You are on page 1of 14

A Survey of Motion-Based Multitarget Tracking Method

Latar Belakang
Multi target tracking dalam sistem surveilance sangat menantang karena beberapa sebab
yaitu, ketidak pastian asosiasi data, pergerakan manuver target, gangguan kepadatan
clutter, dan kebutuhan untuk memproses secara real time. Meskipun telah banyak
metode yang untuk menjawab tantangan tersebut, akan tetapi belum ada satu paper
yang membahasa secara menyeluruh dan membantu untuk memilih metode mana yang
tepat dalam praktiknya.
Multitarget tracking (MTT) bertujuan untuk memperkirakan jumlah, posisi, kecepatan, dan
percepatan dari suatu target secara berkelanjutan dan menyediakan target track secara
continu. Berbeda dengan single target tracking (STT), dalam praktiknyam jumlah target
pada MTT banyak dan bervariasi, kadang hilang, muncul, menajdi satu target yang sama,
atau berpisah menajdi 2 target atau lebih pada setiap waktu.
Secara umum metode MTT dapat dikelompokan menjadi 2 kelompok yaitu skema detectbeforetrack (DBT) scheme dan skema the track-before-detect (TBD).
Skema DBT biasanya digunakan untuk mendapatkan performa tracking yg robust dan
tracable pada kondisi dengan SNR yang tinggi, sebaliknya skema TBD digunakan pada
kondisi SNR yang rendah untuk mengumpulkan energi target dengan menggunakan
beberapa frame sensor.
Berdasarkan mekanisme asosiasi datanya metode DBT dapat dikelompokan ke dalam 2
kategor yaitu pendekatan asosisasi data and dan pendekatan finite set statistics (FISST).
Sedangkan metode TBD dapat dikelompokan ke dalam non-Bayesian approaches and
Bayesian approaches berdasarkan dasar teori yang digunakan untuk tracking.
Detect-before-Track Scheme

Dalam skema ini, raw data hasil pantulan dari sensor di olah terlebih dahulu menjadi
target detection dengan mengimplementasikan thresholding dengan model pengukuran
tertentu, hasilnya kemudian menjadi input untuk algoritma tracking. Untuk mengatasasi
masalah datas asosiasi, ada 2 mekanisme yg biasa digunakan yaitu metode
berdasarkkan data asosiasi dan metode berdasarkan FISST.
1. Pendekatan berdasarkan data asosisasi

Pada metode ini, hubungan antara deteksi dan track di pisahkan secara jelas dengan cara
membagi MTT ke dalam dua sub permasalahan yaitu, data asosiasi dan state estimation.
Tujuan utama dari data asosisasi ini adalah menemukan teknik yang optimum untuk
menentukan satu set deteksi kedalam satu set tracking. Dalam konteks ini, asosisasi
biasa disebut dengan measurement-track association, yang merupakan masalah inti
dalam solusi tradisional dan merupakan penyumbang beban perhitungan yang utama
dalam MTT. Secara garis besar prosesnya di gambarkan dalam diagram alur sebagai
berikut:

Berdasarakan fungsi objektif dalam optimasinya, algoritma data asosisasi dikelompokan


menjadi dua kelompok, pendekatan non-Bayesian dan pendekatan Bayesian.
1. Pendekatan Non-Bayesian
Pendekatan non-Bayesian umumnya memperlakukan data asosiasi sebagai suatu
masalah, kemudian menggunakan algoritma yang optimum untuk menemukan solusi
untuk asosisasinya. Sedangkan pendekatan Bayesian mendefinisikan masalah dengan
menggunakan teori statistik, kemudian menyimpulkan algoritma tertentu seperti
maksimum posteriori (MAP) dan pendekatan estimator Bayesian.
Dua solusi yang biasanya digunakan dalam pendekatan non-Bayesian adalah the
strongest neighbor filter (SNF) dan the nearest neighbor filter(NNF). Metode SNF
menggunakan sinyal dengan intensitas tertinggi untuk memperbaharui track, dan
selainnya diabaikan. Sedangkan pada metode NNF hasil pengukuran yang paling dekat
dengan perkiraan yang digunakan. Kelemahan dari kedua metode ini adalah tidak
memperhitungkan apakah kemungkinan hasil pengukuran berasal dari clutter atau dari
target yang sebenarnya.
Untuk mengatasi masalah tersebut dikembangkanlah metoda the track splitting filter
(TSF) dengan cara menciptakan track baru untuk setiap hasil pengukuran yg valid setiap
kali update, akan tetapi hal ini menyebabkan jumlah jejak hasil pengukuran tumbuh
secara eksponensial. Untuk mengontrol pertumbuhan eksponensial ini , fungsi
conditional measurement likelihood dihitung untuk setiap urutan pengukuran , dan
digunakan untuk memangkas trek yang paling tidak mungkin .
Metode pendekatan non-Bayesian lainnya dpat di lihat pada diagram. Masalah
pendekatan non-Bayesian ada 2 yaitu :
1. Perhitungan optimasi algoritma heuristik yang sangat memakan waktu
2. Algoritma Non-Bayesian yang memiliki kesulitan untuk memutuskan asosiasi pada
akhir dari seriap frame dan memiliki karakter performa yang buruk ketika berhadapan
dengan false alarm dan pada lingkungan target yang ramai.

2. Pendekatan Bayesian
Teori asosiasi data yang optimal melibatkan pencacahan dan evaluasi semua feasible
joint assignment untuk setiap hasil pengukuran dan track. Masalahnya, jumlah dari
feasible joint assignment tersebut tumbuh berdasarkan kombinasi antara jumlah
pengukuran dan jumlah track. Alih alaih metode yang optimal, dalam praktiknya
diusulkan solusi perkiraan berdasarkan teori Bayesian, seperti maximum a posteriori
(MAP) and Bayesian estimator
1. Pendekatan MAP
Pendekatan MAP mencari asosisasi yang paling memungkinkan dari hasil pengukuran
yang diberikan kemudian memperkirakan track nya dari asosiasi tersebut.
Algoritma multiple hypotheses tracking (MHT) algorithm merupakan pendekatan MAP
yang paling dikenal.
MHT merupakan algoritma multiscan tracking yang memperthanakan beberapa asosisasi
hypotesis dari hasil pengukuran terdahulu dengan target. Ketika hasil pengukuran yang
baru diterima, maka hypotesa yang baru di bentuk untuk setiap hipotesa sebelumnya.
Algoritma ini kemudian mengambil hipotesa dengan posterior tertinggi sebagai solusi.
MHT mampu untuk menginisisasi dan mengakhiri berbagai jumlah track dan cocok untuk
aplikasi surveillance otonom.Kekurangan utama dari MHT adalah kompleksitas
perhitungannya karena jumlah hipotesis yang meningkat secara exponensial setiap
waktu.
Jenis pendekatan MAP lainnya adalah is the integer programming algorithm [42] atau
lebih tepatnya the
multidimensional assignment algorithm, dimana hasil pengukuran dari S- Scan terakhir di
asosisasikan dengan daftar track ( asosisasi S- Dimension, S-D), telah terbukti dalam
praktiknya sebagai solusi alternative untuk MHT tanpa batasan pencacahan yang
mendalam. Asosisasi antara hasil pengukuran dan track dirumuskan sebagai
permasalahan optimasi global diskrit, yang tujuannya untuk meminimalkan beban
asosisasi. Untuk kasus S sama dengan 2, dikenal sebagai algoritma are the JonkerVolgenant-Castanon (JVC), metode ini menyediakan menyediakan suatu ukuran akurasi
untuk solusi yang ditemukan. Akan tetapi ketika mencari solusi yang optimal untuk
S>2 terjadi apa yang disebut NP hard problem sehingga sulit untuk menemukan secara
pasti algoritma yg efisien.

Lagrangian relaxation-based techniques [48] diusulkan untuk mencari solusi sub optimal
untuk aplikasi yang membutuhkan performa real time.
2. Bayesian Estimator
Pendekatan Bayesian Estimator digunakan untuk mengatasi masalah asosiasi data yang
bahkan sangat sulit di track dengan perhitungan MAP.
the probabilistic multihypothesis tracker (PMHT) menghitung probabilitas asosisasi data
dan pembaharuan track secara iterative menggunakan metode expectation maximization
(EM ). Pada algoritma ini target dapat menghasilkan paling banayak satu pengukuran per

scan, dan mengambil hasil pengukuran/ proses asosisasi target yang independent pada
hasil pengukuran, sehingga dapat dikatakan sebagai metode asosisai yang halus. Karena
track di perbaharui menggunakan gambar setelahnya dan sebelumnya maka metode
PMHT dasar merupakan batch proses. Sama halnya seperti JPDA, PMHT berasumsi
jumlah target diketahui dan tetap. Perhitungan metode ini lebih feasible akan tetapi
dengan resiko penurunan performa.
Kelemahan metode Bayesian estimator ketika berada pada kondisi target yang padat dan
lingkungan dengan clutter , jumlah kemungkinan kombinasi asosisasinya menjadi terlalu
banyak dan pencacahannya membutuhkan perhitungan yang kompleks, yang mengarah
pada NP-Hard Problem
Target State Estimation

Setelah asosiasi antara hail pengukuran dan track ditentukan , langkah berikutnya adalah
memperkirakan target state dengan algoritma filtering. Kunci sukses dari tracking
terletak pada 3 hal, ekstraksi informasi yng berguna mengenai target state dari data
hasil pengukuran, model pergerakan yang baik, dan state filtering.

3.1.2.1 Target Motion Modeling

multiple-model (MM) method , digunakan ketika terjadi motion uncertainty.


Gaussian MR method , digunakan pada lingkungan dengan clutter
3.1.2.2 Bayesian Filtering
Teori Bayesian menyediakan kerangka umum untuk estimasi negara yang dinamis . Dalam
Bayesia filtering artinya pembaharuan secara terus menerus tentang
conditional

probability densities yang menggambarkan target state jika diketahui informasi dari
sensor dan informasi sebelumnya.

Setidaknya ada 3 metode yang mengimplementasikan Bayesian filtering, yaitu Kalmanlike filtering,
grids based filtering, and particle filtering. Pendekatan kalman-like filters masih cukup
akurat ketika terjadi kondisi system non linear dan non gausian yang ringan, akan tetapi
ketika situasinya lebih dari itu,kalman filter tidak bisa diandalkan. Metode Grid Based
Filtering memiliki performa yang bagus akan tetapi memiliki 2 kelemahan yaitu ,
perhitungannya cukup berat dan pemodelan untuk target motionnya kurang realistic.
Sedangkan untuk metode Partikel Filter , akurasi berbanding lurus dengan jumlah partikel
yang digunakan, kendala untamanya adalah dimensinya semakin besar seiring dengan
semakin besarnya dimensi dari state space nya.

FISST
FISST menggunakan finite set statistics (FISST) dengan cara memperlakukan kumpulan
dari target individual sebagai satu set valued-state dan kumpulan dari hasil pengukuran
individual sebagai satu set valued-measurement. FISST menyebarakan intensitas
posterior dari RFS target dalam domain waktu dan tidak membutuhkan perhitunganuntuk
asosiasi data.
Dalam praktiknya untuk mengimplementasikan metode ini kita perlu memperhatikan
beberapa masalah yaitu maneuvering target motion modeling, unknowndetection
probability and clutter rate accommodation, target birth and target spawning modeling,
and track management. PHD dan penyempurnaannya, CPHD, adalah contoh filter yang
dikembangkan berbasis FISST.

Track Before Detect Scheme

4.1. Non-Bayesian Approaches

Non Bayesian approach berfungsi dengan baik pada kondisi ketika kecepatan telah
diketahui sebelumnya. Akan tetapi pendekatan ini tidak recursive dan sulit untuk
memodelkan pergerakan target yang rumit.
Setidaknya ada 5 pendekatan Non-bayesian yaitu :
(1) Projective Transforms
Metode ini mentransformasi penyelesaian masalah spatiotemporal tracking 3-D (x,y,t) ke
dalam bidang 2-D yg diwakili hanya oleh dua spasial axis x dan y untuk membentuk
track-map dan memungkinkan untuk merekostruksi perkiraan lintasan 3-D dari target
dengan melakukan proyeksi balik. Metode ini tidak menganggap target tracking sebagai
masalah stochastic estimation, akan tetapi teteap tergantung pada hasil pengukuran
pergerakan target.
(2) Multistage Hypothesis Testing
Algoritma MSHT menggunakan truncated sequential probability ratio test (TSPRT) untuk
mengevaluasi secara efisien kepadatan linear tree , calon segmen lintasan kecepatan
tetap. Sejumlah besar calon lintasan , di susun dalam struktur tree, dihipotesiskan pada
setiap piksel dalam suatu urutan tertentu dan diuji secara berurutan untuk pergeseran
dalam intensitas rata-rata nya . Akan tetapi pada kondisi SNR rendah dengan clutter
yang padat menyebabkan peningkatan jumlah tree brances, dan composite exposure

menyebabkan perhitungan menjadi sulit.


(3) 3-D matched filters

Metode ini digunakan untuk mendeteksi multiple target yang lemah diantara clutter.
Metode ini mensintesa matched filter 2-D (2-DMF) untuk menekan clutter dan time-energi
1-D di akumulasikan berdasarkan fitur kecepatan.
(4) Higher-order correlation
Metode ini yg berdasarkan high order correlation (HOC) ini dikembangkan tanpa perlu
membuat asusmsi terdahulu mengenai target dan background clutter. Untuk mengatasi
masalah data asosiasi dan identifikasi track pada kondisi dengan clutter yang berat
diusulkan mekanisme pembobotan track dan penggunaan algoritma modified HOC.
(5) Dynamic Programming Algorithm
Algoritma DP ditujukan untuk menghindari masalah velocity mismatch dan dapat
mengatasi maneuver target berkecepatan rendah. Pada perkembangannnya algoritma
ini terus dikembangkan untuk meningkatkan efisiensi dan performa untuk noise yang
non-gausian dan mengizinkan transisi kecepatan.
Karena algoritma ini bekerja pada pixel proses maka akan mudah diimplementasikan

pada level hardware dan dapat mendeteksi kecepatan maneuver target pada saat itu
juga meskipun pada kondisi dengan SNR rendah. Kelemahannya adalah : 1.
membutuhkan matched filtering yg lengkap untuk target searching, jika search window
erlalu lebar, maka akan meningkatkan penghitungan yang kompleks. 2. Dibutuhkan
memory yg besar ketika men track target dengan inverse velocity.

4.2. Bayesian Approaches


Pendekatan non-bayesian hanya dapat diterapkan pada kondisi terbatas. Recursive
bayesian filter lebih banyak digunakan berkaitan dengan kelengkapan data sebagai hasil
pengukuran non linear. Pendekatan Bayesian yang bersandar pada prose markov juga
memiliki kelebihan dalam menyediakan solusi recursif dengan target dynamic model
yang berubah ubah.
Setidaknya ada 3 metode yang biasa digunakan :
(1) Particle filtering
Masalah utama dari PF-TBD adalah intensitas perhitungannya. Metode PF-TBD
trackersdapat dibedakan menajdi 2 yaitu, independent sampler dan joint sampler. Metode
independent sampler serara umum sangat feasible, akan tetapi performanya seketika
menurun ketika beberapa target bergerak berdekatan sepanjang durasi. Sedangkan
kelebihan dari joint sampler adalah mampu mengatasi masalah target coupling dan
measurement ambiguity melalui joint sampling, akan tetapi proses perhitungannya lebih
berat daripada independent sampler.
(2) Joint multitarget probability density filtering
(JMPD),
Algoritma ini melakukan pendekatan berbasis vector yang mana quantity of interest
merupakan hybrid state yang dibentuk oleh jumlah target dan multitarget state yang
membentuk vector dengancara menggabungkan single state vector.
(3) FISST-based filtering
Dengan diimplementasikannya PHD filter, salah satu filter yang berbasis FISST, sangat
memungkinkan untuk memperkirakan jumlah target untuk setiap waktu bersama dengan
asosiasi state nya tetapi dengan asumsi bahwa tidak ada dua target dengan resolusi
yang sama. Oleh karena itu tidak ada ketidakpastian hasil pengukuran terhadap target.
5. NEW TOPICAL FOR FUTURE WORKS
Permasalahan MTT pada paper ini berfokus pada system dengan satu sensor dan
atumatic tracking dengan multiple point target. Jika kita perlebar bahasan dari multiple
point target menjadi extend/group target dan dari satu sensor menjadi multi sensor-multi
target tracking maka akan menjadi persoalan baru di area MTT.

5.1. Extended/Group Target Tracking


Dalam praktiknya terkadang satu target dibentuk dari multiple resolution, misalnya ketika
besar target lebih besar daripada jarak anatara sensor dan target (extended target). Atau
terkadang kita harus memperlakukan group target sebagai individual objek untuk
memperkirakan dan men-track target.
Beberapa metode yang cocok untuk menyelesaikan masalah ini diantaranya PHD/CPHD
dan Bernoulli filter. Riset lanjutan diperlukan untuk memperkirakan bentuk target yang
sebernarnya, karena hal ini merupakan hal penting dalam keseluruhan metode jenis
tracking ini.
5.2. Multisensor-Multitarget Tracking
Pengunaan multiple sensor dapat menyediakan informasi yang lebih akurat dibandingkan
hanya menggunakan satu sensor. DAlam Multi-sensor Multi target tracking, kita
mengarahkan perhatian kita terhadap masalah asosiasi track-to-track dan fussion.
Asosiasi track didefinisikan sebagai proses untuk memutuskan apakah dua track milik
satu target yang sama atau bukan. Sedangkan track fussion berkaitan dengan metode
untuk menggabungkan state estimate jika ternyata pengukuran berasal dari satu target
yang sama. Masalah yang paling pelik dalam multisensor-multitarget adalah dalam
asosiasi track segment yang melibatkan banyak algoritma seperti GLRT, statistical
distances, fuzzy logic, neural nets, un-supervised learning, clustering techniques,
Bayesian inference networks, MHT techniques, dan lainsebagainya. Oleh karenanya
untuk mengimplementasikan metode ini benar benar memerlukan usaha yang keras.
Kesimpulan :
Dalam praktiknya MTT menghadapi banyak kendala diantaranya, ketidak pastian asosiasi
data, dense clutter disturbance, pergerakan maneuver, dan kebutuhan pemrosesan
secara real time.
Teori Bayesian merupakan dasar teori yang paling penting untuk target tracking baik
untuk asosiasi data ataupun untuk state filtering.
Dalam implementasi Bayesian Filtering, Particle Filter merupakan tool yang sangat
mumpuni untuk menyelesaikan masalah nonlinear/non-gaussian.
Perkembangan teori terbaru dari sequential Bayesian estimation pada teroi FISST telah

secara dramatis memperluas ruang lingkup aplikasi : dari single menjadi multiple
appearing/disappearing
objects dari precise menajdi imprecise measurements dan measurement models

NonBayesian
Approach
es

Data
Association
Approach

Data
Association

strongest
neighbor
filter
the
nearest
neighbor
filter
(NNF)
the track
splitting
filter

fuzzy
data
associatio
n (FDA)

the cross
entropy (CE)

the
Viterbi
algorithm
(VA)

gametheore
tic
framework
Hopfield
neural
network

graph
theory
genetic
algorithm

DBT

Bayesian
Approach
es

maximum
a
posteriori
(MAP)

Bayesian
estimator

multiple
hypotheses
tracking (MHT)

JonkerVolgenantCastanon
(JVC)

the integer
programming
algorithm /
multidimensio
nal
assignment

Lagrangian
relaxationbased

joint
probabilistic
data
association
Markov chain
Monte Carlo
data
association
(MCMCDA)

Target
State
Estimatio

Target
Motion
Modeling

pseudomultipleBayesian (GPB)
model
the(MM)
method
probabilistic merging
multihypothesimixture
interacting
reduction (MR)
multiple
models (IMM)
methods
variable
structure MM
(VSMM)

KF
Bayesian
Filtering

Kalmanlike
filtering
Grids
based
filtering
Particle
filtering

finite set
statistics
(FISST)

Improved
Problems

EKF
UKF
Independ
ent
Joint
samplers

Maneuvering
target
motion
modeling

Target birth
and
spawning
model

Unknown
detection
probability
and clutter
rate

Track
manageme
nt

TBT

NonBayesian
Approach
es

Bayesian
Approach
es

Projective
Transform
s
Multistag
e
Hypothesi
s Testing
3-D
matched
filters

Particle
filtering
Joint
multitarget
probability
density
(JMPD)
FISST-based
filtering

Higherorder
correlation
Dynamic
Programmi
ng
Algorithm

Independ
ent
Joint
samplers

NEW
TOPICAL FOR
FUTURE
WORKS

Extended/Gro
up Target
Tracking
MultisensorMultitarget
Tracking