引用本文

卢锦, 马令坤, 吕春玲, 章为川, Sun Chang-Ming. 基于代价参考粒子滤波器组的多目标检测前跟踪算法. 自动化学报, 2024, 50(4): 851−861 doi: 10.16383/j.aas.c220635

Lu Jin, Ma Ling-Kun, Lv Chun-Ling, Zhang Wei-Chuan, Sun Chang-Ming. A multi-target track-before-detect algorithm based on cost-reference particle filter bank. Acta Automatica Sinica, 2024, 50(4): 851−861 doi: 10.16383/j.aas.c220635

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c220635

关键词

多目标跟踪，检测前跟踪，粒子滤波，代价参考粒子滤波器组，滤波器组 

摘要

针对图像序列中多目标检测和跟踪算法结构复杂、计算量大、性能降低等问题, 提出一种基于代价参考粒子滤波器组的多目标检测前跟踪(Cost-reference particle filter bank based multi-target track-before-detect, CRPFB-MTBD)算法, 将多目标跟踪问题转换为序贯地检测和跟踪多个单目标的问题. 首先, 采用代价参考粒子滤波器组序贯地估计所有可能单目标状态序列; 其次, 基于所有可能单目标状态序列的欧氏距离和累积代价确定目标数量; 最后, 根据累积代价判断每个目标出现和消失的具体时刻. 仿真实验验证了CRPFB-MTBD的优良性能, 与基于传统粒子滤波的多目标检测前跟踪算法(Particle filter based multi-target track-before-detect, PF-MTBD)、基于概率假设密度的检测前跟踪算法(Probability hypothesis density based track-before-detect, PHD-TBD)和基于伯努利滤波的检测前跟踪算法(Bernoulli based track-before-detect, Bernoulli-TBD) 相比, CRPFB-MTBD的目标状态序列和数量估计结果最佳, 且平均单次运行时间极短.

文章导读

低信噪比情况下的多目标跟踪是雷达、声呐、红外探测、图像处理等领域面临的难题之一, 其目的是从观测数据中估计时变的多目标状态, 包括目标数量、位置等信息. 传统先检测后跟踪方法难以有效处理低信噪比目标[1-2]. 为提高低信噪比目标的检测和跟踪性能, 学者们提出检测前跟踪(Track-before-detect, TBD)方法. TBD方法从未经门限检测的原始观测数据中同时检测和跟踪低信噪比目标[3-8]. 实现多目标TBD的算法主要包括粒子滤波[9-11]、概率假设密度(Probability hypothesis density, PHD)[12-13]、多目标伯努利滤波器[14]等.

文献[9]针对第2个目标自第1个目标产生的双目标跟踪与检测问题, 提出基于粒子滤波的多目标TBD方法, 该方法是文献[6]中单目标粒子滤波的多目标检测前跟踪算法(Particle filter based track-before-detect, PF-TBD)方法的拓展. 但随着目标数量的增加, 该计算计算量急剧增加, 效率较低. 文献[10]提出一种多模型多目标TBD方法. 该方法需假设最大目标数量, 首先, 估计所有可能的目标存在组合或模式及其对应的联合后验概率密度和目标模型的概率; 然后, 整合不同模式下目标对应的状态向量, 获得所有目标的状态估计. 但随着目标数量的增加, 该方法会出现算法结构复杂、计算量大问题. 文献[11]提出一种基于粒子滤波的多目标TBD算法, 该方法假设最大的目标数量, 用同样数量的样本表示每个目标的状态和存在情况, 再联合估计所有目标的联合后验概率密度, 据此估计各个时刻的目标状态和数量. 随着目标数量的增加, 该方法中的粒子数将成倍增加, 因此也存在计算量大的问题.

PHD和多目标伯努利滤波器是基于随机有限集(Random finite set, RFS)的多目标贝叶斯滤波器[12-14]的近似. 基于RFS的多目标贝叶斯滤波器将多目标状态和观测视为RFS, 估计此RFS的后验概率密度函数. 文献[12]提出基于PHD的单传感器TBD方法(Probability hypothesis density bas-ed track-before-detect, PHD-TBD), 实现红外图像多目标跟踪. 文献[14]针对图像观测, 提出基于多伯努利滤波的TBD算法.

然而, 无论是基于粒子滤波的TBD方法, 还是基于RFS的TBD方法, 都将多目标视为整体, 估计多个目标的联合状态的后验概率密度函数. 随着目标数量的增加, 必然会出现算法结构复杂、计算量大问题. 针对上述问题, 在单传感器条件下, 本文提出一种基于代价参考粒子滤波器组的多目标TBD方法(Cost-reference particle filter bank bas-ed multi-target track-before-detect, CRPFB-MTBD). 该方法是文献[15]基于代价参考粒子滤波器组的单目标TBD方法的拓展. CRPFB-MTBD首先将多目标检测与跟踪问题转化为多个单目标检测与跟踪问题, 序贯地估计各个目标的状态序列; 然后, 通过比较各个目标航迹之间的距离来删减多余目标, 从而最终确定目标数量和航迹. 该方法无需假设目标数量, 算法结构与目标数量无关, 可并行执行, 运行时间极短. 仿真结果表明, 与基于粒子滤波和RFS的TBD算法相比, 本文方法可有效估计时变的多目标数量和状态, 且运行时间极短.

图 1  CRPFB的基本结构

图 2  原始先验信息与表1先验信息的对比

图 3  CRPFB-MTBD算法基本框架

针对图像序列中多目标检测问题, 基于CRPFB提出一种新颖的低信噪比多目标估计方法. 与现有方法相比较, 该方法将多目标估计问题转化为多个单目标检测和估计问题, 打破了现有的将多目标视为整体的思路. 与现有几种经典算法进行对比实验, 结果表明: 与性能最佳的PHD-TBD相比, CRPFB-MTBD的目标数量估计和位置估计精度提高了约50%, 如图8和图9所示; 与运行速度最快的Bern-oulli-TBD相比, CR-PFB-MTBD运行速度提高了约600倍, 如图2所示. 由不同影响因素的仿真实验结果可以看出: 1)随着目标数量的增加, CRPFB-MTBD的估计性能会下降; 2)并行CRPF数量对CRPFB-MTBD性能影响很大, 只有在CRPF的数量足够大时, CRPFB-MTBD性能才会趋于稳定; 3)门限V₂的选择直接影响CR-PFB-MTBD性能. 上述图8 ~ 图16和表2仿真实验结果表明, 针对在图像序列中检测和跟踪较低信噪比的多目标问题, 本文提出的CRPFB-MTBD算法以极短的运行时间获得了检测性能、估计性能的可观改善. 但CRPFB-MTBD算法采用仿真分析方法确定并行CRPF数量和门限V₂等参数, 这不利于该算法的广泛应用. 在后续研究中, 将进一步研究这些参数与应用场景的关系, 进而确定参数的选取原则.

作者简介

卢锦

陕西科技大学电子信息与人工智能学院讲师. 主要研究方向为目标检测与跟踪.E-mail: lj491216@163.com

马令坤

陕西科技大学电子信息与人工智能学院教授. 主要研究方向为数字信号处理. 本文通信作者.E-mail: malingkun@sust.edu.cn

吕春玲

施耐德(西安)创新技术有限公司工程师. 主要研究方向为数字信号处理. E-mail: chunling.lv@se.com

章为川

格里菲斯大学集成与智能系统研究所研究员. 主要研究方向为图像信号处理. E-mail: zwc2003@163.com

Sun Chang-Ming

联邦科学与工业研究组织Data61中心研究员. 主要研究方向为图像信号处理. E-mail: changming.sun@csiro.au