多源多目标统计信息融合 目标跟踪 信息融合 贝叶斯滤波总结

---

---

参考书籍

 主要的参考书籍为Mahler的《多源多目标统计信息融合》和韩崇昭的《多源信息融合》（ps:主推马勒这本，基本能够完美入门）

学习笔记下载

《多源多目标统计信息融合》学习笔记链接

引言

 目标跟踪是利用传感器各时刻采集的测量数据，对目标状态进行估计和跟踪的过程，目标跟踪技术的研究一直是信息融合领域的重点。多目标跟踪技术在很多领域有着重要的重要作用，包括雷达，声纳，计算机视觉，机器人，交通监控等。目前，随着现代化和信息化程度不断提高，在目标跟踪问题研究中，跟踪场景和目标运动特性也日益复杂多变，目标跟踪技术面临着越来越高的性能要求。因此，目标跟踪技术的研究有着重要的实际意义是广泛的应用价值。
 单目标跟踪在早期主要针对海上船舶等单个目标的跟踪，能够完成对单点目标的跟踪。但是，随着科技的发展和技术的需要，显然不能够满足业界的需求，继续进行多目标的跟踪技术。在单目标到多目标跟踪的过渡时期，出现了假设各个目标独立，将单目标跟踪技术移植到多目标跟踪上，显然效果不佳，应用场景较少。随后基于对多目标贝叶斯滤波的求解和近似的方法问世，这极大的推进了多目标跟踪的发展。
 多目标跟踪技术（Multiple Target Tracking，即 MTT） 是非常复杂的涉及多学科多技术领域的问题，包括航迹起始、数据关联、跟踪算法、航迹消除、性能评估等内容，其中数据关联和跟踪算法是 MTT 技术中最重要的两个问题。

多目标跟踪总结

 多目标跟踪主要有两种跟踪方法：基于数据关联的多目标跟踪方法和基于随机有限集的多目标跟踪方法。
 传统的基于数据关联的多目标跟踪算法采用数据关联对多个目标进行跟踪，将测量值分配给各个目标，再通过滤波技术完成目标状态估计。一般先采用数据关联技术确定每个目标与测量值的关联关系，即假设多个目标运动相互独立，按照某种数据关联准则实现单个目标与其测量值之间的有效关联，然后通过某种单目标的滤波算法分别估计每个目标的状态信息，从而实现对多目标的有效跟踪。
 基于随机有限集理论(FISST)的目标跟踪算法避免了数据关联问题，而是从后验概率密度函数中提取目标的状态。目前最常用的目标跟踪技术是贝叶斯滤波器，多目标贝叶斯滤波器通过预测步和更新步传递多目标状态的联合后验分布。

多目标滤波器模型

 下列介绍的滤波器都是基于随机有限集理论体系。

1. PHD滤波
    传递多目标后验概率密度的一阶统计矩，用后验强度近似多目标的后验密度
   优点：
    （1）PHD滤波器具有优异的计算复杂度，计算复杂度为O(mn), m为状态集的势大小，即目标个数，n为观测集的观测数，即单次观测的数据个数。
    （2）多目标统计模型包含目标的消失，新生，衍生，基本能够囊括实际的场景。
    （3）优异的抗杂波能力。
    （4）无需进行观测与航迹的数据关联。
   缺点：
    （1）当存在漏报时，估计不稳定，方差比较大。
    （2）由于是一阶矩估计，损失的信息较多
    （3）会把漏报航迹的权值转移到检报航迹的权值上，称为“远距幽灵效应”

2. CPHD
    对目标PHD以及势分布进行同步预测和同步更新，使得估计较PHD更加准确
   优点：
    （1）直接可以有势得到目标数估计，而且方差较小。
    （2）较PHD，目标跟踪和定位能力得到了一定的改善。
   缺点：
    （1）计算复杂度为O(m^3 n),比PHD复杂
    （2）不能显式地表达衍生目标
    （3）会把漏报航迹的权值转移到检报航迹的权值上，称为“远距幽灵效应”

3. MeMBer(多目标多伯努利)
    通过多伯努利 RFS 近似目标的后验概率密度，并对此密度函数进行循环递归。
   优点：
    （1）多伯努利滤波器模型不再采用基于泊松过程的模型，而是基于多伯努利过程。更好贴合实际场景。
   缺点：
    （1）存在过估计目标数

4. CBMeMBer(势均衡多目标多伯努利)
    纠正了多伯努利滤波器的势上偏的情况，该滤波器可以无偏地估计目标的势，其算法稳定度优于 PHD 滤波，且计算复杂度并未明显增加。
   缺点：
    （1）该滤波器在预测步为精确计算，但是在更新步采用了多伯努利近似，所以存在着信息的损失。

5. GLMB 和 LMB
    基于标记的RFS（随机有限集），包含航迹的标签，能够区分运动目标身份 ，这是质的飞跃。
   优点：
    （1）性能优于以上所有的滤波器，并且因为引入了标签能够对目标身份进行确认，否定了基于RFS理论的目标跟踪不能区分航迹这一断言。
    （2）具有较强的场景适应能力，该模型是属于精确闭式滤波器。
    （3）配合OSPA^(2)能够衡量航迹切换和航迹断裂的问题
   缺点：
    （1）计算复杂度相对较高，实时性有待改善。

实现方法

1. GM高斯混合
     常用于线性高斯
2. SMC序贯蒙特卡洛
    常用于非线性非高斯，会用到聚类算法，运算速度较慢
3. EKF扩展卡尔曼
    常用于非线性高斯最佳，也可以非高斯
4. UKF无迹卡尔曼
    常用于非线性非高斯，运算速度较慢

加快运行速度常规方法

 1.全局最近邻 GNN，利用关联门限，约束杂波数据，减小计算量
 2. 修改设计，简单粗暴
 3. 在更新之后对数据进行剪枝和合并

致谢

感谢诸君观看，如果感觉有用的话，点个赞吧!  欢迎到评论区留言🎉

---