Pairwise 马尔科夫模型下的势均衡多目标多伯努利滤波器

2018-01-08张光华韩崇昭连峰曾令豪

自动化学报 2017年12期

张光华韩崇昭连峰曾令豪

张光华1韩崇昭1连峰1曾令豪1

由于在实际应用中目标模型不一定满足隐马尔科夫模型(Hidden Markov model,HMM)隐含的马尔科夫假设和独立性假设条件,一种更为一般化的Pairwise马尔科夫模型(Pairwise Markov model,PMM)被提出.它放宽了HMM的结构性限制,可以有效地处理更为复杂的目标跟踪场景.本文针对杂波环境下的多目标跟踪问题,提出一种在PMM 框架下的势均衡多目标多伯努利(Cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波器,并给出它在线性高斯PMM条件下的高斯混合(Gaussian mixture,GM)实现.最后,采用一种满足HMM局部物理特性的线性高斯PMM,将本文所提算法与概率假设密度(Probability hypothesis density,PHD)滤波器进行比较.实验结果表明本文所提算法的跟踪性能优于PHD滤波器.

隐马尔科夫模型,Pairwise马尔科夫模型,多目标跟踪,随机有限集,多伯努利密度,高斯混合

近年来,基于随机有限集的多目标跟踪算法[1−2]引起了学者们的广泛关注.它从集值估计的角度来解决多目标跟踪问题,避免了传统多目标跟踪算法中复杂的数据关联过程.众所周知,数据关联一直是多目标跟踪问题的一个难点,尤其是在目标个数较多且存在杂波的情况下,关联过程将变得非常复杂.基于随机有限集的多目标跟踪算法利用随机有限集对多目标的状态和观测建模,在贝叶斯滤波框架下通过递推后验多目标密度来解决多目标跟踪问题.该类算法主要包括概率假设密度(Probability hypothesis density,PHD)滤波器[3−5]、势概率假设密度(Cardinality PHD,CPHD)滤波器[6−7]和势均衡多目标多伯努利(Cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波器[8].不同于PHD和CPHD滤波器递推多目标密度的强度和势分布估计,CBMeMBer滤波器直接近似递推后验多目标密度,使得多目标跟踪问题的求解显得更为直观.随后,学者们对CBMeMBer滤波器进行了深入地研究,并取得了一些研究成果[9−13].

基于随机有限集的多目标跟踪算法主要包括高斯混合(Gaussian mixture,GM)和序贯蒙特卡洛(Sequential Monte Carlo,SMC)两种实现方法.这两种实现方法的前提条件是目标的状态和观测模型为隐马尔科夫模型(Hidden Markov model,HMM),即目标的状态演化过程是一个马尔科夫过程,而k时刻目标的量测只与当前时刻目标的状态有关.但在实际应用中,目标模型不一定满足HMM隐含的马尔科夫假设和独立性假设条件.例如过程噪声与量测噪声相关或量测噪声为有色噪声的情况[14].文献[15−18]等提出一种比HMM 更为一般化的Pairwise马尔科夫模型(Pairwise Markov model,PMM),它将目标的状态和量测整体看作一个马尔科夫过程.与HMM 的区别在于:1)目标的状态不一定为马尔科夫过程;2)目标的量测不仅与当前时刻的状态有关,而且与该目标上一时刻的量测也有关系[15].因此,在解决一些实际问题时采用PMM比采用HMM的效果更好.例如在分割问题中,采用PMM代替HMM可以有效地降低误差

率[19].

本文的研究目的是在PMM 框架下利用随机有限集解决杂波环境下的多目标跟踪问题.文献[20−21]已经给出了在PMM 框架下的PHD滤波器及其GM实现.但是当目标数较多时,该滤波器对目标个数的估计会出现欠估计的情况,且估计精度和效率较差.本文给出了PMM框架下CBMeMBer滤波器的递推过程,并给出它在线性高斯PMM条件下的GM 实现.最后,采用文献[21]提出的一种满足HMM 局部物理特性的线性高斯PMM,将本文所提算法与GM-PMM-PHD滤波器进行比较.实验结果表明,本文所提算法对目标数的估计是无偏的,不存在GM-PMM-PHD滤波器在目标数较多时出现欠估计的情况,并且本文所提算法的估计精度和效率也优于GM-PMM-PHD滤波器.

1 HMM和PMM

1.1 HMM

在信号处理过程中,一个重要问题是根据可观测的量测y={yk}k∈IN估计不可观测的状态x={xk}k∈IN,IN 表示整数.在HMM 中,假设x为马尔科夫过程,且k时刻的量测yk只与当前时刻的状态xk有关,即[15]

p(·)表示概率密度函数.状态xk的后验概率密度p(xk|y0:k)可由Bayes递推算法得到[22]:

在实际应用中,由于Bayes公式中存在积分运算,通常不能得到它的解析解.为了使Bayes公式能够递推运算,考虑如下线性HMM

Fk和Hk分别表示状态转移矩阵和观测矩阵.uk和vk分别表示零均值的过程噪声和量测噪声,与初始状态x0相互独立.若vk、uk和x0均为高斯变量,则状态xk的后验概率密度p(xk|y0:k)为高斯分布,可以用它的均值和协方差描述.此时,p(xk|y0:k)的Bayes递推过程退化为经典的卡尔曼滤波器[23].

1.2 PMM

在过程噪声与量测噪声相关或量测噪声为有色噪声的情况下,目标模型不满足HMM隐含的马尔科夫假设和独立性假设条件.此时,再利用HMM建模是不合适的.文献[15]提出一种比HMM更为一般化的PMM,它将状态和量测整体ε=(x,y)看作马尔科夫过程,即

可以有效地处理上述复杂的目标跟踪场景.

在PMM 中,x不一定为马尔科夫过程,且yk不仅与当前时刻的状态xk有关,同时与xk−1和yk−1也有关系.当p(xk,yk|xk−1,yk−1) 满足

时,PMM就退化为HMM,即HMM是PMM的一种特殊情况.在PMM框架下,状态xk的后验概率密度p(xk|y0:k)的Bayes公式为[15]

与HMM 框架下的Bayes递推算法的不同之处在于它采用p(xk|xk−1,yk−1)和p(yk|xk,xk−1,yk−1)分别代替p(xk|xk−1)和p(yk|xk).同样,上式没有解析解.

在线性高斯条件下,PMM模型可以描述为

其中,{wk}k∈IN表示零均值的高斯白噪声,它的协方差为

{wk}k∈IN与初始状态ε0相互独立.ε0服从正态分布N(·;m0,P0),m0和P0分别表示它的均值和协方差.文献[15]给出了在PMM框架下的卡尔曼滤波器.

2 PMM-CBMeMBer滤波器及其GM实现

文献[8]已经给出在HMM框架下CBMeMBer滤波器的递推过程,这里不再赘述.下面将直接给出在PMM框架下CBMeMBer滤波器的递推过程,以及它在线性高斯PMM条件下的GM实现.

2.1 PMM-CBMeMBer滤波器

k时刻监控区域内Mk个目标的状态集合记为其中和yk分别表示目标的动力学状态和量测. 在PMM 框架下,ε是一个马尔科夫过程,它的状态转移概率密度p(εk|εk−1)包含目标的动力学演化模型p(xk|xk−1,yk−1)和传感器的量测模型p(yk|xk,xk−1,yk−1).根据目标的物理特性,假设目标的存活概率仅与目标的动力学状态有关,记为ps,k(xk).

k时刻传感器的量测集合记为Nk表示量测的个数.Zk由源于目标的量测和杂波量测构成,两者不可区分.根据传感器的物理特性,假设传感器的检测概率仅与目标的动力学状态有关,记为pd,k(xk).

在满足如下假设条件下:

1)ε为马尔科夫过程,目标之间相互独立;

2)新生目标为多伯努利随机有限集,与存活目标相互独立;

3)杂波量测与目标产生的量测相互独立,杂波数服从泊松分布.

PMM-CBMeMBer滤波器的递推过程如下:

步骤1.预测步

假设k−1时刻后验多目标密度为多伯努利形式:表示k−1时刻第i个目标的存在概率,表示 εi的概率密度,Mk−1表示k−1时刻可能出现的最大目标数.则预测多目标密度也为多伯努利形式:

前一项表示存活目标的密度,后一项表示k时刻新生目标的密度.〈·,·〉表示内积运算,如〈α,β〉=Rα(x)β(x)dx.

步骤2.更新步

假设k时刻预测多目标密度为多伯努利形式

则后验多目标密度可由如下多伯努利形式近似

前一项表示漏检部分的多目标密度,后一项表示量测更新部分的多目标密度.

κk(·)表示k时刻杂波的强度,gk(z|x)表示目标x的似然函数.

在上述递推过程中,若状态转移函数pk|k−1满足式(9),并且新生目标模型满足:

2.2 PMM-CBMeMBer滤波器的GM实现

下面给出PMM-CBMeMBer滤波器在线性高斯条件下的GM实现.

在新生目标模型中,若p(i)Γ,k为GM 形式:

步骤1.预测步

假设k−1时刻后验多目标密度

δz(i)(y)为 Dirac delta 函数[2],z(i)∈Zk−1,y 表示状态为x对应的量测.若z(i)=y,说明z(i)是由x产生的量测;否则,z(i)不是由x产生的量测.则预测多目标密度

可由如下公式得到:

其中

新生目标模型已知,p(i)Γ,k见式(24).

步骤2.更新步

在式(28)中,由于组成预测多目标密度的三个部分形式相同,令它们可以重写为

则更新多目标密度

可由如下公式得到:

其中

在更新步中,漏检部分的状态包括动力学状态和相应的量测,协方差也是动力学状态和量测整体的协方差;量测更新部分给出了动力学状态的求解,式(46)中的z表示该动力学状态对应的量测,式(47)为目标动力学状态的协方差,不包括量测以及量测与动力学状态的协方差.即算法中漏检部分和量测更新部分对应的多目标密度的表示形式不同,故在k−1时刻将多目标密度假设为相应的两部分.

根据GM-HMM-PHD滤波器得到的后验多目标强度的高斯项个数[5],不难得到在不考虑衍生目标的情况下GM-HMM-CBMeMBer滤波器的后验多目标密度的高斯项个数为GM-PMMCBMeMBer滤波器的后验多目标密度的高斯项个数为(1+|Zk|).在相同场景下,GM-PMM-CBMeMBer滤波器和GM-HMM-CBMeMBer滤波器的计算复杂度为同一数量级.但由于GM-PMM-CBMeMBer滤波器状态维数的增加,计算量会相应增大.

由于新生目标的出现和更新步中假设轨迹的平均化,航迹个数和每条航迹对应的高斯项会逐渐增加,需要采用剪切和合并技术[5]进行处理:1)剪切.一是航迹的剪切,去掉存在概率小于阈值为Tr的航迹;二是航迹对应的高斯项的剪切,去掉权值小于阈值为Tω的高斯项.2)合并.在每条航迹中,将距离小于阈值为U的高斯项进行合并.由于在后验多目标密度中漏检部分和量测更新部分对应的高斯项的形式不同,在合并过程中需要加以区分.同时,设定航迹数的最大值为Mmax,每条航迹对应的高斯项个数的最大值为Jmax.最后,对目标的状态进行提取.若航迹的存在概率大于给定阈值(如0.5),则认为它是一个目标,选择它对应的权值最大的高斯项作为目标的状态.

3 仿真

3.1 一种满足HMM局部物理特性的PMM

文献[21]总结了过程噪声与量测噪声相关和量测噪声为有色噪声对应的PMM,并提出一种满足HMM局部物理特性的PMM.为了与HMM框架下的CBMeMBer滤波器的性能进行比较,本文采用上述满足HMM局部物理特性的PMM进行仿真实验.并将本文所提算法的跟踪性能与PHD滤波器[21]进行比较.下面首先给出该PMM的描述.

假设线性高斯HMM为

其中

在满足Σk为正定矩阵的情况下,F2k和H2k可以任意选取.

3.2 仿真分析

为了与PHD滤波器的跟踪性能进行比较,依据文献[21]对上述PMM的参数进行设置.

令t=1,a=b=0.7,c=d=0.1.仿真硬件环境为Matlab R2013b,Windows 10 64bit,Intel Core i5-4570 CPU 3.20GHz,RAM 4.00GB.

监控区域内有12个目标:目标1、2和3在k=1时出现,4、5和6在k=20时出现,7和8在k=40时出现,9和10在k=60时出现,11和12在k=80时出现,而目标1和2在k=70时消失,其他目标不消失.目标的状态为xk=[xk,˙xk,yk,˙yk]T,xk和yk表示二维笛卡尔坐标系下目标的位置,˙xk和˙yk分别表示对应方向的速度.在监控区域V=[−2000,2000]m×[−2000,2000]m 中,各采样时刻的杂波个数服从均值为20的泊松分布,杂波量测在监控区域内均匀分布.图1是基于上述线性高斯PMM的目标运动轨迹,红色三角形表示目标的初始位置.

图1 目标运动的真实轨迹Fig.1 Actual target trajectories

图2给出了GM-PMM-CBMeMBer滤波器单次仿真的结果,两个子图分别对应不同时刻X 轴和Y轴的状态估计.整体来看,所提算法可以比较准确地估计目标的状态.在某些时刻会出现虚假目标或目标跟踪丢失的情况,但随着时间推移,算法自身可以很快地进行修正.

图2 本文所提算法的估计结果Fig.2 Estimation results of the proposed algorithm

本文采用OSPA(Optimal subpattern assignment)距离[24]评估算法的跟踪性能.设多目标真实状态的集合为X={x1,···,xm},估计状态的集合为若m≤n,则OSPA距离为

本例做了500次蒙特卡洛(Monte carlo,MC)仿真实验,分析结果如下:

1)图3为不同算法对目标数估计的均值和标准差.可以看出,在PMM或HMM框架下,CBMeMBer滤波器对目标数的估计是无偏的,PHD滤波器随着目标数的增加,会出现欠估计的情况.说明本文所提算法对目标数的估计优于PHD滤波器[21].相比不同框架下的CBMeMBer滤波器和PHD滤波器,它们对目标数估计的统计特性非常接近.

2)图4为不同算法对应的OSPA距离.可以看出,CBMeMBer滤波器在PMM和HMM框架下的OSPA距离评价指标均优于PHD滤波器.CBMeMBer滤波器和PHD滤波器在PMM框架下的OSPA距离评价指标优于HMM框架下相应的OSPA距离评价指标.

3)表1为不同杂波环境下4种算法的性能比较.不同杂波环境下,CBMeMBer滤波器和PHD滤波器在PMM框架下的OSPA距离评价指标优于HMM框架下的OSPA距离评价指标,但单步运行时间的均值会变大.由于GM-CBMeMBer滤波器是将每个目标的密度分别用GM表示,而GM-PHD滤波器是将多目标密度的强度整体用GM表示.因此,它们的高斯项个数不同,比较运行时间也就没有意义.但从表1可以看出,相比GM-PMM-PHD滤波器,GM-PMM-CBMeMBer滤波器以更小的时间代价可以得到更优的OSPA距离评价指标.

表1 不同杂波环境下的性能比较Table 1 Tracking performance verses clutter′s number

图3 势估计Fig.3 Cardinality estimation

图4OSPA距离Fig.4 OSPA distances

4 结论

本文提出一种在PMM框架下的CBMeMBer滤波器,并给出了它在线性高斯PMM 条件下的GM 实现.该算法放宽了HMM 隐含的马尔科夫假设和独立性假设限制.在仿真实验中,采用一种满足HMM 局部物理特性的PMM,将本文所提算法与文献[21]所提的GM-PMM-PHD滤波器进行比较,仿真结果表明本文所提算法的跟踪性能优于GM-PMM-PHD滤波器.本文考虑的是PMM在线性高斯条件下的多目标跟踪问题,而非线性条件下的多目标跟踪问题有待进一步研究.

1 MahlerR P S.AdvancesinStatisticalMultisource-MultitargetInformationFusion.Norwood,MA,USA:Artech House,2014.

2 Mahler R P S.Statistical Multisource-Multitarget Information Fusion.Boston,USA:Artech House,2007.

3 Mahler R P S.Multitarget Bayes fi ltering via fi rst-order multitarget moments.IEEE Transactions on Aerospace and Electronic Systems,2003,39(4):1152−1178

4 Vo B N,Singh S,Doucet A.Sequential Monte Carlo methods for multitarget fi ltering with random fi nite sets.IEEE Transactions on Aerospace and Electronic Systems,2005,41(4):1224−1245

5 Vo B N,Ma W K.The Gaussian mixture probability hypothesis density fi lter.IEEE Transactions on Signal Processing,2006,54(11):4091−4104

6 Mahler R P S.PHD fi lters of higher order in target number.IEEE Transactions on Aerospace and Electronic Systems,2007,43(4):1523−1543

7 Vo B T,Vo B N,Cantoni A.Analytic implementations of the cardinalized probability hypothesis density fi lter.IEEE Transactions on Signal Processing,2007,55(7):3553−3567

8 Vo B T,Vo B N,Cantoni A.The cardinality balanced multitarget multi-Bernoulli fi lter and its implementations.IEEE Transactions on Signal Processing,2009,57(2):409−423

9 Reuter S,Vo B T,Vo B N,Dietmayer K.The labeled multi-Bernoulli fi lter.IEEE Transactions on Signal Processing,2014,62(12):3246−3260

10 Zhang G H,Lian F,Han C Z.CBMeMBer fi lters for nonstandard targets,I:extended targets.In:Proceedings of the 17th IEEE International Conference on Information Fusion(FUSION).Salamanca,Spain:IEEE,2014.1−6

11 Lian Feng,Han Chong-Zhao,Li Chen.Multiple-model GMCBMeMBer fi lter and track continuity.Acta Automatica Sinica,2014,40(2):336−347(连峰,韩崇昭,李晨.多模型GM-CBMeMBer滤波器及航迹形成.自动化学报,2014,40(2):336−347)

12 Hoang H G,Vo B T,Vo B N.A fast implementation of the generalized labeled multi-Bernoulli fi lter with joint prediction and update.In:Proceedings of the 18th IEEE International Conference on Information Fusion(FUSION).Washington,USA:IEEE,2015.999−1006

13 Chen Hui,Han Chong-Zhao.A new sequential Monte Carlo implementation of cardinality balanced multi-target multi-Bernoulli fi lter.Acta Automatica Sinica,2016,42(1):26−36(陈辉,韩崇昭.CBMeMBer滤波器序贯蒙特卡罗实现新方法的研究.自动化学报,2016,42(1):26−36)

14 Saha S,Gustafsson F.Particle fi ltering with dependent noise processes.IEEE Transactions on Signal Processing,2012,60(9):4497−4508

15 Pieczynski W,Desbouvries F.Kalman fi ltering using pairwise Gaussian models.In:Proceedings of the 2003 IEEE International Conference on Acoustics,Speech,and Signal Processing(ICASSP).Hong Kong,China:IEEE,2003.8−11

16 Desbouvries F,Pieczynski W.Particle fi ltering in pairwise and triplet Markov chains.In:Proceedings of the 2003 IEEE-EURASIP NSIP workshop.Grado,Italy:IEEE,2003.57−60

17 Pieczynski W.Pairwise Markov chains.IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25(5):634−639

18 Nemesin V,Derrode S.Robust blind pairwise Kalman algorithms using QR decompositions.IEEE Transactions on Signal Processing,2013,61(1):5−9

19 Derrode S,Pieczynski W.Signal and image segmentation using pairwise Markov chains.IEEE Transactions on Signal Processing,2004,52(9):2477−2489

20 Petetin Y,Desbouvries F.Multi-object fi ltering for pairwise Markov chains.In:Proceedings of the 11th IEEE International Conference on Information Science,Signal Processing and Their Applications(ISSPA).Montreal,QC,Canada:IEEE,2012.348−353

21 Petetin Y,Desbouvries F.Bayesian Multi-object fi ltering for pairwise Markov chains.IEEE Transactions on Signal Processing,2013,61(18):4481−4490

22 Jazwinski A H.Stochastic Processes and Filtering Theory.New York,USA:Academic Press,1970.

23 Kalman R E.A new approach to linear fi ltering and prediction problems.Journal of Basic Engineering,1960,82(1):35−45

24 Schuhmacher D,Vo B T,Vo B N.A consistent metric for performance evaluation of multi-object fi lters.IEEE Transactions on Signal Processing,2008,56(8):3447−3457

Cardinality Balanced Multi-target Multi-Bernoulli Filter for Pairwise Markov Model

ZHANG Guang-Hua1HAN Chong-Zhao1LIAN Feng1ZENG Ling-Hao1

Because the Markovian and independence assumptions,which are implicitly implied in hidden Markov model(HMM),may not be satis fi ed by the target model in some practical applications,a more general pairwise Markov model(PMM)has been proposed.PMM relaxes the structural limitations of HMM and can eあectively deal with more complex target tracking scenarios.In this paper,a cardinality balanced multi-target multi-Bernoulli(CBMeMBer) fi lter in the framework of PMM is proposed for multi-target tracking in clutter environment,and a closed-form solution to the CBMeMBer fi lter under linear Gaussian PMM is presented.Finally,the proposed algorithm is compared with the probability hypothesis density(PHD) fi lter via simulations using a particular linear Gaussian PMM,which keeps the local physical properties of HMM.Simulation results show that the tracking performance of the proposed algorithm is better than that of the PHD fi lter.

Hidden Markov model(HMM),pairwise Markov model(PMM),multi-target tracking,random fi nite set,multi-Bernoulli density,Gaussian mixture(GM)

Zhang Guang-Hua,Han Chong-Zhao,Lian Feng,Zeng Ling-Hao.Cardinality balanced multi-target multi-Bernoulli fi lter for pairwise Markov model.Acta Automatica Sinica,2017,43(12):2100−2108

2016-05-26 录用日期2016-10-09

May 26,2016;accepted October 9,2016国家重点基础研究发展计划(973计划)(2013CB329405),国家自然科学基金创新研究群体(61221063),国家自然科学基金(61573271,61473217,61370037)资助

Supported by National Basic Research Program of China(973 Program)(2013CB329405),Foundation for Innovative Research Groups of the National Natural Science Foundation of China(61221063),and National Natural Science Foundation of China(61573271,61473217,61370037)

本文责任编委高会军

Recommended by Associate Editor GAO Hui-Jun

1.西安交通大学智能网络与网络安全教育部重点实验室西安710049 1.Ministry of Education Key Laboratory for Intelligent Networks and Network Security,Xi′an Jiaotong University,Xi′an 710049

张光华,韩崇昭,连峰,曾令豪.Pairwise马尔科夫模型下的势均衡多目标多伯努利滤波器.自动化学报,2017,43(12):2100−2108

DOI10.16383/j.aas.2017.c160430

张光华西安交通大学电子与信息工程学院综合自动化研究所博士研究生.主要研究方向为目标跟踪.

E-mail:MichaelZgh@stu.xjtu.edu.cn

(ZHANG Guang-Hua Ph.D.candidate at the Institute of Integrated Automation,School of Electronic and Information Engineering,Xi′an Jiaotong University.His main research interest is target tracking.)

韩崇昭西安交通大学电子与信息工程学院教授.主要研究方向为多源信息融合,随机控制与自适应控制,非线性频谱分析.E-mail:czhan@xjtu.edu.cn

(HAN Chong-Zhao Professor at the School of Electronic and Information Engineering,Xi′an Jiaotong University. His research interest covers multi-source information fusion,stochastic control and adaptive control,and nonlinear spectral analysis.)

连峰西安交通大学电子与信息工程学院综合自动化研究所副教授.主要研究方向为目标跟踪.本文通信作者.

E-mail:lianfeng1981@xjtu.edu.cn

(LIAN Feng Associate professor at the Institute of Integrated Automation,School of Electronics and Information Engineering,Xi′an Jiaotong University.His main research interest is target tracking.Corresponding author of this paper.)

曾令豪西安交通大学电子与信息工程学院综合自动化研究所博士研究生.主要研究方向为目标跟踪.

E-mail:zenglh@stu.xjtu.edu.cn

(ZENG Ling-Hao Ph.D.candidate at the Institute of Integrated Automation,School of Electronic and Information Engineering,Xi′an Jiaotong University.His main research interest is target tracking.)