[论文解读] Labeled Multi-object Tracking Algorithms for Generic Observation Model

Suqi Li, Wei Yi+2 more|arXiv (Cornell University)|Apr 5, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 36被引用 2

一句话总结

本文提出了一种产品-标记多目标（P-LMO）滤波器和一种LMB-GOM滤波器，用于在通用观测模型（GOM）下的标记多目标跟踪。P-LMO滤波器提供了一个闭式基准解，而LMB-GOM滤波器通过最小化KL散度并匹配一阶矩，高效地近似该解，在数值实验中实现了高精度的同时显著降低了计算成本。

ABSTRACT

In this paper, we are devoted to the labeled multiobject tracking problem for generic observation model (GOM) in the framework of Finite set statistics. Firstly, we derive a product-labeled multi-object (P-LMO) filter following by the PLMO formed density which is a more detailed expression for the general labeled multi-object density [1]. The proposed PLMO filter is a closed form solution to labeled multi-object Bayesian filter under the standard multi-object transition kernel and generic multi-object likelihood and thus can be used as the performance benchmark in labeled multi-object tracking. Secondly, we propose a generalization of LMB filter, named LMB filter for GOM by approximating the full multi-object density as a class of LMB density matching the original labeled first order moment as well as minimizing the Kullback-Leibler divergence from the original multi-object density. The LMB-GOM filter can be seen as a principled approximation of P-LMO filter, which not only inherits the advantages of the multi-Bernoulli filter for image data with the intuitive mathematical structure of multi-Bernoulli RFS, but also the accuracy of P-LMO filter with less computation burden. In numerical experiments, the performance of the proposed algorithms are verified in typical tracking scenarios.

研究动机与目标

• 解决在通用观测模型（GOM）下缺乏一种原理性、闭式基准的标记多目标跟踪问题。
• 开发一种对P-LMO滤波器的高效近似，保持精度的同时降低计算复杂度。
• 在具有通用似然函数和多目标转移的复杂场景中实现实时准确跟踪。
• 保持标记多目标后验密度的结构特性，以提升可解释性与跟踪性能。

提出的方法

• 在标准多目标转移核和通用似然函数下，推导出产品-标记多目标（P-LMO）滤波器，作为标记多目标贝叶斯滤波器的闭式解。
• 通过使用标记的一阶矩和完整的多目标密度，形式化P-LMO滤波器，提供对标记多目标后验的详细表示。
• 通过将完整多目标密度近似为匹配原始一阶矩的标记多伯努利（LMB）密度，提出LMB-GOM滤波器。
• 最小化原始密度与近似密度之间的Kullback-Leibler（KL）散度，以确保统计保真度。
• 将LMB-GOM滤波器集成到有限集合统计（FISST）框架中，实现一致的标记多目标跟踪。
• 确保LMB-GOM滤波器继承多伯努利随机有限集（RFS）的直观数学结构，同时以更低的计算成本实现接近P-LMO的精度。

实验结果

研究问题

• RQ1 在FISST框架下，如何为通用观测模型（GOM）推导出一种闭式、标记的多目标滤波解？
• RQ2 一种高效且原理性的P-LMO滤波器近似方法是什么，能够平衡精度与计算复杂度？
• RQ3 LMB-GOM滤波器是否能在显著降低计算负担的同时，保持与P-LMO滤波器相当的高跟踪精度？
• RQ4 在具有通用观测模型的典型多目标跟踪场景中，LMB-GOM滤波器的性能如何？

主要发现

• P-LMO滤波器在通用观测模型下为标记多目标贝叶斯滤波器提供了闭式解，可作为性能基准。
• LMB-GOM滤波器通过匹配原始多目标密度的一阶矩并最小化KL散度，实现了高精度。
• LMB-GOM滤波器继承了多伯努利RFS的直观数学结构，使目标标签和状态的解释更加清晰。
• 数值实验表明，LMB-GOM滤波器在性能上接近P-LMO基准，同时显著降低了计算成本。
• 所提出的算法在典型跟踪场景中得到验证，展示了在通用观测模型下的鲁棒性与有效性。