基于GM-CPHD滤波算法的主动声呐目标跟踪

基于GM-CPHD滤波算法的主动声呐目标跟踪

陈晓;李亚安;李余兴;蔚婧

【摘要】水下多目标运动状态估计一直是主动声呐目标跟踪的难点问题.为了实现对可变数目水下多目标运动状态的估计,将随机有限集理论应用于多目标跟踪,不仅避免了多目标跟踪数据关联问题,而且解决了多目标跟踪过程中可变数目目标运动状态估计.传统的PHD滤波算法对目标数目估计存在敏感性,虽然CPHD滤波算法引入了对势分布的估计提高了对目标数目估计的精确性,但同时也增加了其计算量.对于高斯线性目标跟踪系统,GM-CPHD滤波算法对目标数目的估计比GM-PHD 滤波更加精确.利用椭圆跟踪门策略减小了GM-CPHD滤波算法的计算量.同时,结合水下目标跟踪的特点,利用声呐方程得到一定虚警概率条件下的检测概率与距离关系的解析式,提出了一种适合于水下目标跟踪的自适应检测概率GM-CPHD滤波算法,仿真结果表明:该算法在多目标跟踪中可以更有效地实现目标状态及数目的估计.

【期刊名称】《西北工业大学学报》

【年(卷),期】2018(036)004

【总页数】8页(P656-663)

【关键词】多目标跟踪;随机有限集;GM-PHD;GM-CPHD;声呐方程

【作者】陈晓;李亚安;李余兴;蔚婧

【作者单位】西北工业大学航海学院,陕西西安 710072;西北工业大学航海学院,陕西西安 710072;西北工业大学航海学院,陕西西安 710072;西北工业大学航海学院,陕西西安 710072

【正文语种】中文

【中图分类】TB566

多目标跟踪作为一项关键技术已广泛应用于军事和民用领域[1]，比如：空中交通

管制、监视、侦察、海洋学及自动驾驶汽车等。随着传感器和计算机技术的发展，多目标跟踪的应用领域将会更加广泛。传统的多目标跟踪算法有：最近邻算法、概率数据关联算法、联合概率数据关联算法、多假设跟踪算法等。虽然这些算法都是基于数据关联实现多目标的跟踪，然而它们并不能实现可变数目多目标的跟踪[2]。近年来，随着随机有限集理论的发展，基于贝叶斯滤波框架利用随机有限集对多目标系统进行建模，基于矩近似的概率假设密度滤波(PHD,probability hypothesis density)[3]算法和带势的概率假设密度滤波(CPHD,cardinalized probability hypothesis density)[4]算法被提出。该算法不仅解决了多目标跟踪中存在的数据

关联问题，而且实现了对可变数目目标的跟踪。

在目标跟踪方面，虽然PHD算法是在单个目标运动的状态空间中进行，从而避免了数据关联，但是递推PHD的多目标跟踪算法没有闭合解。B N Vo在深入研究

的基础上提出了GM-PHD(Gaussian mixture probability hypothesis density)[5]滤波算法和SMC-PHD(sequential Monte Carlo probability hypothesis density)[6]滤波算法，并且应用于实际问题，如：双基地雷达跟踪[7]、声呐跟踪[8]等。由于PHD滤波算法在缺失真实目标观测的情况下，对目标数目的估计十分敏感，Mahler提出了GM-CPHD(Gaussian mixture cardinalized probability hypothesis density)[9]滤波算法，该算法在传递PHD的同时还传递目标数目的概率密度，可以更好地实现随机有限集的势估计。为了减少该算法的计算量，文献[10]通过跟踪门策略可以有效地减少计算量而不影响多目标跟踪性能。

然而对于水下声呐系统的水下多目标跟踪，虽然文献[11]将SMC-PHD滤波算法用于实际声呐目标跟踪，但是并未对检测概率进行分析。文献[12]对变检测概率条件下的GM-PHD滤波性能进行了分析，但其对检测概率的建模缺少声呐方程和水声理论的依据，跟踪性能有待进一步提高。

为了实现声呐系统对水下多目标的跟踪，结合跟踪门策略，提出一种适用于水下声呐系统的自适应检测概率GM-CPHD滤波算法。该算法比传统GM-CPHD滤波算法增加了椭圆跟踪门以减少计算量，同时提高了水下多目标跟踪的性能。结合椭圆门策略，本文对GM-CPHD，自适应检测概率GM-CPHD滤波算法的跟踪性能进行仿真分析，结果表明，自适应检测概率GM-CPHD滤波算法不仅提高了目标个数估计的精确性，同时可以有效地提高多目标跟踪性能。

1 随机集多目标跟踪基础

多目标跟踪目的就是估计当前时刻多个目标的状态以及总的目标个数，如果用随机有限集中的元素表示目标状态，元素的个数表示目标个数，则可以用一个随机有限集表示多目标状态集合，同时传感器的量测集也可以用随机有限集表示，集合元素表示量测值，集合元素数表示观测目标数，这样将多目标问题转化为随机集有限集问题。因此，多目标的状态集合量测集分别以随机有限集表示如下。

(1)

式中，ES表示目标状态空间,Xk表示k时刻状态随机有限集,nk表示k时刻目标个数;Eo表示传感器量测空间,Zk表示k时刻传感器量测随机有限集,mk表示k时刻传感器的量测数。

给定k-1时刻的多目标状态集为Xk-1,综合考虑目标的不同运动情况,则k时刻的目标状态随机集模型可以表示为:

Ξk=Sk|k-1(Xk-1)∪Γk

(2)

式中，Sk|k-1(Xk-1)表示从k-1时刻到k时刻存活的目标随机集,Γk表示新生目标随机集。

假设多目标的状态集为Xk,考虑到传感器量测信息的来源,则传感器量测可以表示为: Σk=Kk∪Ek(Xk)

(3)

式中，Ek(Xk)表示由Xk产生的量测随机集,Kk表示杂波(虚假量测)的随机集。

随机有限集在多目标跟踪的应用是基于单目标贝叶斯的推广,故其滤波形式可表示如下。

fk|k-1(Xk|Z1:k-1)=

fk|k(Xk|Z1:k)=

(4)

式中，fk|k-1(Xk|Xk-1)和gk|k(Zk|Xk)分别表示多目标状态随机有限集的状态转移函数和量测有限集的似然函数。概率密度函数fk|k-1(Xk|Z1:k-1)和fk|k(Xk|Z1:k)分别表示多目标随机有限集的预测概率密度和后验概率密度。上式给出了多目标贝叶斯滤波的一般形式,但是集积分通常难以求解,因而实际应用中通常利用各种次优算法逼近多目标贝叶斯滤波,比如:GM-PHD,SMC-PHD及其改进算法。

2 GM-CPHD滤波算法

Mahler提出的CPHD滤波算法解决了PHD滤波算法的局限性,不同于PHD滤波算法,该算法同时传递多目标状态有限集的后验强度和集合势的后验分布信息,因此,利用CPHD滤波算法能够获得更加精确地估计目标个数。该算法基于以下假设: 1) 每个目标的运动演化和量测的生成相互独立;