基于随机有限集的行人跟踪

苟丹　王二秀

摘 要 对于多目标跟踪应用而言，假设物体的运动是相互独立的。因此，在闭塞期间将对象之间的依赖关系集成在一起可以提高系统的性能。在有限集统计中，可以对依赖关系进行建模，并将它们集成到贝叶斯过滤器中。在此基础上，采用基于有限集统计的序贯蒙特卡罗多目標 Bayes 滤波器进行行人跟踪。

关键词 追踪 随机有限集 滤波器

0引言

粒子滤波器能代表所有类型的分布，因此被用来跟踪遮挡对象。本文中，使用序贯蒙特卡罗近似的多目标贝叶斯滤波器适用于行人跟踪的遮挡情况。也提出了一种基于图表的多目标似然函数的计算方法。还介绍了一种基于网格映射的状态相关检测概率估计方法， 并将其集成到滤波器中。由于多目标贝叶斯滤波器允许建模对象之间的依赖关系，因此开发一个防碰撞功能来检查预测步骤的有效性。

1 多目标贝叶斯跟踪

跟踪滤波器由一个预测器和一个校正步骤组成。

3检测概率

使用占用网格映射方法来计算状态相关的检测概率。对于每一个新的测量，必须执行两个步骤：建立测量网格和更新占用网格。

测量网格基本上将网格图划分为三区域：自由、被占领和隐藏的细胞。为了确定检测概率，必须将两个测量网格的信息相结合。因此，二进制检测图表示如下：

4结语

在这篇文章中，使用随机有限集的多目标粒子滤波器进行行人跟踪。为了简化计算，开发了基于图的计算方法。此外，引入了基于网格图来计算依赖于状态的检测概率的方法。未来，我们计划通过应用社会力量模型的其他部分来整合行人与环境之间的更多互动。

参考文献

[1] Mahler， R. P. Statistical Multisource-Multitarget Information Fusion[J].Artech House Inc.， Norwood， 2007.

[2] Musicki，D. &R.; Evans.Joint integrated probabilistic data association：Jipda[J].IEEE Transactions on Aerospace and Electronic Systems， 2004，40（03）：1093 – 1099.

[3] Thrun， S. &W.; Burgard&D.; Fox.Probabilistic Robotics[M].The MIT Press， 2005.