基于序列霍夫變換的概率假設(shè)密度濾波算法

劉文德，曹明基,2，聶東虎，韋佳利，李東奇，吳鑫宇，戴佳瑞

基于序列霍夫變換的概率假設(shè)密度濾波算法

劉文德1，曹明基1,2，聶東虎1，韋佳利3，李東奇1，吳鑫宇1，戴佳瑞1

（1. 哈爾濱工程大學(xué) 水聲技術(shù)重點(diǎn)實(shí)驗(yàn)室/海洋信息獲取與安全工信部重點(diǎn)實(shí)驗(yàn)室（哈爾濱工程大學(xué)）/水聲工程學(xué)院，哈爾濱 150001；2. 中國電子科技集團(tuán)公司 第54研究所，石家莊 050081；3. 中國船舶工業(yè)系統(tǒng)研究院，北京 100094）

針對經(jīng)典的自適應(yīng)新生強(qiáng)度概率假設(shè)密度濾波算法在高雜波密度環(huán)境下存在計(jì)算復(fù)雜度較高的問題，提出一種基于序列霍夫（Hough）變換的概率假設(shè)密度濾波算法：將傳統(tǒng)航跡起始中的Hough變換引入隨機(jī)有限集，解決標(biāo)準(zhǔn)Hough變換的航跡簇?fù)韱栴}，提高Hough變換的準(zhǔn)確度；并將序列Hough變換與概率假設(shè)密度（PHD）相結(jié)合，通過序列Hough變換得到目標(biāo)新生位置信息，將其作為PHD的新生目標(biāo)強(qiáng)度進(jìn)行迭代更新。實(shí)驗(yàn)結(jié)果表明，該算法對新生目標(biāo)反應(yīng)更為迅速，在高雜波環(huán)境下消耗時(shí)間更短，適合實(shí)際工程應(yīng)用。

隨機(jī)有限集；多目標(biāo)跟蹤；序列霍夫（Hough）變換

0 引言

隨機(jī)有限集（random finite set，RFS）框架下的目標(biāo)跟蹤算法，是將多目標(biāo)狀態(tài)與量測建模為RFS，通過多目標(biāo)貝葉斯遞歸完成對多目標(biāo)狀態(tài)的估計(jì)。文獻(xiàn)[1]提出使用RFS理論解決多目標(biāo)跟蹤算法數(shù)據(jù)關(guān)聯(lián)組合計(jì)算復(fù)雜度高的問題，但由于無窮維多目標(biāo)狀態(tài)空間的多重積分問題[2]，難以在工程中應(yīng)用；文獻(xiàn)[3]提出了概率假設(shè)密度（probability hypothesis density，PHD）濾波算法，利用后驗(yàn)強(qiáng)度來近似計(jì)算多目標(biāo)概率密度，可以顯著降低計(jì)算復(fù)雜度。文獻(xiàn)[4]提出了高斯混合PHD（Gaussian mixture PHD，GM-PHD）濾波算法，在線性高斯模式下，給PHD算法提供了一種閉合實(shí)現(xiàn)方法。文獻(xiàn)[5]提出序貫蒙特卡羅PHD（sequential Monte Carlo PHD，SMC-PHD）算法解決非線性非高斯場景下的跟蹤問題。

針對未知新生目標(biāo)位置的問題，文獻(xiàn)[6-7]提出了一種自適應(yīng)目標(biāo)新生強(qiáng)度濾波算法（PHD filter with the measurement-driven birth intensity，PHDF-M），通過改進(jìn)的PHD公式區(qū)分存活目標(biāo)和新生目標(biāo)，并根據(jù)量測信息判斷新生目標(biāo)的位置。文獻(xiàn)[8]通過高斯混合實(shí)現(xiàn)方案改進(jìn)了自適應(yīng)新生目標(biāo)強(qiáng)度PHD算法。文獻(xiàn)[9]將啟發(fā)式邏輯法引入PHD濾波中，通過速度、加速度多參數(shù)聯(lián)合實(shí)現(xiàn)雜波的快速篩選。文獻(xiàn)[10]針對高斯混合勢平衡多目標(biāo)多伯努利濾波器的缺陷，引入航跡標(biāo)簽提供航跡信息，通過可能的新生目標(biāo)的位置和多普勒量測得到新生目標(biāo)的初始狀態(tài)信息。文獻(xiàn)[11]通過剪枝步驟中保留高斯分量來解決未知新生目標(biāo)位置的問題。在傳統(tǒng)的航跡起始算法中，文獻(xiàn)[12]使用修正的霍夫（Hough）方法很大程度上縮短了航跡起始的時(shí)間。文獻(xiàn)[13]將傳統(tǒng)航跡起始算法與隨機(jī)有限集相結(jié)合，解決了新生目標(biāo)位置未知時(shí)的跟蹤問題。

本文針對未知目標(biāo)新生信息的實(shí)際問題，提出一種基于序列Hough變換的PHD濾波算法，以期解決PHD濾波算法對新生目標(biāo)響應(yīng)速度慢、在高雜波環(huán)境中計(jì)算時(shí)間過長的問題。

1 基于序列Hough變換的PHD濾波算法

1.1 序列Hough變換及航跡簇?fù)憩F(xiàn)象

標(biāo)準(zhǔn)Hough變換主要用于提取圖像中的直線[14-15]。在目標(biāo)跟蹤中，目標(biāo)新生之后的一段時(shí)間內(nèi)一般不會(huì)做明顯的機(jī)動(dòng)運(yùn)動(dòng)，因此可將Hough變換應(yīng)用于檢測目標(biāo)的起始航跡中。

定義轉(zhuǎn)換矩陣

轉(zhuǎn)換矩陣與數(shù)據(jù)矩陣相乘得到矩陣，即

1.2 基于序列Hough變換的PHD濾波

使用粒子群方式實(shí)現(xiàn)基于序列Hough變換的PHD濾波器（PHD filter with sequential Hough transform，PHDF-SHT）。通過序列Hough變換得到了一系列極值點(diǎn)，這些點(diǎn)包含與航跡的有關(guān)參數(shù)，但在PHD濾波的2種實(shí)現(xiàn)方式中，需要目標(biāo)的起始狀態(tài)，而非航跡，因此在序列Hough變換后，還需要對量測數(shù)據(jù)與得到的航跡參數(shù)進(jìn)行匹配。在PHD濾波器中，假設(shè)新生目標(biāo)隨機(jī)有限集的強(qiáng)度為高斯混合模型

2 實(shí)驗(yàn)與結(jié)果分析

2.1 未知新生目標(biāo)信息場景仿真

為檢驗(yàn)基于序列Hough變換PHD算法的有效性，將PHDF-M、PHDF-SHT、經(jīng)典PHD這3種濾波算法進(jìn)行對比。傳感器位于原點(diǎn)，探測距離為2000 m，以正北方向?yàn)?°，順時(shí)針為正，逆時(shí)針為負(fù)，探測范圍為[-90°,90°]。有12個(gè)勻速直線運(yùn)動(dòng)目標(biāo)，目標(biāo)新生狀態(tài)及運(yùn)動(dòng)信息如表1所示。

表1 未知新生強(qiáng)度場景的目標(biāo)運(yùn)動(dòng)參數(shù)

目標(biāo)的勻速直線運(yùn)動(dòng)的狀態(tài)轉(zhuǎn)移方程為

在PHD中，已知新生目標(biāo)隨機(jī)有限集強(qiáng)度為

圖1與圖2分別給出了PHDF-M、PHDF-SHT、經(jīng)典PHD 3種算法目標(biāo)數(shù)估計(jì)均值和目標(biāo)數(shù)估計(jì)均方根誤差的結(jié)果對比。由于PHD算法中新生目標(biāo)是目標(biāo)真實(shí)起始位置，因此對目標(biāo)數(shù)量的估計(jì)十分準(zhǔn)確，對新生目標(biāo)的響應(yīng)也十分迅速。相同條件下，缺少目標(biāo)先驗(yàn)位置信息的PHDF-M與PHDF-SHT算法對目標(biāo)數(shù)的估計(jì)略差。PHDF-M算法只利用當(dāng)前時(shí)間傳感器接收的量測信息，對新生目標(biāo)的響應(yīng)時(shí)間過長，在21、31、51 s幾個(gè)有目標(biāo)新生的時(shí)間節(jié)點(diǎn)，無法做到快速定位目標(biāo)進(jìn)行跟蹤；但隨著環(huán)境中目標(biāo)新生消亡不再變化后，對目標(biāo)數(shù)的估計(jì)逐漸準(zhǔn)確。PHDF-SHT算法充分利用一段時(shí)間內(nèi)的所有量測信息，能夠做到對新生目標(biāo)響應(yīng)迅速，并且對目標(biāo)數(shù)的估計(jì)誤差較小。

圖1 目標(biāo)數(shù)估計(jì)均值

圖2 目標(biāo)數(shù)估計(jì)均方根誤差

圖3給出了不同算法的最優(yōu)次模式分配（optimal sub-patten assignment，OSPA）距離對比。整個(gè)跟蹤階段PHD算法由于具有目標(biāo)位置的先驗(yàn)信息，在3種算法中跟蹤精度最高。0～20 s目標(biāo)數(shù)目較少時(shí)，PHDF-M算法具有較好的跟蹤精度；但隨著目標(biāo)數(shù)目的突變與增加，PHDF-M算法對新生目標(biāo)響應(yīng)速度不夠，導(dǎo)致跟蹤精度很差。PHDF-SHT算法新增目標(biāo)后，能夠快速確認(rèn)新生目標(biāo)，使跟蹤精度較PHDF-M算法有較大提升。在跟蹤后期，目標(biāo)數(shù)目穩(wěn)定后，PHDF-SHT算法的跟蹤精度與PHD算法相近，驗(yàn)證了所提算法跟蹤精度的有效性。圖4給出了PHDF-M、PHDF-SHT、經(jīng)典PHD 3種算法在不同雜波率下的計(jì)算時(shí)間比較。

圖3 OSPA距離比較

圖4 不同雜波率下的運(yùn)行時(shí)間比較

由圖可知：PHD算法只處理新生目標(biāo)位置和預(yù)測位置附近的量測，在強(qiáng)雜波環(huán)境中處理速度較快；PHDF-M算法將各時(shí)刻的量測暫時(shí)當(dāng)作新生目標(biāo)，在新生目標(biāo)預(yù)測階段，需要對每個(gè)量測進(jìn)行處理，在雜波率逐漸增大時(shí)，計(jì)算時(shí)間遠(yuǎn)大于其他2種方法；提出的PHDF-SHT算法能夠在高強(qiáng)度雜波環(huán)境下快速估計(jì)出新生目標(biāo)信息，篩選掉無用的量測信息，在更新階段不引入雜波，運(yùn)算速度相比PHDF-M算法大幅提高。

2.2 算法適用范圍仿真分析

圖5 目標(biāo)初始直線運(yùn)動(dòng)時(shí)間及雜波率對算法的影響

從圖5中可以看出，當(dāng)目標(biāo)直線運(yùn)動(dòng)時(shí)間一定時(shí)，環(huán)境中雜波數(shù)目越少，誤差越小，估計(jì)結(jié)果更加準(zhǔn)確。隨著目標(biāo)運(yùn)動(dòng)時(shí)間的增加，3條曲線逐漸收斂。當(dāng)目標(biāo)直線運(yùn)動(dòng)時(shí)間到達(dá)20 s時(shí)，雜波率為30與10的情況下誤差均小于1。綜上所述，PHDF-SHT算法在目標(biāo)直線運(yùn)動(dòng)時(shí)間短、雜波率大時(shí)，跟蹤誤差較大。當(dāng)目標(biāo)處于較長的直線運(yùn)動(dòng)時(shí)間和較少的雜波環(huán)境中時(shí)，算法跟蹤更加準(zhǔn)確。

3 結(jié)束語

本文針對未知新生目標(biāo)的多目標(biāo)跟蹤問題，提出基于序列Hough變換的概率假設(shè)密度濾波算法，引入序列Hough變換，解決標(biāo)準(zhǔn)Hough變換的航跡簇?fù)憩F(xiàn)象，提高Hough變換的準(zhǔn)確度。并將序列Hough變換與PHD相結(jié)合，通過序列Hough變換得到目標(biāo)新生位置信息，將其作為PHD的新生目標(biāo)強(qiáng)度進(jìn)行迭代更新。仿真實(shí)驗(yàn)結(jié)果表明，PHDF-SHT算法相較PHDF-M算法對新生目標(biāo)的響應(yīng)更快，OSPA距離更低，在雜波率高時(shí)運(yùn)算速度更快。另外，PHDF-SHT算法適用于目標(biāo)新生階段做直線運(yùn)動(dòng)時(shí)間長的場景，雜波率越低，誤差越小。

[1] FOURATI H, INIEWSKI K. Multisensor data fusion: from algorithms and architectural design to applications [EB/OL]. (2017-01-31)[2022-01-01]. https://doi.org/10.1201/b18851.

[2] RONALD M. "Statistics 102" for multisource-multitarget detection and tracking[EB/OL].(2013-03-29)[2022-01-01]. https://doi.org/10.1109/JSTSP.2013.2253084.

[3] Mahler R P S. Multitarget Bayes filtering via first-order multitarget moments[J]. IEEE Transactions on Aerospace and Electronic Systems, 2003, 39(4): 1152-1178.

[4] Vo B N, Ma W K. The Gaussian mixture probability hypothesis density filter[EB/OL]. (2005-08-16)[2022-03-10]. https://doi.org/10.1109/TSP.2006.881190.

[5] Vo B N, Singh S, Doucet A.Sequential Monte Carlo methods for multitarget filtering with random finite sets[EB/OL]. (2005-12-19)[2022-03-10]. https://doi.org/10.1109/TAES.2005.1561884.

[6] Ristic B, Clark D, Vo B N,et al.Adaptive targetbirth intensity for PHD and CPHD filters[EB/OL].(2012-04-05) [2022-03-10]. https://udrc.eng.ed.ac.uk/sites/udrc.eng.ed.ac.uk/files/publications/O02_IEEE_TrAES.pdf.

[7] Ristic B, Clark D, Vo B N. Improved SMC implementation of the PHD filter[C]//201013th International Conference on Information Fusion.Edinburgh, UK:[s.n.], 2010: 1-8. DOI: 10.1109/ICIF.2010.5711922.

[8] 歐陽成, 華云, 高尚偉.改進(jìn)的自適應(yīng)新生目標(biāo)強(qiáng)度PHD濾波[J]. 系統(tǒng)工程與電子技術(shù),2013, 35 (12): 2452-2458.

[9] 李坦坦, 雷明. 基于啟發(fā)式邏輯的概率假設(shè)密度濾波高效航跡起始方法[J]. 上海交通大學(xué)學(xué)報(bào), 2018, 52 (1): 63-69.

[10] 魏立興, 孫合敏, 吳衛(wèi)華,等.自適應(yīng)單點(diǎn)航跡起始的帶標(biāo)簽GM-CBMeMBer濾波器[J]. 電光與控制, 2018, 25(9): 78-83, 87.

[11] Zhang H, Wang J, Ye B, et al. A GM-PHD filter for new appearing targets tracking[C]//Edinburgh, 20136th International Congress on Image and Signal Processing (CISP).Hangzhou, China:[s.n.], 2013:1153-1159. DOI: 10.1109/CISP. 2013. 6745230.

[12] CHEN J, Leung H, Lo T, et al.A modified probabilistic data association filter in a real clutter environment[J].IEEE Transactions on Aerospace and Electronic Systems,1996, 32 (1): 300-313.

[13] 曹明基. 先驗(yàn)信息缺失場景下的多目標(biāo)跟蹤算法研究[D]. 哈爾濱:哈爾濱工程大學(xué), 2022.

[14] Zhang X, Burkhardt H.Grouping edge points into line segments by sequential Hough transformation[EB/OL]. (2000-01-01) [2022-03-10]. http://dx.doi.org/10.1109/ICPR.2000.903634.

[15] Duda R O, Hart P E. Use of the Hough transformation to detect lines and curves in pictures[EB/OL].(1972-01-01) [2022-03-10]. https://dl.acm.org/doi/pdf/10.1145/361237.361242.

Probability hypothesis density filtering algorithm based on sequential Hough transform

LIU Wende1, CAO Mingji1,2, NIE Donghu1, WEI Jiali3, LI Dongqi1, WU Xinyu1, DAI Jiarui1

（1. Acoustic Science and Technology Laboratory/Key Laboratory of Marine Information Acquisition and Security of Ministry of Industry and Information Technology(Harbin Engineering University)/College of Underwater Acoustic Engineering, Harbin Engineering University, Harbin 150001, China; 2. The 54th Research Institute of China Electronics Technology Group Corporation, Shijiazhuang 050081, China;3. Systems Engineering Research Institute, China State Shipbuilding Corporation, Beijing 100094, China）

Aiming at the problem of high computational complexity in high clutter density environment for the classical adaptive newborn intensity probability hypothesis density filtering algorithm, the paper proposed a probability hypothesis density filtering algorithm based on sequential Hough transform: the Hough transform in traditional track initiation was introduced into random finite set for solving the clustering problem of standard Hough transform and improving the accuracy of Hough transform; in addition, by combining the sequential Hough transform with the probability hypothesis density (PHD), the target newborn position information was obtained by the sequence Hough transform, which was used as the PHD newborn target intensity for iterative update. Experimental result showed that the proposed algorithm could respond more quickly to new targets and consume less time in high clutter environment, which would be suitable for practical engineering application.

random finite set; multi-target tracking; sequence Hough transform

P228

A

2095-4999(2023)01-0102-05

劉文德，曹明基，聶東虎，等. 基于序列霍夫變換的概率假設(shè)密度濾波算法[J]. 導(dǎo)航定位學(xué)報(bào), 2023, 11(1): 102-106.（LIU Wende, CAO Mingji, NIE Donghu, et al. Probability hypothesis density filtering algorithm based on sequential Hough transform[J]. Journal of Navigation and Positioning, 2023, 11(1): 102-106.）DOI:10.16547/j.cnki.10-1096.20230115.

2022-04-18

國家自然科學(xué)基金資助項(xiàng)目（11974090，U1806201）；國防基礎(chǔ)科研項(xiàng)目（JCKY2021604B013，JCKY2019604B001）；國防科技173計(jì)劃技術(shù)領(lǐng)域基金項(xiàng)目；重點(diǎn)實(shí)驗(yàn)室基金項(xiàng)目（6142109180305）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目（3072021CFJ0510）。

劉文德（2001—），男，天津人，研究方向?yàn)樗履繕?biāo)探測。

聶東虎（1978—），男，遼寧錦州人，博士，副教授，研究方向?yàn)樗履繕?biāo)探測與識別。