹤，因此將目標狀態空間擴展為增廣空間[9]，反映真實目標和雜波兩部分信息。考慮將未知的檢測概率視為一個目標狀態變量，具備常規運動狀態量特性，且與其余運動狀態量獨立。定義增廣空間數學式為

Υ=Υ(Θ)×Υ×{0,1} ，

(1)

式中：Υ(Θ)=[0,1]為檢測概率空間；Υ∈R為運動狀態空間；{0,1}為離散的目標空間；×為笛卡爾積符號。為方便闡釋，加入狀態標簽變量u，u=0表示雜波，u=1表示真實目標。同時定義增廣狀態變量：=(a,x,u)，其中a、x、u分別為增廣量、運動量與狀態標簽量。

1.2未知雜波和檢測概率條件下的魯棒LMB算法

隨機集中的各變量是無順序的，將各元素賦予元素標簽是解決該問題的有效方法。在未知雜波和檢測概率的跟蹤環境中，魯棒LMB(R-LMB)算法將增廣狀態擴展為={(i,li)}={(a,xi,u,li)}，且i=1,2,…,||，xi∈Υ為目標狀態，l∈L為獨立于目標狀態的元素標簽，L為元素標簽空間，||為集合元素數。

1.2.1 預測

未知環境下R-LMB的RFS分布為

(2)

預測的多目標密度由存活目標和新生目標兩部分組成。新生目標分布為

(3)

式中：Bk為新生目標的元素標簽空間，且滿足條件Bk∩Bk-1=?，則可得預測分布為

(4)

(5)

(6)

1.2.2 更新

(7)

(8)

(9)

(10)

式中：1(·)表示指示函數，其定義式為

(11)

F(·)為子空間劃分函數；Ξ(I)為關聯集合；ζ∈Ξ(I)表示標簽與量測的關聯，I→{0,1,2,…,|Zk|}，0表示無量測值，當ζ(l)=ζ(l′)>0時具有關聯唯一性；R-LMB過程的權值分布wu,I,ζ(Zk)滿足：

(12)

(13)

(14)

1.2.3 目標狀態估計

(15)

2未知雜波和檢測概率條件下基于區間分析的R-LMB濾波實現

在未知雜波和檢測概率的跟蹤環境中，由于量測集具有較強的不確定性，為精確地擬合目標量測值并獲得更準確的目標狀態估計，需要較大的后驗密度支撐集，從而導致覆蓋狀態空間的粒子數目較多，使得算法效率低下。因此考慮將箱粒子濾波算法引入未知雜波和檢測概率的跟蹤環境，提出基于區間分析的Box-R-LMB算法，以提高在未知雜波和檢測概率環境下的算法執行速度。

2.1 初始化

(16)

2.2 預測

假設k-1時刻多目標的粒子后驗分布表達式為

(17)

(18)

(19)

).

(20)

由k-1時刻的區間量測得到新生箱粒子，記區間量測集為Φk，對每個[z]∈Φk，都產生Bk個箱粒子。存活目標的概率密度為

(21)

(22)

(23)

式中：fΘ,u,k|k-1(a|·)為k時刻檢測概率轉移密度；fΦ,u,k|k-1([x]|·)為k時刻目標狀態轉移密度。

新生目標的概率密度為

(24)

(25)

(26)

2.3 更新

(27)

(28)

(29)

(30)

(31)

(32)

2.4 約束箱粒子

(33)

2.5 軌跡修建與重采樣

在Box-R-LMB算法中，表示后驗多目標密度的粒子隨時間增加會無限增長，因此需要刪除存在概率小于門限值的假設軌跡。同時需重采樣修剪后的假設軌跡的粒子，根據箱粒子在重采樣中的復制次數，劃分箱粒子，從而減少粒子退化。

2.6 多目標狀態提取

(34)

(35)

3 仿真實驗與結果分析

為驗證算法的有效性和可行性，將SMC-LMB算法、魯棒SMC-LMB(SMC-R-LMB)算法和Box-R-LMB算法進行選擇組合比較。

3.1 實驗參數設定

真實目標存活概率pS,1,k=0.98，真實目標的檢測概率轉移密度服從β分布[17]，即fΘ,1,k|k-1(ak|ak-1)=β(ak;s1,k|k-1,t1,k|k-1)，其中均值μa,1,k|k-1=ak-1，標準差σa,1,k|k-1=0.01.β分布參數設置為:s1,k|k-1=μa,1,k|k-1·(μa,1,k|k-1(1-μa,1,k|k-1)/[σa,1,k|k-1]2-1)，t1,k|k-1=(1-μa,1,k|k-1)·(μa,1,k|k-1(1-μa,1,k|k-1)/[σa,1,k|k-1]2-1).

雜波其轉移密度與ak和目標位置xL=[x,y]有關；雜波檢測概率轉移密度fΘ,0,k|k-1(ak|ak-1)服從β分布，σa,0,k|k-1=0.07；雜波存活概率pS,0,k=0.9. 其余參數設置與文獻[11]相同。

3.2 實驗結果與分析

在未知環境下，既要估計目標數目，同時需要估計目標的各自狀態，因此選用最優子模式分配(OSPA)距離作為評價準則指標[18]，它包括位置和集合勢兩部分距離，其中距離敏感性參數p表征距離誤差，水平調節數c表征集合勢誤差。其定義式為

(36)

d(c)(x,y)=min(‖x-y‖,c)，

(37)

式中：X、Y為任意子集，且維數分別為m、n. 本實驗選取參數c=200，p=2.

對每個區間量測，取濾波持續粒子數為2 000，新生粒子數500；箱粒子濾波的持續粒子數為40，新生粒子數為1. 分別對不同算法在100次蒙特卡洛實驗條件下進行仿真比較，并分析運行時間結果。區間分析工具采用INTLAB工具箱。

圖1 真實航跡與量測值Fig.1 Target trajectories and measured values

考慮基于未知雜波和檢測概率環境的仿真環境，分別取不同的目標檢測概率pS,1,k、pS,0,k，以及雜波強度η值進行比較實驗，假設在同場景內η基本不變。假定理想條件為：pS,1,k=pS,0,k=0.99,η=10；高雜波強度為η=50，低檢測概率為pS,1,k=pS,0,k=0.82.

圖2 3種算法在不同條件下的目標數估計Fig.2 Estimation of target number by three algorithms

圖2表示Box-R-LMB算法、SMC-R-LMB算法和SMC-LMB算法在3種環境下的目標數目估計能力，可以看出所提算法較真實值最為接近，SMC-R-LMB算法次優，而沒有魯棒信息的SMC-LMB算法效果最差，說明所提算法不僅可以在理想環境中有優良的性能，同時在高雜波和低檢測概率的條件下同樣可以實現對目標數目的穩定估計。

圖3 3種算法在不同條件下OSPA距離值Fig.3 OSPA distances of three algorithms

圖3對比了3種算法在3種環境中的OSPA距離大小。由圖3(a)可知，所提算法OSPA距離值明顯小于另兩種，這是因為本文算法中的目標有兩類，即“雜波”和“真實目標”，并分別添加標簽加以區分，同時將檢測概率量看做目標運動狀態，從而在未知雜波和檢測概率的條件下仍可穩定跟蹤。由圖3(b)可知，因所提算法在高雜波強度下缺少雜波的先驗知識，故在目標數變化處產生較高峰值，但對比而言，OSPA距離值始終最小，表明跟蹤性能相對突出。由圖3(c)可知，因為較低的檢測概率會導致漏警頻率增高，使得OSPA距離值偏差總體變大，但R-LMB算法用多幀的量測信息進行概率假設，提高了算法的魯棒性，誤差值較為平穩，精度較高。

表1給出3種濾波算法的運行時長比較。由于SMC-R-LMB算法增加對未知環境的分析，所以比SMC-LMB算法耗時稍長，而基于區間分析的Box-R-LMB算法比另兩種算法耗時減少10倍左右。這是因為本文算法所需的箱粒子數遠遠少于其余兩種算法。后兩者需要2 500個粒子，用來捕獲新生目標的粒子數目龐大，導致運行時間增加；而前者基于箱粒子濾波的改進算法雖在區間分析上花費了部分時間，但只需41個箱粒子就可達相似的精度，粒子數目的大量減少使得算法在整體上實現了運行時間的大幅度降低，大大提高了算法效率。

表1 3種算法的運行時間比較

4 結論

針對未知雜波和檢測概率環境下跟蹤精度低、運行時間長等問題，提出了Box-R-LMB算法，將區間分析技術和LMB算法相結合，無需限定雜波和檢測概率先驗模型，將雜波與真實目標獨立添加狀態標簽，分別進行二者狀態的迭代更新；同時，算法利用多目標箱粒子LMB濾波遞推估計目標狀態。通過與非標簽非魯棒等現有算法相比，所提算法可以在未知雜波和檢測概率的環境中，更精準地估計目標數目和狀態信息，并在低檢測概率和高雜波強度環境下，具有更好的多目標跟蹤性能；在保證跟蹤精度的同時，有效減少了算法的運行時間，降低了算法復雜度。

References)

[1] Hue C, Cadre J L, Perez P. Sequential Monte Carlo methods for multiple target tracking and data fusion[J]. IEEE Transactions on Signal Processing, 2002, 50(2): 309-325.

[2] Mahler R. Engineering statistics for multi-object tracking.[J] Signal and Data Processing of Small Targets, 2001, 4473:53-60.

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

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

[5] Vo B T, Vo B N, Cantoni A. The cardinality balanced multi-target multi-Bernoulli filter and its implementations[J]. IEEE Transactions on Signal Processing, 2009, 57(2): 409-423.

[6] Mahler R. Statistical multisource multitarget information fusion[M]. Boston, MA, US: Artech House, 2007.

[7] Vo B T, Vo B N. Labeled random finite sets and multi-object conjugate priors[J]. IEEE Transactions on Signal Processing, 2013, 61(13): 3460-3475.

[8] Reuter S, Vo B T, Vo B N, et al. The labeled multi-Bernoulli filter[J]. IEEE Transactions on Signal Processing, 2014, 62(12): 3246-3260.

[9] Vo B T, Vo B N, Phung D. Labeled random finite sets and the Bayes multi-target tracking filter[J]. IEEE Transactions on Signal Processing, 2014, 62(24):6554-6567.

[10] 邱昊, 黃高明, 左煒, 等. 多模型標簽多伯努利目標跟蹤算法[J]. 系統工程與電子技術, 2015, 37(12): 2683-2688.

QIU Hao, HUANG Gao-ming, ZUO Wei, et al. Multiple model labeled multi-Bernoulli filter for maneuvering target tracking[J]. Systems Engineering and Electronics, 2015, 37(12): 2683-2688.(in Chinese)

[11] 李淼, 龍云利, 李駿, 等. 基于標簽多伯努利濾波器的機動小目標檢測前跟蹤[J]. 紅外與毫米波學報, 2016, 35(5): 625-633.

LI Miao, LONG Yun-li, LI Jun, et al. Track-before-detect for maneuvering small targets based on labeled multi-Bernoulli filter[J]. Journal of Infrared and Millimeter Waves, 2016, 35(5): 625-633.(in Chinese)

[12] Vo B T, Vo B N, Hoseinnezhad R, et al. Robust multi-Bernoulli filtering[J]. IEEE Journal of Selected Topics in Signal Processing, 2014, 7(3): 399-409.

[13] Amirali K, Reza H, Alireza B. Multi-Bernoulli sensor-selection for multi-target tracking with unknown clutter and detection profiles[J]. Signal Processing, 2016, 119(C): 28-42

[14] Abdallah F, Gning A, Bonnifait P. Box particle filtering for nonlinear state estimation using interval analysis[J]. Automatica, 2008, 44(3): 807-815．

[15] Hargreaves G． Interval analysis in Matlab [D]． Manchester, UK: University of Manchester, 2002: 416-420．

[16] Zhao X G, Song L P．Box-particle implementation for cardinality balanced multi-target multi-Bernoulli filter[C]∥IEEE China Summit and International Conference on Signal and Information Processing. Beijing: IEEE, 2013.

[17] Olea R A. On the use of the beta distribution in probabilistic resource assessments[J]．Natural Resources Research, 2011, 20(4): 377-388．

[18] 劉偉峰， 文成林. 隨機集多目標跟蹤性能評價指標比較與分析[J]. 光電工程, 2010, 37(9):14-26.

LIU Wei-feng, WEN Cheng-lin. Performance comparison and analysis of multitarget tracking indices based on random set[J]. Opto-Electronic Engineering, 2010, 37(9):14-26. (in Chinese)

RobustLabeledMulti-BernoulliTrackingAlgorithmBasedonBoxParticleFiltering

WEI Shuai1, FENG Xin-xi1, WANG Quan1, LU Chuan-guo2
(1.Information and Navigation College, Air Force Engineering University, Xi’an 710077, Shaanxi, China; 2.Unit 95806 of PLA, Beijing 100076, China)

The standard labeled Bernoulli (LMB) filter cannot guarantee a higher tracking performance, and multitude number of particles leads to the longer operation time of algorithm under the conditions of unknown clutter and detection probability. A robust labeled multi-Bernoulli algorithm based on box particle filtering is proposed. An augmented state space model is established, and the prediction and update state recursion equations with clutter state labels and LMB element labels are derived based on box particle filtering. The state of multi-target is recursively estimated using LMB filter box particles. Simulation reveals that the proposed algorithm has a better performance in target tracking under the conditions of unknown clutter and detection probability, and dramatically reduces the computation time with higher tracking accuracy under the conditions of lower detection probability and higher clutter ratet compared with the conventional algorithm with non-label and non-robustness.

control science and technology； multi-target tracking; interval analysis; labeled multi-Bernoulli; box particle; robust filter

2017-03-20

國家自然科學基金項目(61571458)； 陜西省自然科學基金項目(2011JM8023)

魏帥(1993—)，女，碩士研究生。E-mail:swei@stu.xidian.edu.cn

馮新喜(1962—)，男，教授，博士生導師。E-mail: tear0419@qq.com

TN953+.6

A

1000-1093(2017)10-2062-07

10.3969/j.issn.1000-1093.2017.10.024