اجرای فیلتر چگالی فرض احتمال با شدت زایش وفقی توسط فیلتر ذره ای کمکی

نویسنده

دانشگاه جامع امام حسین (ع)

چکیده

فیلتر چگالی فرض احتمال (PHD) به‌صورت متوالی گشتاور چندهدفه مرتبه اول را برای تابع چگالی احتمال چندهدفه محاسبه می‌نماید و بنابراین حجم محاسبات مسئله ردگیری را به مقدار زیادی کاهش می‌دهد. در این مقاله، پیاده‌سازی بهبودیافته‌ای از فیلتر PHD را با استفاده از ایده فیلتر ذره‌ای با متغیر کمکی برای تقریب شدت اهداف از قبل موجود و ایده اجرای شدت زایش وفقی برای اهداف تازه متولدشده ارائه می‌دهیم. تفاوت شیوه ارائه‌شده از شیوه مرسوم پیاده‌سازی بروش SMC فیلتر PHD در این است که به‌طور هم‌زمان اهداف از قبل موجود و اهداف تازه متولدشده در محیطی که شدت زایش یک‌نواخت و دارای اطلاعات کمی است، جستجو می‌شوند. نتایج شبیه‌سازی بیان‌گر این مطلب می‌باشند که شیوه جدید ارائه‌شده دقت تقریب PHD را در مقایسه با شیوه‌های مرسوم-سازی پیاده‌سازی به روش SMC، در تعداد ذرات یکسان، افزایش قابل توجهی می‌دهد.

کلیدواژه‌ها


R. Mahler, “Statistical Multisource Multitarget Information Fusion,” Norwood: Artech House, 2007.
R. Mahler, “Multi-target Bayes filtering via first-order multi-target moments,” IEEE T AERO ELEC. SYS., vol. 39, no. 4, pp. 1152-1178, 2003.
H. Sidenbladh and S.-L. Wirkander, “Tracking Random Sets of Vehicles in Terrain,” in Computer Vision and Pattern Recognition Workshop, CVPRW '03, Conference on, vol. 9, pp. 98-98, IEEE, 2003.
J. Mullane and et al., “A random finite set approach to Bayesian SLAM,” IEEE T Robotic Autom, vol. 27, no. 2, pp. 268-282, 2011.
E. Maggio, M. Taj, and A. Cavallaro, “Efficient multi-target visual tracking using random finite sets,” IEEE T CIRC SYST VID, vol. 18, no. 8, pp. 1016-1027, 2008.
B. N. Vo, S. Singh, and A. Doucet, “Sequential Monte Carlo methods for multi-target filtering with random finite sets,” IEEE T AERO ELEC SYS, vol. 41, no.4, pp. 1224-1245, 2005.
B. N. Vo and W. Ma, “The Gaussian mixture probability hypothesis density filter,” IEEE T SIGNAL PROCES, vol. 54, no. 11, pp. 4091-4104, 2006.
N. Whiteley, S. Singh, and S. Godsill, “Auxiliary particle implementation of probability hypothesis density filter,” IEEE T AERO ELEC SYS, vol. 46, no. 3, pp. 1437-1454, 2010.
J. Hong Yoon, D. Yong Kim, and Kuk-Jin Yoon, “Efficient importance sampling function design for sequential Monte Carlo PHD filter,” SIGNAL PROCESS, vol. 92, pp. 2315-2321, 2012.
E. Baser and M. Efe, “A novel auxiliary particle PHD filter,” in Proc. 15th Int. Conf. Information Fusion, pp. 165-172, 2012.
M.R. Danaee, “On Improvement of Cardinalized Probability Hypothesis Density Filter Implementation by Using Auxiliary Particle Filter,” Journal Of Electronical & Cyber Defence, vol. 3, pp. 23-41, no. 4, 2016.
B. Ristic, D. Clark, B.-N. Vo, and B.-T Vo, “Adaptive target birth intensity in PHD and CPHD filters,” IEEE T AERO ELEC SYS, vol. 48, no. 2, pp. 1656-1668, 2012.
A. Doucet, et al., “On sequential monte carlo sampling methods for bayesian filtering,” STAT COMPUT, vol. 10, pp. 197-208, 2000.
D. Schuhmacher, B.-T. Vo, and B.-N. Vo. “A consistent metric for performance evaluation of multi-object filters,” IEEE T SIGNAL PROCES, vol. 56, no. 8, pp. 3447-3457, 2008.
M. Longbin, S. Xiaoquan, Z. Yizu, Z. S. Kang, and Y. Bar-Shalom, “Unbiased converted measurements for tracking,” IEEE T AERO ELEC SYS, vol. 34, no. 3, pp. 1023–1027, 1998.