多目標跟蹤2017-6-19文獻總結
文獻[1]，交互多模型粒子濾波器
提出了一個新的方法：基於馬爾科夫交換系統的多模型粒子濾波器。該濾波器利用交互式模型過濾器（IMM）和正則化粒子濾波器（正則化粒子濾波器概率密度是高斯概率密度的混合）的相互作用來處理非線性和非高斯噪聲。在每個模式中使用固定數量的粒子，可避免現有的馬爾科夫交換系統的多模型粒子濾波器的缺點，即沒有在每個模式中控制粒子的數量。
基於標準IMM濾波器和正則化粒子濾波器相結合的多模型濾波方法：算法包含三個階段，交互階段，濾波階段，融合階段。（將馬爾科切換過程用於模式轉換中）。算法的輸出是給定所有測量階段的後驗概率密度。（過程噪聲分布中抽取樣本算法就能夠處理任何過程噪聲）。
文獻[2]，一種基於動態規劃法的雷達微弱多目標檢測方法
利用動態規劃可以有效的積累能量的特點來對多個微弱目標信號積累後得到數據圖像，再有數據圖像的特點進行求極值，從而實現對多目標進行檢測。文獻[2]中對算法的虛警概率和檢測概率做了仿真，得出基於動態規劃的極值法帶來了4-5dB的非相參積累增益。
具體內容：利用積累後的圖像中每一個淩錐形凸起的峰尖位置即是每個目標當前所在的位置這一特點，把積累後的圖像數據先經過恒虛警檢測，然後通過求極值的方法提取出每個目標所在的位置，從而郵箱的將動態規劃算法應用於雷達微弱目標的檢測中。
動態規劃的極值法：1.動態規劃積累實現回波成像（回波數據---FFT---距離單元和多普勒分辨單元為軸二維圖像幀）2.門限檢測：對各分辨單元的能量積累值（即損失函數）做恒虛警檢測 3.極值法提取目標：（目標周圍8點區域和24點區域，求最大值）
仿真環境：已知某雷達的波長λ=1.5m,脈沖重復周期PRT=3ms ,距離分辨單元0 .375km ,輸入信號信噪比SNR =-12dB, FFT相參積累點數為256點, 共積累15幀.目標運動參數:目標1 :初始速度 90m/s , 初始距離7km ,加速度0.8m/ s, 目標幅度1 .目標2 :初始速度70m/s ,初始距離6km ,加速度0.8m/s ,目標幅度1。
文獻[3]，基於動態規劃的多目標檢測前跟蹤算法，本文針對低信雜比條件下的多目標檢測與跟蹤問題，提出了一種基於動態規劃的多目標檢測前跟蹤算法。文獻中討論的多目標系統模型考慮了量測誤差和虛警，但是沒有考慮共同量測的影響，即目標的航跡是完全分離的，任何兩條航跡都不擁有同一個量測。
算法的基本流程：1，應用動態規劃之前，應先將由量測集形成的搜索網絡轉成擴展網絡。在擴展網絡中應用動態規劃算法得到的單條最佳路徑必然是包含K條路徑的路徑集。2.考慮如何在擴展網絡中確定屬於不同掃描次數的兩元素是否互聯及其互聯模式。文獻中利用最小熟讀準則判斷兩元素是否互聯，用最小距離準則確定兩元素之間的互聯模式。
基於動態規劃的多目標TBD算法的基本過程：
- 將由量測集Z形成的原始網絡轉換成擴展網絡。
- 用經典的動態規劃算法在擴展網絡中搜索單條最佳路徑。其中軌跡度量被定義為形成該軌跡的所有元素總和。
- 將在擴展網絡中獲得的最佳路徑轉換成原始網絡中K個元素的K條路徑。
仿真環境：以檢測兩個勻速直線運動的目標為例。比較K=1，K=2，K=3時算法的檢測結果。掃描次數為20，每次掃描的平均雜波數為 ，信號幹擾功率比為SIR=2dB。
文獻[4]，-在隨機到達脈沖幹擾的條件下，對具有OS CFAR處理器的霍夫檢測器的研究
文獻[4]中研究背景為：在存在隨機到達幹擾、泊松分布流、羅裏幅度分布的的情況下。研究內容：比較兩種Hough恒虛警檢測器的性能（OS CFAR/CA CFAR）,前者更有效。Hough OS CFAR和傳統的OS CFAR相比，前者可以大大降低可檢測損失，並對小信噪比更有效。
仿真環境：信號模型的構建，假設樣本在統計學上是獨立的，則參考窗口的概率密度函數（PDF）的輸出為：
其中是接收機噪聲的平均功率，是平均長度出現脈沖幹擾概率，是平均幹擾噪聲比， 是沒脈沖平均幹擾波數比（INR）。
測試分辨分辨單元跟聚Swerling II 概率密度函數（PDF）表示為：
其中s表示為脈沖的平均信噪比（SNR）。
文獻[5]，一種基於二階 Markov 目標狀態模型的多幀關聯動態規劃檢測前跟蹤算法
針對傳統動態規劃檢測前跟蹤算法的不足（在每一階段的數據關聯中，僅用當前幀的觀測數據進行關聯積累，對目標狀態在連續相鄰幀間的相關性以及目標運動特征的考慮不充分，容易發生目標關聯錯誤。）文獻[5]中提出的算法是以目標的狀態的條件概率比最大為準則，采用二階馬爾科夫模型描述目標狀態的相關性，並根據目標運動特征給出了一種與目標轉彎角度相關的狀態轉移概率模型。
文獻[6],一種新型的基於動態規劃的跟蹤前檢測編程（TBD）算法
文獻中提出了雷達系統中多幀檢測的新程序，所提出的架構由預處理階段和TBD檢測器組成（從原始數據中提取一組參考值）特點是：它們共同處理多個掃描（或幀）的觀察結果，並確認可靠的圖。此外用於TBD檢測器的動態規劃算法不需要狀態空間離散化並且直接在輸入圖標上操作。同時，文獻[6]也給出了一種用於解決軌跡形成步驟中可能出現的數據關聯的簡單算法，並提供了一個徹底的復雜度和性能指標的分析（與維特比算法進行比較，較好）。
主要內容：1.遵循MFD的原子方法，提出了兩階段檢測架構。第一階段是經典檢測器和繪圖提取器，降低閾值一獲得更豐富的候選圖。第二階段是一個TBD檢測器，利用不同掃描采集的候選圖之間的時空相關性來確認或刪除他們。2.用一種新的動態規劃算法來計算在第二階段所需的測試統計。該算法直接在候選圖上運行，並且有效的考慮了他們的數量通常比傳感器的分辨率元素小的多的特點。
仿真條件：掃描的第一個圖為5維向量。軌跡約束條件考慮有最大目標速度，和最大目標加速度。並給出了速度和加速度的約束條件，和標準偏差的表達式以及均方誤差的定義式。
算法描述：1.軌跡形成，2.軌跡修正，3.候選圖確認，4.軌跡平滑
文獻[7]，基於上下文相互作用學習的最優參數的多目標跟蹤技術研究
文獻中采用的端對端的框架：用於學習二次軌跡交互的最小成本流多目標跟蹤問題的參數，包括抑制重疊軌跡和不同對象共現的語境線索。在學習框架中，評估兩種不同方法在二次模型目標下找到最佳軌跡集，一種是基於線性規劃（LP）方法，一種是基於處理成對相互作用的動態規劃的新穎貪心變體算法，後者比前者的精度高，準確性更好。算法利用了具有跟蹤特定損失函數的結構化預測來學習完整的模型參數集合。
文獻[7]中引入一個簡單的多目標，多類別跟蹤模型，通過軌道之間的二次交互來擴展最小成本流，以便捕獲幀內的上下文相互作用。為了進行推理，文獻[7]提出了一系列貪心動態規劃（DP）算法，它們可以與二次跟蹤目標的線性規劃松弛一樣，產生高質量的解決方案，同時比通用線性程序（LP）求解器快得多。參數學習包括剖切面優化和跟蹤損失函數的定義。
仿真條件：KITTI數據集:一個測試交通場景中車輛檢測、車輛跟蹤、語義分割等算法的公開數據集。MOT基準（關鍵時刻）。數據集分為11個訓練序列和11個測試序列，測試集的實地標簽在私有服務器上進行。PETS09數據集和單個TUD中心序列的五個序列組成，兩個檢測位置之間最多有10幀的間隙，並在訓練階段將視頻分割成15幀長的序列。
Future Work：將基於外觀的親和特征（如RGB直方圖或HOG）添加到我們模型中沒有發現顯著的優點，但是許多最先進的執行層次結構的系統或數據流關聯，其涉及從長時間的軌道收集樣本以在線的方式來訓練目標特定的外觀模型軌跡。這種改進的外觀模型可以使用我們的框架，提供了一種從數據自動估計超參數的方法來探索更復雜的親和特征。此外，在這種層次學習的框架下還可以引入更豐富的軌跡級語境特征。
文獻[8],基於空間-時間-視覺超圖的多攝像機多目標跟蹤的研究
文獻[8] 結合多臺相機來提高對閉塞和外觀模糊的多目標跟蹤的方法的性能和魯棒性。提出一種基於空間-時間-視圖的超圖新型多目標跟蹤方法，即高階約束的編碼方法。（STV超圖、3D軌跡重建、密集子超圖搜索、多視圖軌跡關聯、2D軌跡的高階親和度）。多目標跟蹤方法存在的問題：現有的多目標跟蹤算法中大多數使用單個攝像機視圖，但由於目標遮擋和不明確的外觀，算法的性能會出現錯誤/錯失檢測。解決方案：利用從不同但重疊的攝像機視圖收集的檢測數據，可以有效解決這類問題，從而提高算法性能。多目標跟蹤的應用領域：流量監控、視頻監控、人群分析。
傳統的多相機多目標跟蹤方法步驟及缺點：1.重復單次視圖跟蹤，在每個單獨的攝像機視圖中查找軌跡；2.使用3D幾何約束交叉觀察2D軌跡的重建。缺點：沒有利用單視圖跟蹤和交叉視圖重建提供相互引導信息的事實：幾何約束可以排除錯誤檢測並改善每個視圖中的跟蹤鏈接，同時在各個視圖中鏈接軌跡可以補償噪音和異常值的影響經常困擾的重建步驟。
基於空間-時間-視覺超圖的多攝像機多目標跟蹤的算法，為了在多個視圖中正確的關聯軌跡並最終重建3D軌跡，文獻[8]進一步對STV超圖上密集子超圖進行搜索，對應於包含節點和超邊緣的較高權重的子超圖，以及然後在這些子超圖中累積連接耦合。
文獻主要貢獻：1. 多視圖輸入-構建STV超圖-利用空間時間視圖軌跡的高階相關性的推斷提出基於超圖的單視圖多目標跟蹤方法，2. STV超圖上搜索密集子超圖-基於抽樣的近似方法-在時間空間並入高階依賴性，解決閉塞和外觀模糊的問題，3.在時間和空間之間並入高階依賴關系，提高閉塞和外觀模糊的魯棒性。4.數據集：the PETS2009 dataset 和MOTChallenge。
Future Work: 1.通過多目標跟蹤和3D重建來恢復相機參數、從多個圖像序列中恢復相機參數。2.從假設的靜態攝像機到自我運行的攝像機，子超圖密集搜索方法用基於超圖拉普拉斯算子的方法替代。3.調查比較不同優化策略來解決密集超圖檢索問題。4.推出多攝像機跟蹤方法的極限測試，並將類似的方法擴展到攝像機視圖重疊較少的場景。
文獻[9]，在無線傳感器網絡中，基於增廣狀態的多目標跟蹤算法
本文提出了基於增廣狀態的多目標跟蹤算法，能夠有效的減少數據關聯（利用目標的位置狀態和分布式方式解決速率狀態）的計算復雜度，同時也可作為簡化貝葉斯估計的一種方法。相比傳統的算法，計算量小，精確度高，尤其在跟蹤檢測交叉的機動目標。（仿真中用均方根誤差估計測量值和真實值）
術語名詞縮寫：micro-electro-mechanical systems (MEMS)、wireless sensor networks (WSNs)、the multi-target tracking (MTT) 、augmented state-based multi-target tracking (ASMT)。WSNs的新技術應用場景：目標檢測、藍綠藻檢測、智能交通系統。
文獻[10]，基於融合結構的性能優化學習用於多傳感器目標跟蹤
由移動節點和非相關目標及一些限制（通信帶寬和測量距離）引起的任務網絡系統發生時變的情況，使得必須動態的調整系統的融合結構包括傳感器和融合方法。針對這一問題文獻[10]提出了一種靈活融合算法，使用優化學習技術，動態的確定傳感器的數字和選擇相關傳感器參與集中式和分布式融合過程。
實驗仿真指標：跟蹤精度（為了保證跟蹤精度的要求，我們必須增加集中融合節點的數量，從而導致系統生存指標與跟蹤精度指標之間的相互限制關系。）和生存能力（影響生存能力指標的因素包括數據通信網絡節點/平臺和融合中心，雷達輻射等。由於更多的信息，可以提高融合精度。同樣，更多的信息溝通將導致非合作目標被發現的可能性更大，即應該增加非合作目標發現的風險，減少跟蹤系統的生存能力。）。生存能力指數主要由數據通信流量確定，可以通過本地傳感器節點與融合中心之間的數據通信時間（時間計算公式）來測量。
多步驟解決方案策略和蟻群優化算法用於解決設計的模型。改善自我調整目標跟蹤融合系統的能力，系統優化目標是在一定資源內最大化系統性能，解決系統資源優化配置問題，保證了多平面協同跟蹤任務成功完成。
系統描述和融合方法：給出了非線性目標跟蹤系統狀態模型、針對系統集中融合節點和分布式節點采用維擴展融合方法和局部估計加權融合方法。
系統性能分析：解決最優傳感器子集選擇的問題，最好的方法是選擇傳感器的最佳組合和每個目標的融合方法的最佳組合來獲得最佳的跟蹤性能。因此動態傳感器管理是一個傳感器網絡系統的重要環節，同時控制傳感器的最佳工作狀態可以大大提高系統性能。
仿真條件：單目標和多目標兩種情況。給出二維雷達系統中，目標的量測方程。
文獻[11]，基於交互似然的多伯努利濾波器多目標圖像跟蹤算法
文獻[11]中的基本內容如下：
1.為序列蒙特卡洛（SMC）增加了交互似然技術（ILH）。ILH通過減少數據關聯的需求改善跟蹤精度。以非叠代地計算，以阻止跟蹤器從區域中進行采樣屬於不同的目標。
2.整合了用於行人檢測的深層神經網絡以及多伯努利的ILH濾波。深層網絡按順序有五層組成：1.卷積層，2.平均匯集層，3.第二卷積層，4.變形層，5.可視性推理和分類層。
3.ILH利用了任何給定圖像觀察中存在的空間信息，減少了數據關聯的需要，它可以通過修改連續的蒙特卡洛取樣過程來實現，使鄰近的相似目標的空間概率分布不重疊。進而基於交互似然的多伯努利濾波器減少了這些目標之間的混淆，從而避免了這些具有挑戰性的場景中的估計誤差。增加了多伯努利濾波器的跟蹤精度。
4.ILH是通過粒子的似然函數和其他現有目標的所有其他粒子的距離（以像素為單位）成比例來完成，允許更大的粒子和目標相互作用。所提出的ILH的重要特征是完全在RFS-貝葉斯框架內構建，從而不需要啟發式的數據關聯方法。
5.在確定ILH參數時可以基於數據集特征自動學習這些參數，特別地，可以使用通過數據集的特征參數化的先驗概率分布（如視頻分辨率）來估計貝葉斯框架內的參數。可以使算法性能提高。
6.基於RFS的跟蹤方法需要出生和死亡模型。
術語名詞縮寫：interactive likelihood (ILH)、sequential Monte Carlo (SMC)、Multi-target tracking (MTT)、Bayesian random finite set (RFS)：貝葉斯隨機有限集、the joint probabilistic data association filter (JPDAF)：聯合概率數據關聯過濾器、the multiple hypothesis tracking (MHT)：多次假設跟蹤。
文獻[12]，在存在ECM的情況下，基於軟和進化計算數據關聯的多目標跟蹤方法
文獻[12]的基本內容：
FCM缺點：集群中心可能會降至局部最小值。（基於FCM的數據關聯技術在存在高雜波和幹擾場景的情況下不穩健，這導致集群中心在局部最小值中下降，反過來又產生違反直覺的結果。）
解決方法：Fuzzy-PSO和Fuzzy-GA相結合的新的混合數據關聯方法（確定關聯矩陣、減少關於觀測概率分布和雜波密度的信息、基於隨機優化技術隨機化和局部搜索）可以克服局部最小值的魯棒問題。
方法步驟：1.計算關聯權重，2.計算更新的狀態估計和協方差矩陣。
實驗條件：相控陣雷達、100個蒙特卡洛、（線性交叉目標，並行目標，線性和非線性交叉目標以及非線性交叉目標）、存在幹擾：ECM、雜波、虛警。
實驗方法：JPAD/FCM/Fuzzy-PSO/Fuzzy-GA四種方法
實驗結果：Fuzzy-GA在位置和速度及均方誤差上有更好的性能分別用於交叉線性目標，FCM在平均執行時間提供了更好的性能。
術語名詞縮寫：electronic countermeasures (ECM)：電子幹擾、Joint probabilistic data association (JPDA)：聯合概率數據關聯、Fuzzy clustering means (FCM):模糊聚類、fuzzy particle swarm optimization (Fuzzy-PSO)：模糊粒子群優化、fuzzy genetic algorithm (Fuzzy-GA)：模糊遺傳算法。
數據關聯問題分為兩類：all neighbor 和 nearest- neighbor data association。最近鄰數據關聯的方法有：Nearest neighbor filter (NNF) 和 strongest neighbor filter (SNF)。
參考文獻
[1] Boers Y, Driessen J N. Interacting multiple model particle filter[J]. 2003, 150(5):344-349.
[2] 宋慧波, 高梅國, 田黎育,等. 一種基於動態規劃法的雷達微弱多目標檢測方法[J]. 電子學報, 2006, 34(12):2142-2145.
[3] Yong H, Jiang G F, Qiu K L, et al. Radar Track-Before-Detect Algorithm of Multitarget Based on the Dynamic Programming[J]. Acta Electronica Sinica, 2006, 34(12):1-4.
[4] Doukovska L, Kabakchiev C, Kyovtorov V, et al. Hough detector with an OS CFAR processor in presence of randomly arriving impulse interference[C]// Radar Conference, 2008. EuRAD 2008. European. IEEE, 2008:332-335.
[5] 鄭岱堃, 王首勇, 楊軍,等. 一種基於二階 Markov 目標狀態模型的多幀關聯動態規劃檢測前跟蹤算法[J]. 電子與信息學報, 2012, 34(4):885-890.
[6] Grossi E, Lops M, Venturino L. A Novel Dynamic Programming Algorithm for Track-Before-Detect in Radar Systems[J]. IEEE Transactions on Signal Processing, 2013, 61(10):2608-2619.
[7] Wang S, Fowlkes C C. Learning Optimal Parameters for Multi-target Tracking with Contextual Interactions[J]. International Journal of Computer Vision, 2016:1-18.
[8] Wen L, Lei Z, Chang M C, et al. Multi-Camera Multi-Target Tracking with Space-Time-View Hyper-graph[J]. International Journal of Computer Vision, 2016, 122(2):1-21.
[9] Kejiang Xiao, Rui Wang, Lei Zhang,Jian Li, Tun Fun. ASMT: An augmented state-based multi-target tracking algorithm in wireless sensor networks[J]. INTERNATIONAL JOURNAL OF DISTRIBUTED SENSOR NETWORKS,2017,13(4):1-9
[10] Q Ge, Z Wei, T Cheng, S Chen, X Wang. Flexible Fusion Structure-Based Performance Optimization Learning for Multisensor Target Tracking[J]. Sensors 2017, 17, 1045; doi:10.3390/s17051045
[11] Hoak A, Medeiros H, Povinelli R J. Image-Based Multi-Target Tracking through Multi-Bernoulli Filtering with Interactive Likelihoods[J]. Sensors, 2017, 17(3).
[12] Satapathi G S, Srihari P. Soft and evolutionary computation based data association approaches for tracking multiple targets in the presence of ECM[J]. Expert Systems with Applications, 2017, 77:83-104.
多目標跟蹤2017-6-19文獻總結