一種用于目標跟蹤的強跟蹤容積卡爾曼濾波方法
【專利摘要】該發(fā)明公開了一種用于目標跟蹤的強跟蹤容積卡爾曼濾波方法，屬于目標跟蹤領(lǐng)域，涉及一種基于強跟蹤的容積卡爾曼濾波器的機動目標跟蹤方法。首先建立離散非線性動態(tài)系統(tǒng)模型；然后進行系統(tǒng)初始化；進行時間更新，引入時變漸消因子λk；再進行量測更新；最后進行濾波更新。該方法將時變漸消因子引入到容積卡爾曼濾波器中，使算法不僅具有了容積卡爾曼濾波器實現(xiàn)簡單，濾波精度高的優(yōu)點，同時也具有了強跟蹤濾波器應(yīng)對系統(tǒng)突變的實時跟蹤能力。
【專利說明】一種用于目標跟蹤的強跟蹤容積卡爾曼濾波方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于目標跟蹤領(lǐng)域，涉及一種基于強跟蹤的容積卡爾曼濾波器（Cubature KalmanFilterbasedonStrongTracking，ST-CKF)的機動目標跟蹤方法。

【背景技術(shù)】
[0002] 隨著科技的不斷發(fā)展，各種新的技術(shù)手段被應(yīng)用到目標跟蹤技術(shù)中來，但是應(yīng)用 環(huán)境也越來越復(fù)雜，如何快速提高目標跟蹤算法成為亟待解決的問題。濾波算法與數(shù)據(jù)關(guān) 聯(lián)算法是機動目標跟蹤中的核心和難點，本發(fā)明著重對非線性濾波算法進行了研究。然而， 非線性濾波算法廣泛存在于工程應(yīng)用領(lǐng)域中?，F(xiàn)在所用的許多傳感器，如紅外，電子支援措 施，被動聲吶等，都是被動探測系統(tǒng)，被動探測系統(tǒng)具有隱蔽性高，能夠獲得目標特點多等 優(yōu)點，可以極大程度的提高系統(tǒng)的抗干擾能力和生存能力，但是由于在被動探測條件下主 要涉及非線性濾波技術(shù)，因此想要得到對目標狀態(tài)的精確估計，就需要使用高效的非線性 濾波技術(shù)。
[0003] 近年來提出的容積卡爾曼濾波器（CubatureKalmanFilter,CKF)，采用一組等權(quán) 值的容積點計算貝葉斯濾波的積分問題，即通過數(shù)量為兩倍狀態(tài)維數(shù)的等權(quán)值容積點來傳 播系統(tǒng)狀態(tài)的均值和方差，可以獲得較高的濾波精度。使用CKF逼近非線性分布的概率分 布后，其精度優(yōu)于不敏卡爾曼濾波器（UnscentedKalmanFilter，UKF)。CKF避免了對非線 性系統(tǒng)進行線性化，此外，與UKF不同，其容積點及權(quán)值由狀態(tài)向量維數(shù)唯一確定，不需要 通過仔細的調(diào)整參數(shù)來改善估計精度。但是，當模型不匹配，或目標狀態(tài)發(fā)生突變時，CKF仍 不能很好的對目標運動狀態(tài)進行跟蹤。
[0004] 為了解決上述問題，本發(fā)明在上述CKF的基礎(chǔ)上同樣的引入了時變漸消因子，提 出了一種新的非線性濾波算法--基于強跟蹤的容積卡爾曼濾波器（ST-CKF)。在該算法 中，時變漸消因子的引入，使該算法可以實時的調(diào)整預(yù)測誤差協(xié)方差，當殘差較大時，時變 漸消因子的引入可以減少老數(shù)據(jù)對當前濾波的影響，從而達到根據(jù)殘差調(diào)整濾波器增益的 目的，提高了濾波器的實時跟蹤能力及針對目標突變的反應(yīng)能力。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明主要解決的是：針對容積卡爾曼濾波算法應(yīng)對模型不準，噪聲統(tǒng)計特性不 準確，或目標狀態(tài)突然變化能力不強的問題，提出了一種用于目標跟蹤的強跟蹤容積卡爾 曼濾波方法。該方法將時變漸消因子引入到容積卡爾曼濾波器中，使算法不僅具有了容積 卡爾曼濾波器實現(xiàn)簡單，濾波精度高的優(yōu)點，同時也具有了強跟蹤濾波器應(yīng)對系統(tǒng)突變的 實時跟蹤能力。
[0006] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種用于目標跟蹤的強跟蹤容積卡 爾曼濾波方法，實現(xiàn)步驟如下：首先建立離散非線性動態(tài)系統(tǒng)模型；然后進行系統(tǒng)初始化； 進行時間更新，引入時變漸消因子Ak;再進行量測更新；最后進行濾波更新。具體包括以 下步驟：
[0007] 步驟1 :根據(jù)回波數(shù)據(jù)建立離散非線性動態(tài)系統(tǒng)模型：
[0008] xk =f(xk_!) +wk_!
[0009]zk =h(xk) +vk
[0010]其中，xk為k時刻的狀態(tài)向量,維數(shù)為n,同理xk_i為k-1時刻的狀態(tài)向量,維數(shù)為 n，zk為k時刻的量測值，Wh和vk分別為過程噪聲和量測噪聲，兩者相互獨立，協(xié)方差矩陣 分別為Qh和Rk，f(Xg)為Xg與k時刻狀態(tài)轉(zhuǎn)移矩陣的乘積，h(xk)為xk與k時刻量測矩 陣的乘積；
[0011] 步驟2 :進行系統(tǒng)初始化：
[0012] 初始化系統(tǒng)參數(shù)包括：狀態(tài)變量初始值協(xié)方差矩陣P+，協(xié)方差矩陣平方根 S0|0 =chol(Pqi。），即P()|〇 =S_S師；
[0013] 步驟3 :進行時間更新，引入時變漸消因子xk如下：
[0014] 對于k= 1，2,…，利用Spherical-Radial求容積規(guī)則，獲得基本容積點為：

【權(quán)利要求】
1. 一種用于目標跟蹤的強跟蹤容積卡爾曼濾波方法，該方法包括以下步驟： 步驟1:根據(jù)回波數(shù)據(jù)建立離散非線性動態(tài)系統(tǒng)模型：xk - f (Xh) +Wk_i zk = h (xk) +vk 其中，xk為k時刻的狀態(tài)向量,維數(shù)為n,同理xk_i為k-1時刻的狀態(tài)向量,維數(shù)為n,zk 為k時刻的量測值，Wh和vk分別為過程噪聲和量測噪聲，兩者相互獨立，協(xié)方差矩陣分別 為Qh和Rk，fUh)為&與k時刻狀態(tài)轉(zhuǎn)移矩陣的乘積，h(xk)為xk與k時刻量測矩陣的 乘積； 步驟2 :進行系統(tǒng)初始化： 初始化系統(tǒng)參數(shù)包括：狀態(tài)變量初始值X+，協(xié)方差矩陣P〇|〇,協(xié)方差矩陣平方根S+ =chol (P〇|〇)
步驟3 :進行時間更新，引入時變漸消因子Ak如下： 對于k= 1，2,…，利用Spherical-Radial求容積規(guī)貝U，獲得基本容積點為：
,各容積點對應(yīng)權(quán)值為
j= 1，...m，其中m表示容積點個數(shù)，為狀態(tài)維 數(shù)的2倍，[1\表示容積點集的第j個元素；
其中，（」表示第j個元素的容積點，X」，表示第j個元素的k-1時刻的狀態(tài)變量 值，表示k-1時刻新息過程的自相關(guān)矩陣，；IM|W表示k-1時刻的狀態(tài)估計值；
其中，
表示第j個元素的k-1時刻到k時刻的狀態(tài)預(yù)測值； 求出
，再得到
再引入時變漸消因子Ak，得到
其中Pk|lrl表示一步預(yù)測協(xié)方差矩陣，Qh表示第k一 1時刻過程噪聲的協(xié)方差矩陣； 所述步驟3中Ak為時變漸消因子，其相應(yīng)計算方法如下： 首先令E[y(k+l+j)YT(k+l)] =0,強迫殘差序列保持正交性，y(k)為k時刻的新息 向量； 其中
其中，
且
，式中，H(k)是量測矩陣，F(xiàn)(k)是狀態(tài) 轉(zhuǎn)移矩陣，Sjk)是殘差協(xié)方差矩陣，且
，其 中，0〈P彡1是遺忘因子，一般取P=0.95邛彡1為弱化因子，其目的是使狀態(tài)估計更 為平滑，可根據(jù)經(jīng)驗值來選定。 步驟4 :進行量測更新如下（k-1時刻的基礎(chǔ)上更新k時刻的參數(shù)）： 首先計算出
得到預(yù)測量測為
預(yù)測協(xié)方差為：
量測和狀態(tài)向量的交互協(xié)方差為：
步驟5 :進行濾波更新如下，k-1時刻的基礎(chǔ)上更新k時刻的參數(shù)： 計算濾波器增益為：
其中，Wk為k時刻的濾波器增益，為k時刻量測和狀態(tài)向量的交互協(xié)方差， 為k時刻的狀態(tài)估計值，為k時刻的狀態(tài)預(yù)測值，zk為k時刻的量測值，為k時刻 的量測預(yù)測值估計值，Pk|k為k時刻的狀態(tài)協(xié)方差矩陣，為k時刻的估計狀態(tài)協(xié)方差矩 陣，Pzz，kh為k時刻的預(yù)測狀態(tài)協(xié)方差矩陣； 步驟6 :分別輸出目標的X和Y方向位置均方根誤差。
【文檔編號】G06T5/00GK104408744SQ201410654687
【公開日】2015年3月11日 申請日期:2014年11月17日 優(yōu)先權(quán)日:2014年11月17日
【發(fā)明者】于雪蓮, 周云, 崔明雷, 錢璐, 張存 申請人:電子科技大學(xué)