[发明专利]一种辅助截断粒子滤波方法、装置及目标跟踪方法及装置

说明书

本发明公开了一种辅助截断粒子滤波方法、装置及目标跟踪方法及装置。该辅助截断粒子滤波方法包括：利用原始先验概率密度函数作为第一重要性密度函数进行粒子滤波以获取与目标状态对应的第一均值和第一协方差值；在原始先验概率密度函数中，利用截断理论引入当前观测信息和目标特性信息以构建修正先验概率密度函数；利用修正先验概率密度函数作为第二重要性密度函数进行粒子滤波以获取与目标状态对应的第二均值和第二协方差值；根据目标状态估计权值分别对第一均值和第二均值、第一协方差值和第二协方差值进行加权处理以获取与目标状态对应的后验概率密度函数，完成粒子滤波过程。通过上述方式，本发明能够提高粒子滤波的准确性和实时性，从而解决非线性非高斯环境下目标机动带来目标模型不确定情况下的快速目标跟踪问题。

技术领域

本发明涉及非线性滤波领域，特别是涉及一种辅助截断粒子滤波方法、装置及目标跟踪方法及装置。

背景技术

粒子滤波作为一种最优处理非线性非高斯问题的有效方法，目前已被广泛应用于各类非线性滤波领域，如图像监控、目标定位与跟踪、环境监测等领域。在估计性能上，粒子滤波优于现在应用最广泛的扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)，以及由它们衍生出来的很多不同滤波方法，如迭代扩展卡尔曼滤波(IEKF)、高斯厄米特滤波(GHF)、积分卡尔曼滤波(QKF)。在对非线性问题的处理能力上，粒子滤波适用于任何能用状态空间模型表示的非线性非高斯系统，以及传统卡尔曼滤波无法表示的非线性非高斯系统，而且对系统状态维数不敏感，因此它在复杂的实际系统中具有更广阔的应用前景。但是，粒子滤波也存在着自身的一些缺陷，比如粒子的退化、计算量巨大、实时性差等，影响和制约了它的发展。

为了避免粒子退化，粒子滤波都需要对粒子进行重采样，然而这样会影响算法的并行功能。由此，为了提高执行效率，一类免重采样的粒子滤波方法开始逐渐发展起来，如高斯粒子滤波(GPF)，拟蒙特卡罗-高斯粒子滤波(QMC-GPF)等。但是，在目标运动模型和观测模型不确定时，该类粒子滤波的滤波性能就变差，且在目标机动时，预测误差增大更加明显，从而导致目标状态先验分布的方差增大，降低目标跟踪性能。另一类粒子滤波方法，如截断无迹卡尔曼滤波(TUKF)，采样一种修正的先验概率密度函数对目标状态进行更新，当观测信息比较精确时，具有很好的跟踪性能。不足之处在于当观测信息不精确或非线性较强时，跟踪性能下降，而且该种滤波方法要求观测函数具有唯一的反函数，使得该种滤波方法不能应用于被动目标跟踪。

发明内容

本发明主要解决的技术问题是提供一种辅助截断粒子滤波方法、装置及目标跟踪方法及装置，能够提高粒子滤波的准确性和实时性，从而解决非线性非高斯环境下目标机动带来目标模型不确定情况下的快速目标跟踪问题。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种辅助截断粒子滤波方法，该方法包括：利用原始先验概率密度函数作为第一重要性密度函数进行粒子滤波以获取与目标状态对应的第一均值和第一协方差值；在原始先验概率密度函数中，利用截断理论引入当前观测信息和目标特性信息以构建修正先验概率密度函数；利用修正先验概率密度函数作为第二重要性密度函数进行粒子滤波以获取与目标状态对应的第二均值和第二协方差值；根据目标状态估计权值分别对第一均值和第二均值、第一协方差值和第二协方差值进行加权处理以获取与目标状态对应的后验概率密度函数，完成粒子滤波过程。

其中，利用原始先验概率密度函数作为第一重要性密度函数进行粒子滤波以获取与目标状态对应的第一均值和第一协方差值的步骤包括：从第一重要性密度函数中提取第一粒子集；获取第一粒子集中每个粒子对应的第一权值；对每个第一权值进行标准化处理；根据标准化处理后的第一权值以及与第一权值对应的粒子获取与目标状态对应的第一均值和第一协方差值。