多目标跟踪性能评估方法综述

客观有效的多目标跟踪性能评估方法是众多多目标跟踪算法性能对比的重要依据,是推动多目标跟踪算法理论发展和工程应用的有力保障。在广泛调研相关文献的基础上,对现有的多目标跟踪性能评估方法进行分类,阐述其基本原理及优缺点,并对其发展趋势进行展望。

基于集合距离的信息优势度量方法

当前信息优势度量研究混淆了信息优势及其效能等概念,度量指标缺乏严格数学基础,存在操作性不强、解释力不足、适用范围有限等缺点。针对上述问题,提出了一种基于集合距离的信息优势度量方法,通过引入感知信息集合与客观信息集合的距离度量,重新定义信息质量、信息优势等重要概念。详细讨论了最优子模式分配等几种常用集合距离的选取,并利用基于Agent的同质化协同模型对最优子模式分配距离下的信息质量进行了初步验证。结果表明,该方法具备可操作性,可更好反映信息优势局部和动态特性,且在部分条件下可退化为传统方法,灵活性和兼容性更强。

基于GM-PHD的多目标跟踪算法仿真及影响因素

基于有限集统计学理论的多目标跟踪技术具备严格的贝叶斯理论解释基础,可以同时完成目标数目及状态的估计,并避免了复杂的数据关联过程。基于高斯混合概率假设密度滤波器(GM-PHD)实现了对数目时变目标的跟踪,准确估计出了每一时刻目标的数目。在此基础上进一步分析了目标生存概率ps、目标检测概率pd以及杂波密度λc等因素对跟踪效果的影响,为GM-PHD滤波器在多目标跟踪的实际应用中各参数的取值提供了有益的参考。

考虑形状差异的RFS多目标跟踪性能评估方法

在对随机有限集(Random Finite Set,RFS)多目标跟踪算法进行性能评估时,最优子模式分配距离(Optimal Sub-Pattern Assignment,OSPA)及改进形式是最常用的指标。分析了采用OSPA距离的评估方法存在不完备的情况,考虑到多目标运动过程中组成的几何形状信息,通过引入形状差异度量,提出了一种改进的OSPA距离,并基于傅里叶描述子给出了形状差异度量的计算公式。仿真结果表明,针对部分RFS多目标跟踪性能评估场景,所提的改进方法可以得到更加完备的评估结论。