[发明专利]一种基于多尺度维分解的目标跟踪方法

说明书

技术领域

本发明涉及的是一种目标跟踪领域的跟踪方法。

背景技术

基于单个传感器的目标跟踪由于其简单实用、经济性好得到了广泛的应用。但是，由于现在越来越复杂的目标环境和其本身结构的限制，单个传感器的跟踪精度、可靠性、稳定性都受到了一定的限制。因此，急需发展新的跟踪算法。

发明内容

本发明的目的在于提供能够在各种复杂环境下有效、准确、可靠、稳定的一种基于多尺度维分解的目标跟踪方法。

本发明的目的是这样实现的：

本发明一种基于多尺度维分解的目标跟踪方法，其特征是：

(1)选用小波基函数将目标角度或者航迹的量测数据分解到尺度上；

(2)在每个尺度的低频子空间上采用EKF算法对量测数据进行预测和滤波，得到不同尺度上目标的粗跟踪结果：

传感器通过获得视线角信号捕获目标和实现精确跟踪，Kalman Filter-KF滤波器即EKF同时工作，得到第k时刻目标与传感器相对运动状态量的估计值

当在第时刻传感器失去目标后，通过扩展EKF滤波得到时刻观测量的估值

如果系统状态方程为线性，即：

其中，X(k)为k时刻的n维状态矢量，也是被估计矢量；为k到时刻的一步转移矩阵(nλn阶)；W(k)为k时刻的系统噪声；为k时刻的系统噪声的加权；是量测噪声的加权；为k时刻的m维量测噪声；

如果观测方程为非线性，即：

先将观测方程在最优状态处进行Taylor展开，保留低阶展开项如下，

令并设展开式中高阶微小量为零均值的高斯白噪声，得到线性化的观测方程：

其中，是的一步最优预测，并且满足

也是均值为零，与是不相关的高斯白噪声，并且满足

同样：

EKF算法的递推公式可列写如下：

其中：

初值：

由小波理论：通过一个脉冲响应为h(l)的低通滤波器可以从尺度i上获得尺度i-1上的低频子空间(平滑)信号通过一个脉冲响应为g(l)的高通滤波器可以获得尺度i-1上的高频子空间(细节)信号

根据上述方程将状态方程和量测方程从尺度i分解到尺度i-1，得到的尺度i-1下的状态方程和量测方程为(G(i，k)取单位矩阵)：

其中：

得到i-1尺度上的状态方程和量测方程后，采用EKF算法进行尺度i-1上的时间更新和量测更新，从而得到尺度i-1上的最终滤波状态估计值和协方差估计值

将得到的尺度i-1上的最终滤波状态估计值和协方差估计值作为尺度i-2上的EKF滤波时的状态预测值与误差协方差预测值进行时间更新和量测更新，得到此尺度上的滤波状态估计值和误差协方差估计值从而分别得到不同尺度上的滤波状态估计值和误差协方差估计值；

(3)在不同尺度的高频子空间上采用小波阈值算法，进一步去除噪声和野值的影响；

(4)通过小波重构算法融合不同尺度上的跟踪数据，得到目标的精确跟踪数据。

本发明的优势在于：本发明是能够在各种复杂环境下有效、准确、可靠、稳定的目标跟踪方法，利用FPGA的并行处理结构实现多尺度EKF算法，小波分解和重构、不同尺度上的EKF算法和小波阈值去噪都是同时进行的，保证了对目标跟踪的实时性。

附图说明

图1为本发明的目标跟踪装置的实现框图；

图2为本发明的流程图；

图3为本发明的多尺度EKF跟踪算法的流程图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：