2.793

2018影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于箱式粒子滤波的群目标跟踪算法

李振兴 刘进忙 李松 白东颖 倪鹏

李振兴, 刘进忙, 李松, 白东颖, 倪鹏. 基于箱式粒子滤波的群目标跟踪算法. 自动化学报, 2015, 41(4): 785-798. doi: 10.16383/j.aas.2015.c140222
引用本文: 李振兴, 刘进忙, 李松, 白东颖, 倪鹏. 基于箱式粒子滤波的群目标跟踪算法. 自动化学报, 2015, 41(4): 785-798. doi: 10.16383/j.aas.2015.c140222
LI Zhen-Xing, LIU Jin-Mang, LI Song, BAI Dong-Ying, NI Peng. Group Targets Tracking Algorithm Based on Box Particle Filter. ACTA AUTOMATICA SINICA, 2015, 41(4): 785-798. doi: 10.16383/j.aas.2015.c140222
Citation: LI Zhen-Xing, LIU Jin-Mang, LI Song, BAI Dong-Ying, NI Peng. Group Targets Tracking Algorithm Based on Box Particle Filter. ACTA AUTOMATICA SINICA, 2015, 41(4): 785-798. doi: 10.16383/j.aas.2015.c140222

基于箱式粒子滤波的群目标跟踪算法


DOI: 10.16383/j.aas.2015.c140222
详细信息
    作者简介:

    刘进忙 空军工程大学防空反导学院教授.主要研究方向为目标跟踪,多传感数据融合.E-mail:liujinmang1@163.com

    通讯作者: 李振兴 空军工程大学防空反导学院博士研究生.2010年于空军航空大学获得硕士学位.主要研究方向为群目标跟踪,密集多目标分辨.本文通信作者.E-mail:lzxing1988@163.com
  • 基金项目:

    国家自然科学基金青年基金(61102109),航空科学基金项目(20120196003),空军工程大学防空反导学院"研究生科技创新基金"项目(HX1112)资助

Group Targets Tracking Algorithm Based on Box Particle Filter

More Information
  • Fund Project:

    Supported by National Natural Science Foundation of Youth Fund of China(61102109), Aviation Science Foundation Project(20120196003), and Postgraduate Scientific Innovation Foundation Project of Air and Missile Defense College, Air Force Engineering University(HX1112)

  • 摘要: 在现有群目标跟踪方法中,粒子滤波(Particle filter, PF)算法常被用来解决点量测的非线性滤波问题.而当量测数据受到测量偏差或未知分布边界误差的影响时,传感器获得的点量测需要转换成区间量测,此时原有PF算法不能直接适用.因此,本文提出基于广义似然(Generalized likelihood, GL)函数加权的PF算法.该算法在原有PF算法的基础上,利用广义似然函数的积分解来计算区间量测下的粒子权重.为了降低算法的运算量问题,又提出基于箱式粒子滤波(Box particle filter, Box-PF)的群跟踪算法.首先,在目标状态空间内抽样矩形区域的箱式粒子.然后采用区间分析和约束传播方法,利用区间量测压缩后的粒子与预测粒子的容积比来计算粒子权重.最后,在群目标状态估计结果和群演化网络模型的基础上估计群结构.仿真实验结果表明,与GL-PF算法相比, Box-PF算法具有更高的运算效率,并能降低估计结果中的峰值误差.
  • [1] Waxmann M J, Drummond O E. A bibliography of cluster(group) tracking. In:Proceedings of the 2004 International Conference on Signal and Data Processing of Small Targets. Orlando, USA:SPIE, 2004. 551-560
    [2] [2] Mahler R P S. Statistical Multisource-Multitarget Information Fusion. Boston:Artech House, 2007.
    [3] [3] Helbing D. Traffic and related self-driven many-particle systems. Reviews of Modern Physics, 2002, 73(4):1067-1141
    [4] [4] Pang S K, Li J, Godsill S. Detection and tracking of coordinated groups. IEEE Transactions on Aerospace and Electronic Systems, 2011, 47(1):472-501
    [5] [5] Clark D, Godsill S. Group target tracking with the Gaussian mixture probability hypothesis density filter. In:Proceedings of the 3rd IEEE International Conference on Intelligent Sensors, Sensor Networks and Information Processing. Melbourne, AU:IEEE, 2007. 149-154
    [6] [6] Koch J W. Bayesian approach to extended object and cluster tracking using random matrices. IEEE Transactions on Aerospace and Electronic Systems, 2008, 44(3):1042-1059
    [7] Lian Feng, Han Chong-Zhao, Liu Wei-Feng, Yuan Xiang-Hui. Tracking partly resolvable group targets using SMC-PHDF. Acta Automatica Sinica, 2010, 36(5):731-741(连峰, 韩崇昭, 刘伟峰, 元向辉. 基于SMC-PHDF的部分可分辨的群目标跟踪算法. 自动化学报, 2010, 36(5):731-741)
    [8] [8] Gning A, Mihaylova L, Maskell S, Pang S K, Godsill S. Group object structure and state estimation with evolving networks and Monte Carlo methods. IEEE Transactions on Signal Processing, 2011, 59(4):1383-1395
    [9] [9] Gning A, Ristic B, Mihaylova L. Bernoulli particle/box-particle filters for detection and tracking in the presence of triple measurement uncertainty. IEEE Transactions on Signal Processing, 2012, 60(5):2138-2151
    [10] Abdallah F, Gning A, Bonnifait P. Box particle filtering for nonlinear state estimation using interval analysis. Automatica, 2008, 44(3):807-815
    [11] Gning A, Ristic B, Mihaylova L, Abdallah F. An introduction to box particle filtering. IEEE Signal Processing Magazine, 2013, 30(4):166-171
    [12] Zhao X G, Song L P. Box-particle implementation for cardinality balanced multi-target multi-Bernoulli filter. In:Proceedings of the 2013 China Summit and International Conference on Signal and Information Processing. Beijing, China:IEEE, 2013. 11-15
    [13] Schikora M, Gning A, Mihaylova L, Cremers D, Koch W, Streit R. Box-particle intensity filter. In:Proceedings of the 9th IET Algorithms and Applications Conference on Data Fusion and Target Tracking. London, UK:IET, 2012. 1-6
    [14] Petrov N, Gning A, Mihaylova L, Angelova D. Box particle filtering for extended object tracking. In:Proceedings of the 2012 International Conference on Information Fusion. Singapore, Singapore:IEEE, 2012. 82-89
    [15] Petrov N, Mihaylova L, Gning A. Rectangular extended object tracking with box particle filter using dynamic constraints. In:Proceedings of the 2014 IET Algorithms and Applications Conference on Data Fusion and Target Tracking. London, UK:IET, 2014. 1-7
    [16] Mihaylova L, Carmi A, Septier F, Gning A, Pang S K, Godsill S. Overview of Bayesian sequential Monte Carlo methods for group and extended object tracking. Digital Signal Processing, 2014, 25:1-16
    [17] Blackman S, Popoli R. Design and Analysis of Modern Tracking Systems. Boston:Artech House Radar Library, 1999.
    [18] Li X R, Jilkov V. A survey of maneuvering target tracking Part I:dynamic models. IEEE Transactions on Aerospace and Electronic Systems, 2003, 39(4):1333-1364
    [19] Sheng Zhou, Xie Shi-Qian, Pan Cheng-Yi. Probability and Statistics.(3rd edition). Beijing:Advanced Education Press, 2001. 439-440(盛骤, 谢式千, 潘承毅. 概率论与数理统计. 第3版. 北京:高等教育出版社, 2001. 439-440)
    [20] Jaulin L, Kieffer M, Didrit O. Applied Interval Analysis. New York:Springer, 2001.
  • [1] 熊志刚, 黄树彩, 赵炜, 苑智玮, 徐晨洋. 均方根嵌入式容积粒子PHD多目标跟踪方法[J]. 自动化学报, 2017, 43(2): 238-247. doi: 10.16383/j.aas.2017.c150881
    [2] 朱书军, 刘伟峰, 崔海龙. 基于广义标签多伯努利滤波的可分辨群目标跟踪算法[J]. 自动化学报, 2017, 43(12): 2178-2189. doi: 10.16383/j.aas.2017.c160334
    [3] 张宏欣, 周穗华, 张伽伟. 磁偶极子跟踪的渐进贝叶斯滤波方法[J]. 自动化学报, 2017, 43(5): 822-834. doi: 10.16383/j.aas.2017.c160052
    [4] 连峰, 吕宁, 韩崇昭. 群目标联合检测与估计误差界的递推形式[J]. 自动化学报, 2015, 41(12): 2026-2035. doi: 10.16383/j.aas.2015.c140794
    [5] 李天成, 范红旗, 孙树栋. 粒子滤波理论、方法及其在多目标跟踪中的应用[J]. 自动化学报, 2015, 41(12): 1981-2002. doi: 10.16383/j.aas.2015.c150426
    [6] 衷路生, 李兵, 龚锦红, 张永贤, 祝振敏. 高速列车非线性模型的极大似然辨识[J]. 自动化学报, 2014, 40(12): 2950-2958. doi: 10.3724/SP.J.1004.2014.02950
    [7] 徐小良, 汤显峰, 葛泉波, 管冰蕾. 基于量化新息的容积粒子滤波融合目标跟踪算法[J]. 自动化学报, 2014, 40(9): 1867-1874. doi: 10.3724/SP.J.1004.2014.01867
    [8] 万一鸣, 董炜, 叶昊. 传感器网络中带有一致性策略的分布式H滤波:考虑一致性跟踪误差[J]. 自动化学报, 2012, 38(7): 1211-1217. doi: 10.3724/SP.J.1004.2012.01211
    [9] 王隔霞. 线性不确定系统信息受限下的远程跟踪[J]. 自动化学报, 2012, 38(4): 632-638. doi: 10.3724/SP.J.1004.2012.00632
    [10] 闫小喜, 韩崇昭. 基于增量式有限混合模型的多目标状态极大似然估计[J]. 自动化学报, 2011, 37(5): 577-584. doi: 10.3724/SP.J.1004.2011.00577
    [11] 杨小军, 邢科义. 无线多跳传感器网络下基于粒子滤波的信道容错的目标跟踪方法[J]. 自动化学报, 2011, 37(4): 440-448. doi: 10.3724/SP.J.1004.2011.00440
    [12] 连峰, 韩崇昭, 刘伟峰, 元向辉. 基于SMC-PHDF的部分可分辨的群目标跟踪算法[J]. 自动化学报, 2010, 36(5): 731-741. doi: 10.3724/SP.J.1004.2010.00731
    [13] 周雪, 胡卫明. 融合颜色和增量形状先验的目标轮廓跟踪[J]. 自动化学报, 2009, 35(11): 1394-1402. doi: 10.3724/SP.J.1004.2009.01394
    [14] 张勇, 巩敦卫, 郝国生, 蒋余庆. 含区间参数多目标系统的微粒群优化算法[J]. 自动化学报, 2008, 34(8): 921-928. doi: 10.3724/SP.J.1004.2008.00921
    [15] 李莹莹, 张衡阳, 刘云辉. 基于移动传感器网络的节能目标跟踪[J]. 自动化学报, 2007, 33(11): 1156-1162. doi: 10.1360/aas-007-1156
    [16] 权淑媛, 周源华. 地图中道路的自动识别与重建[J]. 自动化学报, 1993, 19(3): 365-369.
    [17] 倪茂林, 吴宏鑫, 谌颖. 鲁棒渐近跟踪控制器设计的新方法[J]. 自动化学报, 1993, 19(2): 213-217.
    [18] 倪茂林, 谌颖. 含时变不确定性线性系统的鲁棒跟踪控制[J]. 自动化学报, 1993, 19(5): 513-519.
    [19] 赵继红, 俞和权. 预测跟踪--一种二值图象的轮廓跟踪方法[J]. 自动化学报, 1990, 16(5): 470-472.
    [20] 路浩如. 数字函数微分算法误差分析[J]. 自动化学报, 1982, 8(4): 269-277.
  • 加载中
计量
  • 文章访问数:  1010
  • HTML全文浏览量:  41
  • PDF下载量:  1916
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-04-03
  • 修回日期:  2014-10-27
  • 刊出日期:  2015-04-20

基于箱式粒子滤波的群目标跟踪算法

doi: 10.16383/j.aas.2015.c140222
    作者简介:

    刘进忙 空军工程大学防空反导学院教授.主要研究方向为目标跟踪,多传感数据融合.E-mail:liujinmang1@163.com

    通讯作者: 李振兴 空军工程大学防空反导学院博士研究生.2010年于空军航空大学获得硕士学位.主要研究方向为群目标跟踪,密集多目标分辨.本文通信作者.E-mail:lzxing1988@163.com
基金项目:

国家自然科学基金青年基金(61102109),航空科学基金项目(20120196003),空军工程大学防空反导学院"研究生科技创新基金"项目(HX1112)资助

摘要: 在现有群目标跟踪方法中,粒子滤波(Particle filter, PF)算法常被用来解决点量测的非线性滤波问题.而当量测数据受到测量偏差或未知分布边界误差的影响时,传感器获得的点量测需要转换成区间量测,此时原有PF算法不能直接适用.因此,本文提出基于广义似然(Generalized likelihood, GL)函数加权的PF算法.该算法在原有PF算法的基础上,利用广义似然函数的积分解来计算区间量测下的粒子权重.为了降低算法的运算量问题,又提出基于箱式粒子滤波(Box particle filter, Box-PF)的群跟踪算法.首先,在目标状态空间内抽样矩形区域的箱式粒子.然后采用区间分析和约束传播方法,利用区间量测压缩后的粒子与预测粒子的容积比来计算粒子权重.最后,在群目标状态估计结果和群演化网络模型的基础上估计群结构.仿真实验结果表明,与GL-PF算法相比, Box-PF算法具有更高的运算效率,并能降低估计结果中的峰值误差.

English Abstract

参考文献 (20)

目录

    /

    返回文章
    返回