劉　欣，馮新喜，王　鵬

(空軍工程大學 信息與導(dǎo)航學院，陜西 西安 710077)

?

自適應(yīng)高斯厄米特粒子PHD濾波多目標跟蹤算法

劉欣，馮新喜，王鵬

(空軍工程大學 信息與導(dǎo)航學院，陜西 西安 710077)

摘要：針對高斯厄米特粒子概率假設(shè)密度(probability hypothesis density, PHD)算法可能導(dǎo)致濾波計算復(fù)雜度較高、精度不強，性能較差的問題，提出一種自適應(yīng)高斯厄米特粒子PHD的改進算法，該算法通過在高斯變換的過程中引入閾值，以該閾值為界剔除權(quán)值較小的積分點，對大于閾值的積分點進行歸一化處理，在保證濾波精度的基礎(chǔ)之上，減小權(quán)值較小點在計算上帶來的冗余；另外在高斯厄米特濾波的過程中引入了自適應(yīng)因子，適當調(diào)整高斯厄米特濾波過程中的增益，自適應(yīng)調(diào)節(jié)濾波的均值與方差，以提高濾波過程的精度。仿真結(jié)果表明：改進后的算法相比于高斯厄米特粒子PHD算法在精度上有明顯提高，同時簡化了計算復(fù)雜度，達到預(yù)期的目的。

關(guān)鍵詞：自適應(yīng)濾波;高斯厄米特濾波;粒子PHD;多目標跟蹤

0引言

傳統(tǒng)的多目標跟蹤通常采用關(guān)聯(lián)算法[1-3]，將傳感器得到的量測信息與航跡進行一一對應(yīng)，這種關(guān)聯(lián)方法引起的最主要的問題就是計算量過大，在進行多目標的跟蹤過程中，要進行大量的計算，導(dǎo)致跟蹤的實時性能較差。2001年Mahler提出了隨機集[4]理論，這是多目標跟蹤發(fā)展的一個里程碑。概率假設(shè)密度(probability hypothesis density，PHD)是隨機集關(guān)于貝葉斯遞推的后驗概率密度的一階矩，它有效地解決了數(shù)據(jù)關(guān)聯(lián)帶來的計算量過大的問題。

從實現(xiàn)方式上來看，PHD有2種實現(xiàn)方式[5]，一種是粒子PHD(sequential Monte Carlo-PHD, SMC-PHD)，另外一種是高斯混合PHD(Gaussian mixture-PHD, GM-PHD)。隨后有許多學者對這2種實現(xiàn)方式分別進行改進，或?qū)?者結(jié)合起來提出新的算法[6]以及對新算法進行改進。

文獻[7]提出在原有的SMC-PHD的基礎(chǔ)之上，使用高斯厄米特濾波產(chǎn)生高斯分布來擬合重要性密度函數(shù)，充分考慮了當前的量測信息，但是在整個濾波過程中，這種方法不能夠充分利用有效信息解決異常狀況對模型的干擾；高斯點的權(quán)值有大有小，較小的權(quán)值會使得濾波過程更加復(fù)雜，在計算量增大的同時，并不能有效地提高計算精度，這樣仍然會出現(xiàn)濾波精度不高、性能較差的問題；針對這個問題，本文在高斯變換的過程中通過引入閾值[8]，剔除權(quán)值較小的高斯點，對相應(yīng)權(quán)值較大的高斯點進行歸一化處理；引入自適應(yīng)因子[9]，自適應(yīng)地調(diào)節(jié)高斯厄米特濾波得到的均值和方差，使得到的均值與方差充分利用了有效信息，得到的重要性密度函數(shù)與實際情況更加接近真實分布。

1高斯厄米特濾波[7-11]

經(jīng)典的非線性擴展卡爾曼濾波方法[12]雖然解決了非線性濾波的問題，但是由于在濾波估計的過程中，過程噪聲協(xié)方差和量測噪聲協(xié)方差一直保持不變，這樣容易產(chǎn)生誤差累計，導(dǎo)致濾波發(fā)散[13]；傳統(tǒng)的粒子濾波[14]通常選取系統(tǒng)狀態(tài)變量的轉(zhuǎn)移概率函數(shù)為重要性密度函數(shù)，這往往忽略了最新的觀測信息，造成測量誤差的增大[14]；高斯厄米特濾波是基于一種高斯厄米特數(shù)值積分的遞歸貝葉斯積分方法，它與無跡卡爾曼濾波[15]相同，都是確定性采樣，并且不需要計算非線性函數(shù)的雅克比矩陣，它選取的采樣點可以根據(jù)求積分點個數(shù)的不同而變換，因此，該算法的精度相對較高。

假設(shè)系統(tǒng)的狀態(tài)方程與量測方程已知，系統(tǒng)噪聲與量測噪聲分別是ωk和vk，且它們是相互獨立的具有零均值的高斯噪聲，方差分別是Q和R；并且狀態(tài)的后驗概率密度可以用高斯分布近似表示。高斯厄米特濾波與傳統(tǒng)的濾波算法相同，也是預(yù)測與更新的迭代過程，具體的步驟如下所示。

(1)

(2)

2)更新。根據(jù)預(yù)測得到的狀態(tài)與方差，繼續(xù)使用高斯變換公式，得到變換后新的高斯點，更新方程為

(3)

(4)

(3)—(4)式中，zk表示k時刻的觀測值。其他各符號分別表示如下

(5)

(6)

(7)

(8)

2自適應(yīng)高斯厄米特濾波的粒子PHD濾波算法

與高斯厄米特粒子PHD的濾波相同，自適應(yīng)高斯厄米特粒子PHD進行濾波估計時也分為預(yù)測和更新2步，具體如下所示。

1)預(yù)測部分。假設(shè)k-1時刻目標的PHD是一個高斯混合形式，表示為

(9)

(10)

在選取積分點以及權(quán)值時，通常這些權(quán)值會有大有小，權(quán)值越大，對積分運算的貢獻就越大，相反權(quán)值越小，對積分運算的貢獻就越小。較小的權(quán)值不僅對積分運算的貢獻較小，并且會引起計算量增大。基于此，文獻[7]中通過引入權(quán)重閾值，丟棄權(quán)重較小的積分點，保留權(quán)重較大的積分點，可以相應(yīng)降低計算量。

假設(shè)有m個積分點，閾值可以表示為

(11)

則當積分點的權(quán)值大于該閾值時，保留該積分點，反之則丟棄；然后將剩下的權(quán)值較大的積分點進行歸一化處理。將該方法引入到高斯厄米特粒子PHD濾波的預(yù)測部分，可以降低計算的復(fù)雜度，提高計算效率。

接著，根據(jù)狀態(tài)方程進行一步預(yù)測

(12)

預(yù)測后的狀態(tài)均值和方差分別是

(13)

(14)

繼續(xù)選取M個精確的高斯點，對得到的預(yù)測狀態(tài)和方差繼續(xù)進行高斯變換，高斯變換的方法與上面的方法相同，也要經(jīng)過閾值的剔除和重新歸一化

(15)

量測預(yù)測為

(16)

粒子更新方程為

(17)

(18)

(19)

(20)

用自適應(yīng)因子對增益函數(shù)進行修正，得到的新增益為

(21)

因此，(19)—(20)式中的濾波更新方程可以表示為

(22)

(23)

新增益合理地利用有效信息，對均值和方差進行修正，這樣能夠抑制異常情況對模型的干擾，從而使得更新部分的重要性密度函數(shù)更加接近真實情況。

(22)—(23)式中，z(j)是k時刻通過傳感器得到的量測值，其余的參數(shù)計算方法與(6)—(8)式的一致。得到的更新后的狀態(tài)與方差分別為

(24)

(25)

通常情況下，預(yù)測PHD包含存活部分與新生部分，為了簡化問題，通常將衍生部分忽略不計，那么預(yù)測PHD為

(26)

如上所述，預(yù)測的PHD可以表示為一個高斯混合的形式。

2)更新部分。得到預(yù)測的粒子的狀態(tài)與方差后，并把它們作為更新部分的重要密度函數(shù)，即：

(27)

在重要密度函數(shù)中進行抽樣，得到N個采樣粒子：

(28)

每個粒子的權(quán)值計算公式為

(29)

(30)

更新后的PHD表示為

(31)

(31)式中，各個參數(shù)的計算方式為

(32)

(33)

(34)

用自適應(yīng)因子對增益進行調(diào)節(jié)，可以更合理地利用有效信息，這樣可以控制狀態(tài)異常對估計狀態(tài)和方差的影響，使得到的重要性密度函數(shù)更加接近真實分布。

3實驗仿真

通過對系統(tǒng)的狀態(tài)進行分析，將本文的算法與高斯厄米特粒子PHD算法進行比較分析。

仿真實驗在二維平面中進行，假設(shè)目標數(shù)目是未知的且隨著時間的變化而不斷變化的，目標的運動模型和量測模型分別是

(35)

(36)

Si表示第i個傳感器的位置信息。實驗中采用2個相同的觀測站對目標進行獨立地跟蹤，位置信息分別為S1(0 m,0 m)，S2(0 m,500 m)。目標的存活概率和檢測概率均是0.95，

仿真場景中共有3個目標做勻速運動，目標的運動參數(shù)如表1所示，忽略目標的衍生情況，新生目標的PHD表示為

(37)

表1　目標初始運動參數(shù)

圖1—圖3是實驗的仿真結(jié)果。圖1是目標的運動軌跡對比圖，從圖1中我們可以清楚地看出改進的自適應(yīng)算法相比于高斯厄米特粒子PHD算法，更加接近目標的實際運動軌跡。

圖2表示的是目標的運動數(shù)目的比對圖。在20 s時，目標3出現(xiàn)。高斯厄米特算法在第3個目標出現(xiàn)時會出現(xiàn)很多誤判點，相比于自適應(yīng)算法來說，計算精度低。采用改進的自適應(yīng)算法計算運動場景中的目標數(shù)目，得到的結(jié)果與實際的情況大體一致，計算精度較高。

圖1　目標跟蹤軌跡對比圖Fig.1　Target tracking trajectory comparison

圖2　目標數(shù)目圖Fig.2　Target number

圖3中表示的是高斯厄米特粒子PHD算法與改進的自適應(yīng)算法的誤差對比圖。由圖中可以很明顯地看出改進的算法在精度對比上相比于高斯厄米特算法來說有很明顯的提高。

圖3　濾波誤差圖Fig.3　Filter error comparison

4結(jié)論

本文在高斯厄米特粒子PHD的基礎(chǔ)之上，進行了自適應(yīng)修正，設(shè)定閾值，篩選出權(quán)值較大的積分點，并對其權(quán)值進行歸一化；引入自適應(yīng)因子，對增益矩陣進行修正，得到的均值與方差更能反映實際的跟蹤過程中預(yù)測得到的均值與方差，得到的重要性密度函數(shù)也與真實情況更加接近。仿真結(jié)果表明了改進的自適應(yīng)算法相比于高斯厄米特粒子PHD算法，在精度上有了進一步的提高。

參考文獻：

[1]R.A.Singer, R.G.Sea. New results in optimizing Surveillance System Tracking and Data Correlation performance in Dense Multi-target Environments[J]. IEEE Transactions. Automatic Control, 1973,18(6):571-582.

[2]何友，唐勁松.進程武器系統(tǒng)多目標航跡處理算法研究[C]//煙臺：海軍航空工程學院，1991.

HE You, TANG Jinsong. Multi-target course processing algorithm research on Process Weapon System[C]// Yantai: Navy Aeronautical Engineering Institute,1991.

[3]韓崇昭，朱洪艷.多源信息融合[M].2版.北京：清華大學出版社，2010.

HAN Chongzhao, ZHU Hongyan. Multiple source Information Fusion[M].2nd ed. Beijing: Qinghua University Press,2010.

[4]MAHLER R. A theoretical foundation for the Stein-Winter probability hypothesis density (PHD) multi-target tracking approach[C] Proceedings of the MSS National Symposium on Sensor and Data Fusion, SanAntonio TX:[s.n], 2000: 99-117.

[5]周承興，劉貴喜，侯連勇，等.改進的高斯粒子概率假設(shè)密度濾波算法[J].控制理論與應(yīng)用,2011,28(7): 1005-1008.

ZHOU Chengxing, LIU Guixi, HOU Lianyong, et al. Improved Gaussian Partical Probabitity Hypothsis Density Filter[J]. Control Theory and Application,2011,28(7):1005-1008.

[6]CLARK D, VO B T, VO B N. Gaussian particle implementations of probability hypothesis density filers[C]//2007 IEEE Aerospace Conference. Big Sky MT:[s.n], 2007: 1-11.

[7]楊金龍，姬紅兵，劉進忙.高斯厄米特粒子PHD被動測角多目標跟蹤算法[J].系統(tǒng)工程與電子技術(shù)，2013，30(3),457-462.

YANG Jinlong, JI Hongbing, LIU Jinmang. Gaussian Hermit Partical PHD Passive angle measurement in multi-target tracking[J]. System engineering and electronic technology,2013,30(3),457-462.

[8]李昱辰，李戰(zhàn)明.基于修正積分卡爾曼粒子濾波的自適應(yīng)目標跟蹤算法[J].計算機應(yīng)用研究，2012,29(7)：2776-2779.

LI Yuchen, LI Zhanming. Adaptive target tracking algorithm based on modified integral kalman filter[J]. Computer application research. 2012,29(7):2776-2779.

[9]薛麗，高社生，胡高哥.自適應(yīng)GHPF及其在組合導(dǎo)航中的應(yīng)用[J].計算機仿真，2013,30(5):108-111.

XUE Li, GAO Shesheng,HU Gaoge. Adaptive GHPF and application in integrated Navigation[J]. Computer simulation. 2013,302(56):108-111.

[10] IENKARAN A, SIMON H, ROBERT J E. Discrete-time nonlinear filtering algorithm using Gauss-Hermit quadrature [J]. Proceedings of the IEEE,2007,95:953-977.

[11] 袁澤劍，鄭南寧，賈新春.高斯厄米特粒子濾波器[J].電子學報，2003,31(7):970-973.

YUAN Jianze, ZHENG Nanjing, JIA Xinchun. Gaussian Hermit Partical Filter[J]. Electronic Journal,2003,31(7):970-973.

[12] 程詠梅，潘泉，張洪才,等. 基于推廣卡爾曼濾波的多站被動式融合跟蹤[J].系統(tǒng)仿真學報，2003,15(4)：548-550.

CHENG Yongmei, PAN Quan, ZHANG Hongcai,et al. Multiple Station Passive Fusion Tracking based on extended Kalman Filter[J]. Jounal of system simulation, 2003,15(4):548-550.

[13] 何友，修建娟.雷達數(shù)據(jù)處理及應(yīng)用[M].北京:電子工業(yè)出版社，2005.

HE You, XIU Jianjuan. Radar Data Fusion and Application [M]: Beijing, Electronic Industry Press, 2005.

[14] 張詩柜，朱立新，趙義正. 粒子濾波算法研究進展與展望[J].自動化技術(shù)與應(yīng)用，2010,29(6):1-9.

ZHANG Shigui, ZHU Lixin, ZHAO Yizheng. Research Progress and Prospect on Partical Filter Algorithm[J]. Automation technology and application,2010,29(6):1-9.

[15] JULIER S J. UHLMANN J K. A new Extension of the Kalman Filter to Nonlinear System[J]. SPIE, Vol.3068,1997:182-193.

Adaptive Gauss Hermite particle PHD filter in multi-target tracking algorithm

LIU Xin, FENG Xinxi, WANG Peng

(Institute of Information and Navigation, Air Force Engineering University, Xi’an 710077, P.R.China)

Abstract:Aiming at complex calculation, low accuracy and poor performance of Gaussian Hermite Particle PHD algorithm, an adaptive algorithm is proposed. The new algorithm adopts two ways to improve the performance, on one hand, a threshold is proposed to eliminate integral points with less weight, and then normalizes the remaining points in the Gaussian transformation. Adopting this way, the measure not only ensures the accuracy of the algorithm, but also reduces the computation complexity. On the other hand, the new algorithm also introduces an adaptive factor to adjust gain, mean value and variance also correspondingly change in the filtering process. The improved method can improve the accuracy of the algorithm. The simulation results show that the proposed algorithm has an improved accuracy and achieves the desired effect.

Keywords：adaptive filtering; Gaussian Hermite filtering; particle PHD; multi-target tracking

DOI：10.3979/j.issn.1673-825X.2016.02.022

收稿日期：2015-03-11

修訂日期：2015-12-23通訊作者：劉欣lxxh26@163.com

基金項目：國家自然科學基金(61403414)

Foundation Item：The Natural Science Foundation of China(61403414)

中圖分類號：TP242

文獻標志碼：A

文章編號：1673-825X(2016)02-0280-05

作者簡介：

劉欣(1991-)，陜西渭南人，碩士，研究方向為多傳感器數(shù)據(jù)融合、目標跟蹤。E-mail: lxxh26@163.com。

馮新喜(1962-)，陜西渭南人，教授，博士生導(dǎo)師，研究方向為多傳感器數(shù)據(jù)融合、目標跟蹤。

王鵬(1985-)，山西運城人，講師，博士研究生，研究方向為網(wǎng)絡(luò)控制，預(yù)測控制，分布式控制系統(tǒng)。

(編輯：張誠)