本發(fā)明涉及目標跟蹤領(lǐng)域，特別是涉及一種基于并行模糊高斯和粒子濾波的目標跟蹤方法及裝置。

背景技術(shù)：

目前，隨著大范圍監(jiān)視任務(wù)需求的加大，利用大量傳感器組網(wǎng)的大規(guī)模傳感器系統(tǒng)及其相關(guān)關(guān)鍵技術(shù)的研究日益受到各國的重視。實踐證明，大規(guī)模傳感器組網(wǎng)不僅可以有效擴大傳感器系統(tǒng)的觀測距離，實現(xiàn)大范圍的有效覆蓋，且受氣象條件影響小，能夠有效對復(fù)雜環(huán)境下的目標進行可靠監(jiān)視。然而，大規(guī)模傳感器系統(tǒng)覆蓋范圍廣，監(jiān)視目標多，數(shù)據(jù)處理量大，對系統(tǒng)的通信需求和數(shù)據(jù)處理能力要求很高。為解決這一難題，研究者提出了許多有效的非線濾波方法，如分布式擴展卡爾曼濾波、分布式無損卡爾曼濾波，這些方法操作簡單、實施比較容易，但對復(fù)雜的非線性非高斯環(huán)境時，濾波跟蹤性能下降，并不能滿足大規(guī)模被動傳感器系統(tǒng)實際應(yīng)用的要求。

粒子濾波由于適用于任何能用狀態(tài)空間模型表示的非線性非高斯系統(tǒng)，且對系統(tǒng)狀態(tài)維數(shù)不敏感，成為當(dāng)前非線性濾波研究的熱點。但是，粒子濾波算法也存在著自身的一些缺陷，比如粒子的退化、計算量巨大、實時性差等，影響和制約了它的發(fā)展，特別是應(yīng)用到大規(guī)模傳感器系統(tǒng)，處理非周期、稀疏性大規(guī)模觀測數(shù)據(jù)時，性能明顯下降。

技術(shù)實現(xiàn)要素：

本發(fā)明主要解決的技術(shù)問題是提供一種基于并行模糊高斯和粒子濾波的目標跟蹤方法及裝置，能夠解決現(xiàn)有技術(shù)中的粒子濾波方法處理非周期、稀疏性大規(guī)模觀測數(shù)據(jù)時性能下降的問題。

為了解決上述技術(shù)問題，本發(fā)明采用的一個技術(shù)方案是：提供一種基于并行模糊高斯和粒子濾波的目標跟蹤方法，包括：將傳感器系統(tǒng)劃分為多個子系統(tǒng)；分別為每個子系統(tǒng)利用其邊界狀態(tài)對其在當(dāng)前目標觀測時刻對目標狀態(tài)的觀測結(jié)果使用模糊高斯和粒子濾波方法進行濾波，以獲取子系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)，其中不同的子系統(tǒng)在濾波過程中使用的狀態(tài)粒子不共享；利用所有子系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)獲取傳感器系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)；利用傳感器系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)獲取當(dāng)前目標觀測時刻的目標狀態(tài)估計值。

其中，為子系統(tǒng)利用其邊界狀態(tài)對其在當(dāng)前目標觀測時刻對目標狀態(tài)的觀測結(jié)果使用模糊高斯和粒子濾波方法進行濾波包括：對于子系統(tǒng)，利用高斯和構(gòu)建上一目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)、觀測噪聲概率密度函數(shù)以及過程噪聲概率密度函數(shù)；根據(jù)高斯-厄米特積分和蒙特卡羅原理，利用上一目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)、過程噪聲概率密度函數(shù)和邊界狀態(tài)獲取當(dāng)前目標觀測時刻的目標狀態(tài)預(yù)測概率密度函數(shù)；利用當(dāng)前目標觀測時刻的目標狀態(tài)預(yù)測概率密度函數(shù)、觀測結(jié)果和觀測噪聲概率密度函數(shù)獲取多個高斯項及其權(quán)值；利用權(quán)值對高斯項進行重采樣，獲取其中權(quán)值最大的G個高斯項，其中G為正整數(shù)；利用權(quán)值最大的G個高斯項獲取子系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)。

其中，對于第s個子系統(tǒng)，利用高斯和構(gòu)建的上一目標觀測時刻n的目標狀態(tài)后驗概率密度函數(shù)為G個第一高斯分布函數(shù)的加權(quán)和，具體定義為：

其中s＝1,2,…,S，S為傳感器系統(tǒng)中子系統(tǒng)的總數(shù)，為第g個第一高斯分布函數(shù)的均值，為第g個第一高斯分布函數(shù)的協(xié)方差，為第g個第一高斯分布函數(shù)的權(quán)值，g＝1,2,…,G，均值和協(xié)方差是利用當(dāng)前目標觀測時刻n+1之前第s個子系統(tǒng)對目標狀態(tài)的觀測結(jié)果而獲得的；

過程噪聲概率密度函數(shù)p(u_n)為K個第二高斯分布函數(shù)的加權(quán)和，具體定義為：

其中α_k為第k個第二高斯分布函數(shù)的權(quán)值，且為非負常數(shù)同時滿足和分別表示第k個第二高斯分布函數(shù)的均值和協(xié)方差，k＝1,2,…,K；

觀測噪聲概率密度函數(shù)p(v_n)為L個第三高斯分布函數(shù)的加權(quán)和，具體定義為：

其中β_j為第j個第三高斯分布函數(shù)的權(quán)值，且為非負常數(shù)同時滿足和分別表示第j個第三高斯分布函數(shù)的均值和協(xié)方差，j＝1,2,…,L。

其中，根據(jù)高斯-厄米特積分和蒙特卡羅原理，利用上一目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)、過程噪聲概率密度函數(shù)和邊界狀態(tài)獲取當(dāng)前目標觀測時刻的目標狀態(tài)預(yù)測概率密度函數(shù)包括：利用上一目標觀測時刻n的目標狀態(tài)后驗概率密度函數(shù)和過程噪聲概率密度函數(shù)獲取第一積分點粒子集，利用邊界狀態(tài)獲取邊界狀態(tài)粒子集，第一積分點粒子集和邊界狀態(tài)粒子集組成第一近似粒子集；利用第一近似粒子集和子系統(tǒng)的狀態(tài)方程獲取預(yù)測粒子集；利用預(yù)測粒子集獲取當(dāng)前目標觀測時刻n+1的目標狀態(tài)預(yù)測概率密度函數(shù)。

其中，利用上一目標觀測時刻n的目標狀態(tài)后驗概率密度函數(shù)和過程噪聲概率密度函數(shù)獲取第一積分點粒子集包括：利用上一目標觀測時刻n的目標狀態(tài)后驗概率密度函數(shù)和過程噪聲概率密度函數(shù)p(u_n)獲取上一目標觀測時刻n的目標狀態(tài)后驗概率密度函數(shù)的每個第一高斯分布函數(shù)對應(yīng)的第一積分點

其中g(shù)’＝g+(k-1)K，g為第一高斯分布函數(shù)的序號，ξ^l為高斯-厄米特積分點，ξ^l對應(yīng)的權(quán)系數(shù)為l為高斯-厄米特積分點的序號，為過程噪聲概率密度函數(shù)p(u_n)的第k個第二高斯分布函數(shù)的均值，g＝1,2,…,G，k＝1,2,…,K，l＝1,2,…,m，m為高斯-厄米特積分點的總數(shù)；

根據(jù)高斯-厄米特積分原理，以第一積分點為均值，以第g個第一高斯分布函數(shù)的協(xié)方差為協(xié)方差，構(gòu)建上一目標觀測時刻n的第一積分點概率密度函數(shù)

利用第一積分點概率密度函數(shù)獲取對應(yīng)的第一積分點粒子集其中i＝1,2,…,N，N為第一積分點粒子集中粒子的總數(shù)，第一積分點粒子集

利用邊界狀態(tài)獲取邊界狀態(tài)粒子集包括：

第s個子系統(tǒng)在上一目標觀測時刻n收到m₁個子系統(tǒng)的邊界狀態(tài)邊界狀態(tài)概率密度函數(shù)為其中邊界狀態(tài)概率密度函數(shù)的均值和協(xié)方差分別為：

其中表示第s個子系統(tǒng)在上一目標觀測時刻n收到的第i₁個子系統(tǒng)的權(quán)值，其取值范圍為[0,1]且滿足

利用邊界狀態(tài)概率密度函數(shù)獲取邊界狀態(tài)粒子集其中

利用第一近似粒子集和子系統(tǒng)的狀態(tài)方程獲取預(yù)測粒子集包括：

預(yù)測粒子集為其中為子系統(tǒng)的狀態(tài)轉(zhuǎn)移概率密度函數(shù)，可由子系統(tǒng)的狀態(tài)方程得到，子系統(tǒng)的狀態(tài)方程為：

其中為第s個子系統(tǒng)在上一目標觀測時刻n收到的所有鄰近子系統(tǒng)的狀態(tài)矢量；

利用預(yù)測粒子集獲取當(dāng)前目標觀測時刻n+1的目標狀態(tài)預(yù)測概率密度函數(shù)包括：

利用預(yù)測粒子集獲取第一積分點對應(yīng)的當(dāng)前目標觀測時刻n+1的均值和協(xié)方差

利用均值和協(xié)方差獲取當(dāng)前目標觀測時刻n+1的目標狀態(tài)的共G’個第四高斯分布函數(shù)，其中G’＝K*G，第g’個第四高斯分布函數(shù)的均值和協(xié)方差為：

計算第g’個第四高斯分布函數(shù)的權(quán)值：

將G’個第四高斯分布函數(shù)的加權(quán)和作為當(dāng)前目標觀測時刻n+1的目標狀態(tài)預(yù)測概率密度函數(shù)

其中，利用當(dāng)前目標觀測時刻的目標狀態(tài)預(yù)測概率密度函數(shù)、觀測結(jié)果和觀測噪聲概率密度函數(shù)獲取多個高斯項及其權(quán)值包括：利用當(dāng)前目標觀測時刻n+1的目標狀態(tài)預(yù)測概率密度函數(shù)獲取當(dāng)前目標觀測時刻n+1的目標狀態(tài)預(yù)測概率密度函數(shù)的每個第四高斯分布函數(shù)對應(yīng)的第二積分點

其中g(shù)’＝1,2,…,G’，j＝1,2,…,L；

為第二積分點構(gòu)建其重要性函數(shù)

利用重要性函數(shù)獲取第二積分點的第二近似粒子集其中

利用最大熵模糊聚類原理計算第二近似粒子集中粒子的權(quán)值

其中α為拉格朗日乘子，為當(dāng)前目標觀測時刻n+1的觀測結(jié)果z_n+1與第二近似粒子集中的粒子之間的模糊隸屬度，表示第二近似粒子集中的粒子與當(dāng)前目標觀測時刻n+1的觀測結(jié)果z_n+1之間的歐氏距離；

利用第二近似粒子集中的粒子權(quán)值計算其對應(yīng)的第二積分點的權(quán)值

其中m₂為加權(quán)指數(shù)，l1＝1,2,…m；

利用第二近似粒子集及其中粒子的權(quán)值獲取第二積分點對應(yīng)的均值和協(xié)方差

利用第二積分點的權(quán)值均值和協(xié)方差獲取高斯項其中高斯項的均值和協(xié)方差分別為：

利用第二近似粒子集及其中粒子的權(quán)值和觀測噪聲概率密度函數(shù)p(v_n)獲取高斯項的權(quán)值

其中

利用權(quán)值對高斯項進行重采樣，獲取其中權(quán)值最大的G個高斯項包括：

將計算得到的G*K*L個高斯項按照權(quán)值的降序排列并獲取前G個高斯項及權(quán)值

判斷權(quán)值是否小于預(yù)設(shè)閾值

若小于，則修改高斯項的均值為協(xié)方差為其中q為隨機提取，且q∈{1,...,G}，提取到q的概率正比于標準化權(quán)值若不小于，則保留高斯項

為每個高斯項執(zhí)行前一步驟以獲取權(quán)值最大的G個高斯項；

利用權(quán)值最大的G個高斯項獲取子系統(tǒng)當(dāng)前目標觀測時刻n+1的目標狀態(tài)后驗概率密度函數(shù)包括：當(dāng)前目標觀測時刻n+1的目標狀態(tài)后驗概率密度函數(shù)為均值為協(xié)方差為的高斯分布，其中均值和協(xié)方差分別為：

其中，利用所有子系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)獲取傳感器系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)包括：傳感器系統(tǒng)當(dāng)前目標觀測時刻n+1的目標狀態(tài)后驗概率密度函數(shù)p(x_n+1|z_0:n+1)為均值為協(xié)方差為P_n+1|n+1的高斯分布，其中均值和協(xié)方差P_n+1|n+1分別為：

其中

其中，利用傳感器系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)獲取當(dāng)前目標觀測時刻的目標狀態(tài)估計值包括：根據(jù)最大后驗準則或最小均方誤差準則，利用傳感器系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)獲取當(dāng)前目標觀測時刻的目標狀態(tài)估計值。

為了解決上述技術(shù)問題，本發(fā)明采用的另一個技術(shù)方案是：提供一種基于并行模糊高斯和粒子濾波的目標跟蹤裝置，包括：劃分模塊，用于將傳感器系統(tǒng)劃分為多個子系統(tǒng)；濾波模塊，用于分別為每個子系統(tǒng)利用其邊界狀態(tài)對其在當(dāng)前目標觀測時刻對目標狀態(tài)的觀測結(jié)果使用模糊高斯和粒子濾波方法進行濾波，以獲取子系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)，其中不同的子系統(tǒng)在濾波過程中使用的狀態(tài)粒子不共享；綜合模塊，用于利用所有子系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)獲取傳感器系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)；估計模塊，用于利用傳感器系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)獲取當(dāng)前目標觀測時刻的目標狀態(tài)估計值。

為了解決上述技術(shù)問題，本發(fā)明采用的另一個技術(shù)方案是：提供一種基于并行模糊高斯和粒子濾波的目標跟蹤裝置，包括：處理器和傳感器系統(tǒng)，處理器耦接傳感器系統(tǒng)；處理器用于將傳感器系統(tǒng)劃分為多個子系統(tǒng)；分別為每個子系統(tǒng)利用其邊界狀態(tài)對其在當(dāng)前目標觀測時刻對目標狀態(tài)的觀測結(jié)果使用模糊高斯和粒子濾波方法進行濾波，以獲取子系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)，其中不同的子系統(tǒng)在濾波過程中使用的狀態(tài)粒子不共享；利用所有子系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)獲取傳感器系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)；利用傳感器系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)獲取當(dāng)前目標觀測時刻的目標狀態(tài)估計值。

本發(fā)明的有益效果是：通過將傳感器系統(tǒng)被劃分為多個子系統(tǒng)，使得狀態(tài)空間的維數(shù)減少了，減少濾波所需要的粒子數(shù)量；子系統(tǒng)在濾波過程中利用了其邊界狀態(tài)，保證跟蹤結(jié)果的準確性；不同的子系統(tǒng)在濾波過程中使用的狀態(tài)粒子不共享，可以選擇并行處理，保證目標跟蹤實時性。

附圖說明

圖1是本發(fā)明基于并行模糊高斯和粒子濾波的目標跟蹤方法第一實施例的流程圖；

圖2是本發(fā)明基于并行模糊高斯和粒子濾波的目標跟蹤方法第一實施例中不同子系統(tǒng)并行進行粒子濾波的示意圖；

圖3是本發(fā)明基于并行模糊高斯和粒子濾波的目標跟蹤方法第二實施例的流程圖；

圖4是本發(fā)明基于并行模糊高斯和粒子濾波的目標跟蹤方法第二實施例中獲取當(dāng)前目標觀測時刻的目標預(yù)測概率密度函數(shù)的流程圖；

圖5是本發(fā)明基于并行模糊高斯和粒子濾波的目標跟蹤方法第二實施例進行實驗驗證得到的跟蹤效果圖；

圖6是本發(fā)明基于并行模糊高斯和粒子濾波的目標跟蹤裝置第一實施例的結(jié)構(gòu)示意圖；

圖7是本發(fā)明基于并行模糊高斯和粒子濾波的目標跟蹤裝置第二實施例的結(jié)構(gòu)示意圖。

具體實施方式

如圖1所示，本發(fā)明基于并行模糊高斯和粒子濾波的目標跟蹤方法第一實施例包括：

S1：將傳感器系統(tǒng)劃分為多個子系統(tǒng)。

將傳感器系統(tǒng)劃分為S個子系統(tǒng)，相鄰的子系統(tǒng)之間可以不重疊，也可以部分重疊。在當(dāng)前目標觀測時刻n+1，整個傳感器系統(tǒng)的目標狀態(tài)為其中為第s個子系統(tǒng)的目標狀態(tài)，整個傳感器系統(tǒng)對目標狀態(tài)的觀測結(jié)果為其中為第s個子系統(tǒng)的觀測結(jié)果，s＝1,2,…,S。

第s個子系統(tǒng)的狀態(tài)方程和觀測方程為：

其中，n為上一目標觀測時刻，為狀態(tài)轉(zhuǎn)移函數(shù)，為上一目標觀測時刻n第s個子系統(tǒng)的目標狀態(tài)，為第s個子系統(tǒng)在上一目標觀測時刻n收到的所有鄰近子系統(tǒng)的狀態(tài)矢量，為當(dāng)前目標觀測時刻n+1的過程噪聲，h(·)為觀測函數(shù)，為當(dāng)前目標觀測時刻n+1的觀測噪聲。每個子系統(tǒng)的觀測結(jié)果只依靠本子系統(tǒng)的目標狀態(tài)，各子系統(tǒng)的過程噪聲和觀測噪聲是相互獨立的。

S2：分別為每個子系統(tǒng)利用其邊界狀態(tài)對其在當(dāng)前目標觀測時刻對目標狀態(tài)的觀測結(jié)果使用模糊高斯和粒子濾波方法進行濾波，以獲取該子系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)。

并行模糊高斯和粒子濾波算法主要包括三大步驟：1)時間更新，獲取當(dāng)前目標觀測時刻的目標狀態(tài)預(yù)測概率密度函數(shù)；2)權(quán)值計算和觀測更新，獲取多個高斯項及其權(quán)值；3)高斯項重采樣，獲取當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)。

不同的子系統(tǒng)在濾波過程中使用的狀態(tài)粒子不共享。不同子系統(tǒng)的濾波過程可以是并行的，如圖2所示，以縮短處理時間，改善目標跟蹤的實時性，在其他實施例中，不同的子系統(tǒng)的濾波過程也可以是依次進行的。

S3：利用所有子系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)獲取傳感器系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)。

傳感器系統(tǒng)當(dāng)前目標觀測時刻n+1的目標狀態(tài)后驗概率密度函數(shù)p(x_n+1|z_0:n+1)為均值為協(xié)方差為P_n+1|n+1的高斯分布，其中均值和協(xié)方差P_n+1|n+1分別為：

其中和分別為第s個子系統(tǒng)在當(dāng)前目標觀測時刻n+1的目標狀態(tài)后驗概率密度函數(shù)的均值和協(xié)方差，

S4：利用傳感器系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)獲取當(dāng)前目標觀測時刻的目標狀態(tài)估計值。

可以根據(jù)最大后驗準則或最小均方誤差準則來計算當(dāng)前目標觀測時刻的目標狀態(tài)估計值作為跟蹤結(jié)果，實現(xiàn)目標跟蹤。

通過上述實施例的實施，將傳感器系統(tǒng)被劃分為多個子系統(tǒng)，使得狀態(tài)空間的維數(shù)也減少了，減少濾波所需要的粒子數(shù)量；子系統(tǒng)在濾波過程中利用了其邊界狀態(tài)，保證跟蹤結(jié)果的準確性；不同的子系統(tǒng)在濾波過程中使用的狀態(tài)粒子不共享，可以選擇并行處理，保證目標跟蹤實時性。

如圖3所示，本發(fā)明基于并行模糊高斯和粒子濾波的目標跟蹤方法第二實施例，是在本發(fā)明基于并行模糊高斯和粒子濾波的目標跟蹤方法第一實施例的基礎(chǔ)上，步驟S2中為第s個子系統(tǒng)進行粒子濾波具體包括：

S21：對于第s個子系統(tǒng)，利用高斯和構(gòu)建上一目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)、觀測噪聲概率密度函數(shù)以及過程噪聲概率密度函數(shù)。

上一目標觀測時刻n的目標狀態(tài)后驗概率密度函數(shù)為G個第一高斯分布函數(shù)的加權(quán)和，具體定義為：

其中s＝1,2,…,S，S為傳感器系統(tǒng)中子系統(tǒng)的總數(shù)，為第g個第一高斯分布函數(shù)的均值，為第g個第一高斯分布函數(shù)的協(xié)方差，為第g個第一高斯分布函數(shù)的權(quán)值，g＝1,2,…,G。均值和協(xié)方差是利用當(dāng)前目標觀測時刻n+1之前第s個子系統(tǒng)對目標狀態(tài)的觀測結(jié)果而獲得的。

過程噪聲概率密度函數(shù)p(u_n)為K個第二高斯分布函數(shù)的加權(quán)和，具體定義為：

其中α_k為第k個第二高斯分布函數(shù)的權(quán)值，且為非負常數(shù)，同時滿足和分別表示第k個第二高斯分布函數(shù)的均值和協(xié)方差，k＝1,2,…,K；

觀測噪聲概率密度函數(shù)p(v_n)為L個第三高斯分布函數(shù)的加權(quán)和，具體定義為：

其中β_j為第j個第三高斯分布函數(shù)的權(quán)值，且為非負常數(shù)，同時滿足和分別表示第j個第三高斯分布函數(shù)的均值和協(xié)方差，j＝1,2,…,L。

S22：根據(jù)高斯-厄米特積分和蒙特卡羅原理，利用上一目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)、過程噪聲概率密度函數(shù)和邊界狀態(tài)獲取當(dāng)前目標觀測時刻的目標狀態(tài)預(yù)測概率密度函數(shù)。

本步驟和步驟S21共同對應(yīng)圖2中的時間更新部分。

根據(jù)貝葉斯定理和高斯-厄米特積分原理，對于第s個子系統(tǒng)，當(dāng)前目標觀測時刻n+1的目標預(yù)測概率密度函數(shù)可表示為：

假設(shè)改變積分變量則

應(yīng)用上述高斯-厄米特積分規(guī)則的同時，利用蒙特卡羅近似非線性的狀態(tài)轉(zhuǎn)移概率密度函數(shù)，式(29)的預(yù)測概率密度函數(shù)可以近似為：

進一步地，重新定義g'＝g+(k-1)K,G'＝GK,則式(30)可以寫為：

其中，表示均值為協(xié)方差為的高斯分布概率密度函數(shù)，表示從第一積分點概率密度函數(shù)中抽取的狀態(tài)粒子，表示從邊界狀態(tài)概率密度函數(shù)中抽取的邊界狀態(tài)粒子，u_l.i表示粒子相應(yīng)的權(quán)值，m表示高斯-厄米特積分點ξ_l的總數(shù)，N表示粒子個數(shù)。

根據(jù)式(28)-(31)，如圖4所示，本步驟具體包括以下子步驟：

S221：利用上一目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)和過程噪聲概率密度函數(shù)獲取第一積分點粒子集，利用邊界狀態(tài)獲取邊界狀態(tài)粒子集。

獲取第一積分點粒子集具體包括：

利用上一目標觀測時刻n的目標狀態(tài)后驗概率密度函數(shù)和過程噪聲概率密度函數(shù)p(u_n)獲取上一目標觀測時刻n的目標狀態(tài)后驗概率密度函數(shù)的每個第一高斯分布函數(shù)對應(yīng)的第一積分點

其中g(shù)’＝g+(k-1)K，g為第一高斯分布函數(shù)的序號，ξ_l為高斯-厄米特積分點，ξ_l對應(yīng)的權(quán)系數(shù)為l為高斯-厄米特積分點的序號，為過程噪聲概率密度函數(shù)p(u_n)的第k個第二高斯分布函數(shù)的均值，g＝1,2,…,G，k＝1,2,…,K，l＝1,2,…,m，m為高斯-厄米特積分點的總數(shù)。

根據(jù)高斯-厄米特積分原理，以第一積分點為均值，以第g個第一高斯分布函數(shù)的協(xié)方差為協(xié)方差，構(gòu)建上一目標觀測時刻n的第一積分點概率密度函數(shù)

利用第一積分點概率密度函數(shù)獲取對應(yīng)的第一積分點粒子集其中i＝1,2,…,N，N為第一積分點粒子集中粒子的總數(shù)，第一積分點粒子集

獲取邊界狀態(tài)粒子集具體包括：

第s個子系統(tǒng)在上一目標觀測時刻n收到m₁個子系統(tǒng)的邊界狀態(tài)邊界狀態(tài)概率密度函數(shù)為邊界狀態(tài)概率密度函數(shù)的均值和協(xié)方差分別為：

其中表示第s個子系統(tǒng)在上一目標觀測時刻n收到的第i₁個子系統(tǒng)的權(quán)值，其取值范圍為[0,1]且滿足

利用邊界狀態(tài)概率密度函數(shù)獲取邊界狀態(tài)粒子集其中

邊界狀態(tài)粒子集中的粒子總數(shù)與第一積分點粒子集的相同。對于不同的l和g’，邊界狀態(tài)粒子集相同。

第一積分點粒子集和邊界狀態(tài)粒子集組成第一近似粒子集。

S222：利用第一近似粒子集和第s個子系統(tǒng)的狀態(tài)方程獲取預(yù)測粒子集。

預(yù)測粒子集為其中為子系統(tǒng)的狀態(tài)轉(zhuǎn)移概率密度函數(shù)，可由式(7)所示的第s個子系統(tǒng)的狀態(tài)方程得到。

S223：利用預(yù)測粒子集獲取當(dāng)前目標觀測時刻的目標狀態(tài)預(yù)測概率密度函數(shù)。

利用預(yù)測粒子集獲取第一積分點對應(yīng)的當(dāng)前目標觀測時刻n+1的均值和協(xié)方差

利用均值和協(xié)方差獲取當(dāng)前目標觀測時刻n+1的目標狀態(tài)的共G’個第四高斯分布函數(shù)，其中G’＝K*G。第g’個第四高斯分布函數(shù)的均值和協(xié)方差為：

計算第g’個第四高斯分布函數(shù)的權(quán)值：

其中α_k為過程噪聲概率密度函數(shù)p(u_n)的第k個第二高斯分布函數(shù)的權(quán)值。

將G’個第四高斯分布函數(shù)的加權(quán)和作為當(dāng)前目標觀測時刻n+1的目標狀態(tài)預(yù)測概率密度函數(shù)

S23：利用當(dāng)前目標觀測時刻的目標狀態(tài)預(yù)測概率密度函數(shù)、觀測結(jié)果和觀測噪聲概率密度函數(shù)獲取多個高斯項及其權(quán)值。

本步驟對應(yīng)圖2中的權(quán)值計算和觀測更新部分。

本步驟具體包括：

利用當(dāng)前目標觀測時刻n+1的目標狀態(tài)預(yù)測概率密度函數(shù)獲取當(dāng)前目標觀測時刻n+1的目標狀態(tài)預(yù)測概率密度函數(shù)的每個第四高斯分布函數(shù)對應(yīng)的第二積分點

其中g(shù)’＝1,2,…,G’，j＝1,2,…,L。

為第二積分點構(gòu)建其重要性函數(shù)

利用重要性函數(shù)獲取第二積分點的第二近似粒子集其中

基于目標跟蹤的特點，為更好地對粒子間的不確定性進行度量，引入信息熵原理，利用最大熵模糊聚類原理計算得到粒子的模糊隸屬度，以代替粒子權(quán)值。

根據(jù)最大熵模糊聚類算法，為當(dāng)前目標觀測時刻n+1的觀測結(jié)果與第二近似粒子集中的粒子之間的模糊隸屬度，且滿足如下約束：

根據(jù)模糊聚類目標函數(shù)以及信息熵原理，在式(32)的約束下，定義如下目標函數(shù)：

其中α和λ均為拉格朗日乘子，m₂為加權(quán)指數(shù)，表示第二近似粒子集中的粒子與當(dāng)前目標觀測時刻n+1的觀測結(jié)果之間的歐氏距離。根據(jù)拉格朗日乘子法，最小化目標函數(shù)(33)，可得：

將上述模糊隸屬度作為第二近似粒子集中粒子的權(quán)值可得：

由高斯-厄米特積分規(guī)則可知，積分點權(quán)值通常為常數(shù)。在實驗中發(fā)現(xiàn)，存在大量的實際上遠離目標的預(yù)測位置的積分點，顯然，這些積分點對于目標狀態(tài)的更新基本上不起任何作用。因此，為了減少無效積分點在濾波過程中的作用，基于粒子權(quán)值和模糊加權(quán)指數(shù)，提出如下自適應(yīng)的積分點權(quán)值計算公式。定義第二積分點的權(quán)值為：

其中l(wèi)1＝1,2,…m。

利用第二近似粒子集及其中粒子的權(quán)值獲取第二積分點對應(yīng)的均值和協(xié)方差

利用第二積分點的權(quán)值均值和協(xié)方差獲取高斯項其中高斯項的均值和協(xié)方差分別為：

利用第二近似粒子集及其中粒子的權(quán)值和觀測噪聲概率密度函數(shù)p(v_n)獲取高斯項的權(quán)值

其中β_j為觀測噪聲概率密度函數(shù)p(v_n)的第l個第三高斯分布函數(shù)的權(quán)值。

S24：利用權(quán)值對高斯項進行重采樣，獲取其中權(quán)值最大的G個高斯項。

本步驟對應(yīng)圖2中的高斯項重采樣部分。

計算得到的高斯項共有G*K*L個，將這些高斯項按照權(quán)值的降序排列并獲取前G個高斯項及權(quán)值G為正整數(shù)，g＝1,2,…,G。

對于上述G個高斯項中的第g個，判斷其權(quán)值是否小于預(yù)設(shè)閾值若小于，則表示該高斯項的權(quán)值過小，修改該高斯項的均值為協(xié)方差為其中q為隨機提取，且q∈{1,...,G}，提取到q的概率正比于標準化權(quán)值若不小于，則保留該高斯項

為G個高斯項中的每一個高斯項執(zhí)行前一步驟，最終得到權(quán)值最大的G個高斯項。

S25：利用權(quán)值最大的G個高斯項獲取第s個子系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)。

當(dāng)前目標觀測時刻n+1的目標狀態(tài)后驗概率密度函數(shù)為均值為協(xié)方差為的高斯分布，其中均值和協(xié)方差分別為：

下面為對本發(fā)明基于并行模糊高斯和粒子濾波的目標跟蹤方法第二實施例提出的PGSQPF算法進行實驗驗證的結(jié)果。仿真平臺為Matlab7.8，操作系統(tǒng)為windows XP。

為了檢驗PGSQPF算法的可行性，本部分將討論在下列動態(tài)空間模型下PGSQPF的跟蹤性能。動態(tài)空間模型為如下形式：

其中，目標狀態(tài)向量為x_n、y_n分別表示為n時刻目標的位置，分別表示n時刻目標在x_n、y_n方向上的速度；采樣間隔設(shè)置為1s；過程噪聲u_n為一個混合高斯模型其中，R₁₁＝diag([0.01²km²s⁴0.01²km²s⁴]),R₁₂＝diag([0.03²km²s⁴0.03²km²s⁴])，α＝0.8。觀測噪聲v_n為一個零均值協(xié)方差為R＝diag([0.15²km²,0.15²km²])的高斯分布。目標初始狀態(tài)x₀的先驗密度服從其中，初始狀態(tài)x₀為[104.58km-0.144kms^-160.22km 0.066kms^-1]^T，初始估計和關(guān)聯(lián)協(xié)方差分別為雷達假設(shè)設(shè)在原點。

實驗得到的跟蹤效果圖如圖5所示，圖中不帶三角的線表示真實運動軌跡，帶三角的線表示使用PGSQPF算法的跟蹤結(jié)果。PGSQPF算法的均方根誤差隨粒子數(shù)變化的情況如表1所示。

表1

實驗結(jié)果表明，PGSQPF算法能夠有效的改善粒子濾波算法在并行和精度之間的矛盾，使之都有所提高。

如圖6所示，本發(fā)明基于并行模糊高斯和粒子濾波的目標跟蹤裝置第一實施例包括：

劃分模塊11，用于將傳感器系統(tǒng)劃分為多個子系統(tǒng)。

濾波模塊12，用于分別為每個子系統(tǒng)利用其邊界狀態(tài)對其在當(dāng)前目標觀測時刻對目標狀態(tài)的觀測結(jié)果使用模糊高斯和粒子濾波方法進行濾波，以獲取子系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)，其中不同的子系統(tǒng)在濾波過程中使用的狀態(tài)粒子不共享。

綜合模塊13，用于利用所有子系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)獲取傳感器系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)。

估計模塊14，用于利用傳感器系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)獲取當(dāng)前目標觀測時刻的目標狀態(tài)估計值。

如圖7所示，本發(fā)明基于并行模糊高斯和粒子濾波的目標跟蹤裝置第二實施例包括：處理器110和傳感器系統(tǒng)120。處理器110可以通過總線、局域網(wǎng)或互聯(lián)網(wǎng)耦接傳感器系統(tǒng)120。

處理器110控制基于并行模糊高斯和粒子濾波的目標跟蹤裝置的操作，處理器110還可以稱為CPU(Central Processing Unit，中央處理單元)。處理器110可能是一種集成電路芯片，具有信號的處理能力。處理器110還可以是通用處理器、數(shù)字信號處理器(DSP)、專用集成電路(ASIC)、現(xiàn)成可編程門陣列(FPGA)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件。通用處理器可以是微處理器或者該處理器也可以是任何常規(guī)的處理器等。

基于直覺模糊隨機森林的目標跟蹤裝置可以進一步包括存儲器(圖中未畫出)，存儲器用于存儲處理器110工作所必需的指令及數(shù)據(jù)，也可以存儲傳感器系統(tǒng)120觀測到的數(shù)據(jù)。

處理器110用于將傳感器系統(tǒng)120劃分為多個子系統(tǒng)；分別為每個子系統(tǒng)利用其邊界狀態(tài)對其在當(dāng)前目標觀測時刻對目標狀態(tài)的觀測結(jié)果使用模糊高斯和粒子濾波方法進行濾波，以獲取子系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)，其中不同的子系統(tǒng)在濾波過程中使用的狀態(tài)粒子不共享；利用所有子系統(tǒng)當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)獲取傳感器系統(tǒng)120當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)；利用傳感器系統(tǒng)120當(dāng)前目標觀測時刻的目標狀態(tài)后驗概率密度函數(shù)獲取當(dāng)前目標觀測時刻的目標狀態(tài)估計值。

本發(fā)明基于并行模糊高斯和粒子濾波的目標跟蹤裝置包括的各部分的功能可參考本發(fā)明基于并行模糊高斯和粒子濾波的目標跟蹤方法各對應(yīng)實施例中的描述，在此不再贅述。

以上所述僅為本發(fā)明的實施方式，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護范圍內(nèi)。