状态与杂波相关的gm-phd平滑滤波

第40卷第11期
陈金广，王星辉，马丽丽：状态与杂波相关的GM-PHD平滑滤波
• 3187 .
限混合模型(fimtemixturemodels, FMM)建立多目标似 然函数，利用期望极大值(expectation maximum, EM)对 FMM的参数进行估计。可以精确地估计出目标个数和目标 状态。文献［5*通过期望最大值或马尔可夫链蒙特卡罗 (chain Monte Carlo, MCMC)算法，将杂波密度估计为有 限混合模型。然后，将估计的杂波强度直接用于PHD滤波 器中进行多目标检测和跟踪。文献［6*改善了传统PHD 滤波算法在未知背景下对框架严格要求的问题，提高了算 法的性能。文献［7*提出了一种杂波率与检测率未知的 CPHD滤波算法，在滤波过程中自适应地计算杂波率和检 测率。文献［*使用PHD滤波算法联合估计一组目标的 位置、数目以及随时间变化的杂波率，对未知或时变的检 测和杂波率场景进行仿真。文献［9*提出了一种由估计器 和跟踪器组成的自举滤波器，自适应地估计杂波率和目标 检测率，并获得目标状态。文献口0*根据监视区域的杂 波分布重新计算杂波强度，将其应用于滤波更新过程中， 但对目标状态估计的精度较低。文献口 1，12*根据点过 程理论的概率生成函数概念，推导出用于前向-后向平滑的 多目标一阶矩平滑器，进一步改善了滤波效果。文献口3* 采用改进的后向校正器对平滑后的PHD进行调整，在目标 状态估计和目标数目估计方面均优于标准GM-PHD平滑 器。文献［14*提出了一种前向-后向概率假设密度滤波平 滑器，它包括前向滤波和后向平滑。前向滤波由phd递归 执行，利用有限集统计和标准点过程理论，推导出PHD反 向平滑递归，提高了目标估计的精度。文献口5*为降低 CPHD计算复杂的问题，提出了一种易处理的前后向平滑 算法。该算法分别估计平滑开始时间之前和之后出生的目 标，较好地降低了算法的时间复杂度。为了减少杂波对滤 波效果的影响，采用门限技术对量测集进行预处理。文 献口6*将量测动态划分为存活目标量测集与新生目标量 测集，在保证跟踪精度的同时提高计算效率。
在传统的滤波算法中，通常假设杂波信息与目标状态 相互独立，在监测区域中服从均匀分布但在实际环境 中，杂波强度会受到观测条件等因素的影响，杂波分布的 复杂性将引起目标状态估计的严重偏差，文献采用有
收稿日期：20181018;修订日期：2019-08-02 基金项目：陕西省教育厅科研计划基金项目（18JK0349）；西安工程大学研究生创新基金项目（chx201813） 作者简介：陈金广（977 -）,男，河南南阳人，博士，教授，CCF会员，研究方向为信息融合与目标跟踪；王星辉（1992 -）,女，陕西 西安人，硕士研究生，研究方向为多目标跟踪；马丽丽（979 -）,女，甘肃庆阳人，硕士，副教授，研究方向为信息融合与目标跟踪。 E-mail: xacjg@
GM-PHD smoothing filter with state-dependent clutter
CHEN Jin-guang123, WANG Xinghui123, MA Lit23
(1. School of Computer Science, Xi'an Polytechnic University, Xi'an 710048, China； 2. Shaanxi Key Laboratory of Clothing Intelligence, Xi?an Polytechnic University , Xi'an 710048, China； 3. State and Local Joint EngineeringResearchCenterforAdvancedNetworkingandInteligentInformationServices Xi?an Polytechnic University , Xi'an 710048 , China)
2019年11月 第 40 卷 第 11 期
计算机工程与设计
COMPUTER ENGINEERING AND DESIGN
Nov. 2019 Vol. 40 No. 11
状态与杂波相关的gm-phd平滑滤波
陈金广12!,王星辉12!,马丽丽12!
（1.西安工程大学计算机科学学院，陕西西安710048； 2.西安工程大学 陕西省服装设计智能化重点实验室，陕西西安710048； 3.西安工程大学 新型网络智能信息服务国家地方联合工程研究中心，陕西西安710048）
摘 要：考虑到多目标跟踪中杂波与状态之间的相关性，｛入平滑算法提高目标估计的精度。针对整个监视区域内的杂 波，重新计算其强度；将目标分为幸存目标和新生目标两大类，采用自适应椭球门限对量测进行预处理，将门限内的量测 用于更新幸存目标，门限外的量测用于更新新生目标；采用RTS平滑算法进行逆向平滑。实验结果表明，在该条件下所提 算法具有较好的跟踪性能，优于未平滑的GM-PHD滤波器& 关键词：多目标跟踪；RTS平滑；概率假设密度滤波；状态相关杂波；自适应椭球门限 中图法分类号：TP931 文献标识号：A 文章编号：1000-7024 （2019） 11-3186-06 doi： 10. 16208/j. issnl000-7024. 2019. 11. 021
2引言
传统的多目标跟踪算法大都采用先关联后跟踪的方法, 此类算法计算量大，难以实现数目可变的多目标跟踪[1], 基于有限集统计学（finite set statistics）理论的多目标跟踪 方法，采用最优贝叶斯滤波框架，避免了数据关联过程, 实现了目标个数时变和量测信息不确定性等条件下的跟踪
估计，在此基础上，Mahler提出了概率假效降低运算量。
Abstract: Considering the correlation between clutter and state in multi-target tracking, a smoothing algorithm was introduced to improvetheaccuracyoftargetestimation.Thecluterintensityinthewholesurveilanceareawasrecalculated.Targetsweredividedintotwocategories'i.e.'survivingtargetsandnewtargets.Theadaptiveelipsoidthresholdwasusedtopreprocessmeasurements.Themeasurementswithinthethresholdwereusedtoupdatethesurvivingtargets.Themeasurementsoutsidethe thresholdwereusedtoupdatethenewtargets.TheRTSsmootherwasusedtoreversesmoothing.Experimentalresultsshow that the proposed algorithm has bet er tracking performance under this condition'and it is superior to GM-PHD filter in unsmoothstateandcluterrelatedenvironment. Keywords:multi-targettracking；RTSsmoother；probabilityhypothesisdensityfilter；state-dependentcluter；adaptiveelipsoidgate