[论文解读] Multi-target Joint Detection, Tracking and Classification Based on Generalized Bayesian Risk using Radar and ESM sensors

Minzhe Li, Zhongliang Jing|arXiv (Cornell University)|Jul 6, 2018

Target Tracking and Data Fusion in Sensor Networks参考文献 6被引用 5

一句话总结

本文提出了一种基于广义贝叶斯风险与标记随机有限集（RFS）的新型多目标联合检测、跟踪与分类（JDTC）框架，结合雷达与电子支援措施（ESM）传感器。通过使用条件标记多伯努利滤波器联合最小化检测、跟踪与分类成本，该方法显式建模了各项任务之间的相互依赖关系，在仿真中性能优于传统的ETD与DTE方法，实现了更高的精度与明确的类别决策。

ABSTRACT

In this paper, a novel approach is proposed for multi-target joint detection, tracking and classification based on the labeled random finite set and generalized Bayesian risk using Radar and ESM sensors. A new Bayesian risk is defined for the labeled random finite set variables involving the costs of multi-target cardinality estimation (detection), state estimation (tracking) and classification. The inter-dependence of detection, tracking and classification is then utilized with the minimum Bayesian risk. Furthermore, the conditional labeled multi-Bernoulli filter is developed to calculate the estimates and costs for different hypotheses and decisions of target classes using attribute and dynamical measurements. Moreover, the performance is analyzed. The effectiveness and superiority of the proposed approach are verified using numerical simulations.

研究动机与目标

• 解决机载监视系统中多目标检测、跟踪与分类之间的相互依赖性问题。
• 克服传统两步法（ETD与DTE）将检测、跟踪与分类视为独立过程所导致的局限性。
• 开发一种统一的决策与估计框架，通过引入基数、状态与类别估计成本，最小化整体贝叶斯风险。
• 在保持精确状态估计的同时，通过递归贝叶斯推理实现实时、明确的目标类别决策。
• 通过使用类别相关分量近似多目标后验密度，降低计算复杂度。

提出的方法

• 为标记RFS提出一种新的广义贝叶斯风险，综合考虑多目标基数估计（检测）、状态估计（跟踪）与分类的成本。
• 设计一种条件标记多伯努利（CJDE-LMB）滤波器，利用运动与属性测量，在不同假设下计算后验状态估计与类别概率。
• 采用贝叶斯递推更新多目标后验密度，显式考虑测量-目标关联（MTA），并最小化统一的贝叶斯风险。
• 通过高斯混合近似实现算法，支持后验密度的高效递归计算。
• 引入权重系数（α, β, γ）以平衡检测、跟踪与分类成本，支持根据不同任务优先级进行调参。
• 应用联合性能度量（JPM）评估系统在检测、跟踪与分类任务上的整体性能。

实验结果

研究问题

• RQ1 如何在雷达与ESM传感器下，通过联合优化实现多目标场景中的检测、跟踪与分类？
• RQ2 建模检测、跟踪与分类之间的相互依赖性对整体系统性能有何影响？
• RQ3 不同成本系数（α, β, γ）如何影响检测精度、跟踪精度与分类可靠性之间的权衡？
• RQ4 统一的贝叶斯风险框架是否能优于传统两步ETD与DTE方法在多目标JDTC中的表现？
• RQ5 与概率性类别推断相比，显式类别决策在多大程度上提升了系统性能？

主要发现

• 所提出的CJDE-LMB算法在多目标检测、跟踪与分类方面性能优于ETD与YW-JDTC方法，表现为更低的OSPA距离与更高的联合性能度量（JPM）。
• 当检测成本系数γ设为100时，所有目标即使在机动过程中也能被正确检测；而γ = 10时因对假阴性惩罚不足导致漏检。
• 由于错误检测导致检测性能下降，γ = 10时跟踪与分类性能显著退化，证实检测是实现精确跟踪与分类的前提。
• 该方法提供明确的类别决策，而YW-JDTC仅输出类别概率，因此在可解释性与决策实用性方面更具优势。
• 高斯混合实现支持高效递归计算，在保持高精度的同时降低计算复杂度。
• 仿真结果验证了通过广义贝叶斯风险显式考虑检测、跟踪与分类之间的相互依赖性，可显著提升整体系统性能。