PHD 滤波器的先验信息和解决办法

PHD filter 及其变种都需要三个先决的条件: - 生成模型 birth model - 杂物模型 clutter model (filter 的一个目的就去除 clutter,所以 model 肯定未知,典型的鸡蛋问题) - 检测概率 detection probability (这不能通过 detection method 得到,因为你不知道遮挡等问题是否存在,而且这个和场景相关性很大) 这些信息都是一致的,但是在实际中这些是时变,未知的。怎么解决呢? # Birth model 通常是从 measurement-driven 的模型中得到,这种模型被称为 diffuse target birth model,论文有: - Improved SMC implementation of the PHD filter (2010) - Adaptive target birth intensity in PHD and CPHD filter (2012) - PHD filter with diffuse spatial prior on the birth process with applications to GM-PHD filter (2010) 另一种思路是,partially uniform birth (PUB,部分统一生成) model,论文有: - Gaussian mixture PHD and CPHD filtering with partially uniform target birth (2012) - A partially uniform target birth model for Gaussian mixture PHD/CPHD filtering (2013)

clutter model

对于未知的 clutter model,通常采用clutter generator(杂物生成器),可以参考的论文有 - *CPHD filtering with unknown clutter rate and detection profile (2011) code - Integrated clutter estimation and target tracking using Poisson point processes (2012) - An improved CPHD filter for unknown clutter backgrounds (2014) - CPHD filters for unknown clutter and target-birth processes (2014) 这些都假设 clutter 的 PHD 是由 clutter 生成器产生的,通过跟踪这个生成器我们就能准确的估算出来 clutter 的 PHD。

在总结的过程中发现了一个有趣的文章:(Ronald Mahler 是谁?)[http://blog.sciencenet.cn/blog-388372-568338.html],讲的是第1,3,4篇的一作,Ronald Mahler 他做的如何,不是我一个小小 PHD 能说的,大家可以看一看,也算八卦了。这个不在高校,所以一般也不会公布 code。

detection probability

  • Multisensor adaptive Bayesian tracking under time-varying target detection probability (2016) 这个一个基于贝叶斯网络的自适应滤波器,但是这个滤波器是为了单目标设计的。
  • Scalable adaptive multitarget tracking using multiple sensors 这个一个基于置信度传播的多目标跟踪。
  • Robust multi-Bernoulli filtering 采用 (Beta 分步)[https://zh.wikipedia.org/wiki/Β分布]来构建监测概率,但是这个需要监测概率较高。 实际上
  • *CPHD filtering with unknown clutter rate and detection profile (2011) code 也做了不少工作,通过 Beta-Gaussian 来构建检测模型。但是这对历史信息要求较高。