Object tracking and classification using distributed acoustic sensing
Abstract
Multi-objekt målfølging (MOT) omfatter et matematisk rammeverk laget for å estimere kinematiske egenskaper av objekter som beveger seg i henhold til en dynamisk modell i et begrenset overvåket romlig område. Bayesiansk tilstandsestimering, probabilistiske observasjonsmodeller og data-assosieringsteknikker er alle sentrale byggesteiner i dette rammeverket. I denne masteroppgaven gjennomgås de mest grunnleggende konseptene i MOT, og presenterer den populære MOT-algoritmen kjent som Joint Probabilistic Data Association (JPDA) filter. Hovedmålet med masteroppgaven er å effektivt og nøyaktig anvende JPDA til å estimere posisjon og hastighet til biler og tog som kjører langs et segment av Selsbakkvegen og toglinjen på Selsbakk i Norge.
Distributed Acoustic Sensing (DAS) er en fremvoksende sensorteknologi som opprinnelig ble utviklet for seismisk overvåkning, men som gjennom de siste årene har blitt et verktøy i nye bruksområder. Mer konkret er det en sensorteknikk som er i stand til å gjøre om fiberoptiske kabler til distribuerte og sammenhengende akustiske sensorer. Vi undersøker mulighetene for å bruke DAS-data til å finne posisjon og akustisk belastning forårsaket av biler og tog som kjører på Selsbakk, og bruke dette som posisjonsmålinger i JPDA-filteret for å målfølge disse objektene. I den sammenheng presenterer vi en egendefinert signal-ekstraksjonsmetode som produserer prosesserte signalplukk som er bedre egnet enn de opprinnelige signalene for direkte bruk i JPDA-filteret. Denne metoden er i stor grad basert på frekvensfiltrering, terskelverdier for signaler og klyngemetoder (DBSCAN). Vi viser hvordan ulike valg av hyperparametere i metoden påvirker kvaliteten på signalplukkene. Ved å bruke loggede tidspunkter til bil og togpasseringer ved Selsbakk stasjon kan vi systematisk optimalisere disse for å oppnå gode plukk. I tillegg presenterer vi en metode som bruker signalplukkamplitudene for å estimere sannsynligheten for at et objekt er en bil eller et tog ved hjelp av Bayes' teorem. Objektklassifisereren er utviklet med de nevnte loggede bil- og togpasseringene som treningsdata, og den er innebygd i JPDA-målfølgeren.
Vi anvender signal-ekstraksjonsmetoden på DAS-signalene og bruker JPDA for å målfølge de resulterende signalplukkene, noe som resulterer i veldig lovende målfølgings- of klassifiseringsresultater. Sammenlikner vi de estimerte tilstandene med de loggede bil og tog tidspunktene, så ser vi at fremgangsmåten identifiserte og målfulgte 19 av 20 passerende biler og tog med høy nøyaktighet. Bemerkelsesverdig forverres ytelsen når antakelsene for JPDA ikke er oppfylt, noe som for eksempel skjer i situasjoner med lange tog. Videre gir vi bil- og togantall samt gjennomsnittshastigheter gjennom en hel dag, og resultatene viste at biler gjennomsnittlig følger fartsgrensen satt for området. Til slutt diskuterer vi ulike begrensninger i målfølgingsmetoden med tilhørende mulige løsninger. Multi-Object Tracking (MOT) comprises a mathematical framework for estimating kinematic properties of objects moving according to a dynamical model in a limited monitored spatial area. Bayesian state estimation, probabilistic measurement models and data association techniques are all central concepts in this framework. In this thesis we discuss the most essential building blocks of MOT, and present the popular MOT-algorithm known as Joint Probabilistic Data Association (JPDA) filter. The main goal of the thesis is to effectively and accurately use JPDA to estimate position and velocity of cars and trains driving along a small road segment on Selsbakkvegen and the railway in Selsbakk, Norway.
Distributed Acoustic Sensing (DAS) is an emerging sensing technology that was originally developed for seismic monitoring, but has over the recent years become a tool in new areas of use. In particular, it has become a sensing technique capable of converting fiber optic cables into distributed and continuous acoustic sensors. We investigate the possibility of using DAS data to extract the positions and acoustic strain induced by cars and trains driving in Selsbakk, and using these as measurements in the JPDA filter to track these objects. In this context, we present a custom signal extraction method that produces processed DAS signal picks that are better suited than the original data for direct use in the JPDA filter. This extraction approach is largely based on frequency filters, signal thresholding and clustering methods (DBSCAN). We show how different choices of hyperparameters in the method affects the quality of the signal picks. By using logged timestamps of cars and trains passing Selsbakk station, we systematically optimize these in order to obtain good picks. In addition to this, we present a technique that uses the signal pick strain amplitudes for estimating the probability of an object being a car or a train, by the use of Bayes' theorem. The object classifier is developed with the mentioned logged car and train passings as training data, and is built into the JPDA tracker.
We apply the signal extraction method to the DAS data, and use JPDA to track these signal picks, resulting in very promising tracking and classification results. Comparing the estimated tracks to the logged car and train timestamps, the approach successfully identified and tracked 19 out of 20 passing cars and trains. Notably, the performance gets worse when the assumptions of JPDA are not met which occurs, for instance, in the situations of long trains. Furthermore, we provide car and train counts and average velocities throughout an entire day, and results show that cars on average drive with velocity close to the speed limit set for the particular area. Lastly, we discuss the limitations of the proposed tracking method along with possible remedies.