Professional Documents
Culture Documents
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:
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.
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.
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
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.
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