HO-MHT (Hypothesis Oriented Multi-Hypothesis Target Tracking/基于假设的多假设目标跟踪算法)

前言

这是我在交大读研期间做滤波与目标跟踪算法方向时的可公开代码。这是关于雷达多目标跟踪的仿真程序。这部分可公开代码所给出多个点目标仿真数据的生成方式是合理的，采用仿真场景为NCV（近似匀速直线模型）、NCA（近似匀加速直线模型），使用HO-MHT（面向假设的多假设目标跟踪）算法（采用murty算法优化）进行数据关联。对于基础原理请参看Blackman的相应文章以及其他的相应论文。本文和代码不牵扯真实数据，仅供学习使用。代码由Python3.X编写，在代码中我给出较为详细的注释。

语言：Python3.x

外部依赖包：numpy, scipy, tqdm.

注：使用murty算法进行优化，其效果和TO-MHT类似

代码地址：https://github.com/Tsingpeng/HO-MHT

1. tracker.py

包含３个类(局部假设管理，航迹(假设簇)管理，全局假设管理)以及内部对数归一化函数．

1.1 _normalize_log_sum(items)

对给定的数组items进行对数归一化处理.
我们先得到items从大到小的索引序列,从而找到items中的最大值$w_0$,从而得到对数和为:
$$ls=w_0+ln[1+\sum _{i=1}^{n}exp(w_i-w_0)]$$
$$Norm=items-ls$$
其中 { w 0 , w 1 , ⋯   , w n } \{w_0,w_1,\cdots,w_n\} { w0​,w1​,⋯,wn​}为items的降序排列的元素,返回归一化值Norm和对数和ls.

1.2 LocalHypothesis类

用以产生局部假设,每创建一次实例就会分配一个id,创建时的初始化变量包括:target,LLR,LLR_max,loglikelihood.

1.2.1 id()

返回局部假设的id

1.2.2target()

深拷贝变量target

1.2.3 density()

深拷贝变量target.density()

1.2.4 predict(t_now)

返回当前的预测结果

1.2.5 log_likelihood

返回对数似然

1.2.6 is_dead

返回目标是否消失

1.2.7 is_confirmed

返回目标是否确认

1.2.8 new_from_hit(cls, self, z, hit_llhood, t_hit)类方法!!!

有量测时从新的潜在航迹得到新的似然比$L(k)=L(k-1)+\Delta L(k)$,返回新的局部假设

1.2.9 new_from_miss(cls, self, miss_llhood, t_now)类方法!!!

没有量测时得到新的似然比$L(k)=L(k-1)+\Delta L(k)$,返回新的局部假设

1.3 Track类

航迹：假设的集合（位于椭圆门限内）
初始化变量有:lhyps→{id:object},trid→每创建一个实例,分配一个track_id.

1.3.1 id

返回当前Track的id

１.3.2 call(lhyp_id)

像函数一样调用当前对象.如:A=Track(…);Track(lhyp_id)
判断输入的hypo_id在lhyps中否,若在返回id对应的object,否则返回None

1.3.3 add(local_hypothesis)

添加假设local_hypothesis到lhyps中

1.3.4 estimate(lhyp_id=None)

返回density:

• 不指定假设的id,返回所有假设的density
• 指定假设的id的话,返回这个id对应的假设的density

1.3.5 is_within(volume)

返回量测值的预测值是否在量测体积内

1.3.6 log_likelihood_ratio(lhyp_id=None)

返回对数似然比:

• 未指定,返回所有的LLR
• 指定ID,返回指定ID的LLR

1.3.7 log_likelihood_ratio_max(lhyp_id=None)

返回最大似然比:

• 未指定,返回所有的LLR
• 指定ID,返回指定ID的LLR

1.3.8 log_likelihood(lhyp_id)

返回指定ID的似然

1.3.9 dead_local_hyps

返回已消失的局部假设id列表

1.3.10 confirmed_local_hyps

返回已确认的局部假设id列表

####　1.3.11 terminate(lhyp_ids)

更新假设:保留不在输入lhyp_idx中的假设,即lhyp_ids是终止假设的集合(列表)

1.3.12 select(lhyp_ids)

更新假设:保留在输入lhyp_idx中的假设,即lhyp_ids是选择假设的集合(列表)

1.3.13 predict(t_now)

预测:对每个假设进行预测

1.3.14 update(Z, volume, t_now)

更新:更新局部假设（对于每个局部假设进行处理）

• 得到在椭圆门内的量测和量测索引
• 得到Density.predicted_likelihood
• 得到有量测存在下的$\Delta L(k)=lnf(z,zk{k}_1,$