[发明专利]基于马尔科夫链蒙特卡洛粒子滤波的目标跟踪方法无效
申请号: | 201010142207.4 | 申请日: | 2010-04-09 |
公开(公告)号: | CN101819682A | 公开(公告)日: | 2010-09-01 |
发明(设计)人: | 杨萌;高伟;郝燕玲 | 申请(专利权)人: | 哈尔滨工程大学 |
主分类号: | G06T7/20 | 分类号: | G06T7/20;G06T1/00 |
代理公司: | 暂无信息 | 代理人: | 暂无信息 |
地址: | 150001 黑龙江省哈尔滨市南岗区*** | 国省代码: | 黑龙江;23 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 马尔科夫链蒙特卡洛 粒子 滤波 目标 跟踪 方法 | ||
技术领域
本发明提供的是一种函数跟踪方法,具体涉及融合了马尔科夫链蒙特卡洛移动步骤的粒子滤波方法(PF-MCMC)。
背景技术
非线性滤波方法目前广泛应用于信号处理以及导航制导、目标跟踪、金融分析、人工智能等相关领域。最早出现的非线性滤波算法是扩展卡尔曼滤波(EKF),EKF的核心思想是对随机系统的非线性模型作线性近似,而且其噪声是基于高斯假设的,因此对于强非线性非高斯模型的滤波效果不佳,在工程应用中,EKF仅对某些特定的模型有效,对于很多非线性系统不能保证收敛和滤波精度。无迹卡尔曼滤波(UKF)也是较为常用的一种非线性滤波算法,UKF无须将模型进行线性化,直接使用非线性模型,避免了局部线性化引入的误差,避免在强非线性系统中出现发散。但由于UKF也是基于高斯假设,所以在工程应用中的很多非高斯模型上很难取得理想的滤波效果。以非参数化的蒙特卡罗模拟方法为基础的粒子滤波(PF)可以有效的弥补EKF和UKF的不足,PF方法的核心是利用些随机样本(粒子)来表示系统随机变量的后验概率密度,能得到基于物理模型的近似最优数值解,而不是对近似模型进行最优滤波。
PF最常见的问题是粒子退化现象,即经过几次迭代,除一个粒子外,所有粒子都只具有微小的权值,这意味着大量的计算工作都被用来更新那些对后验概率密度的估计几乎没有影响的粒子上。解决该问题的一个关键技术是再采样策略,其基本思想是通过后验概率密度函数再采样N次,产生新的粒子集,由于再采样是独立同分布,粒子权值被重新设置为1/N,再采样带来的负面问题是样本贫化现象,即高权值的粒子被多次复制,采样结果中包含了很多重复点,不能有效的反应状态变量的概率分布,从而丧失了粒子的多样性,甚至会导致滤波发散。因此,一个好的再采样算法应该能够在增加粒子多样性和减少小权值粒子数目之间进行有效平衡。
马尔可夫链蒙特卡罗(MCMC)算法是一种利用马尔科夫链无记忆性的随机模拟方法。其基本思想是:构造一条非周期、不可约的马尔科夫链(X0,X1,X2…),并且它有不变分布π,当这一马尔科夫链迭代次数接近无穷大时,得到的Xn的分布可以无限接近π。利用这种方法我们可以找到一条以P为不变分布的马尔科夫链,进而可以得到近似服从P的随机样本。MCMC方法主要应用在下面几个方面:用于生成比较复杂的随机数,可以实现对高维分布的采样,也是重要性采样的一种方法;实现高维积分的数值计算;用被估参数的贝叶斯分布的采样来估计参数;求复杂样本空间上函数的极值(模拟退火)。
发明内容
本发明的目的在于提供一种能提高滤波精度,改善粒子多样性的基于马尔科夫链蒙特卡洛粒子滤波的目标跟踪方法。
本发明的目的是这样实现的:
主要包括如下步骤:
第一步,初始化粒子,并设置其初始的均值和方差。
第二步,使用UKF/SSUKF或混合建议分布更新粒子:
通过标准无迹粒子滤波算法(UKF)或基于超球面采样的无迹粒子滤波(SSUKF)进行重要性采样即通过UKF/SSUKF获得粒子集的均值和方差Pki,从UKF/SSUKF结果中采样产生N个粒子。
混合建议分布即通过UKF/SSUKF得到的分布产生一部分粒子,剩余粒子由先验分布产生。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于哈尔滨工程大学,未经哈尔滨工程大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201010142207.4/2.html,转载请声明来源钻瓜专利网。