[发明专利]基于分层空间的RB化粒子滤波算法

说明书

技术领域

本发明涉及粒子滤波算法技术领域，具体涉及基于分层空间的RB化粒子滤波算 法。

背景技术

智能视频监控是计算机视觉领域一个新兴的应用方向和备受关注的前沿课题。伴 随网络技术和数字视频技术的飞速发展，监控技术正向着智能化、网络化方向不断前进。智 能视频监控在不需要人为干预情况下，利用计算机视觉和视频分析方法对摄像机拍录的图 像序列进行自动分析，实现对动态场景中目标的定位、识别和跟踪，并在此基础上分析和判 断目标的行为，从而既能完成日常管理又能在异常情况发生时及时做出反应。

粒子滤波是指，通过寻找一组在状态空间中传播的随机样本，对概率密度函数p (x_k|z_k)进行近似样本均值代替积分运算，从而获得状态的最小方差估计的过程。依据一定 原则选取n个随机样本，k时刻获得测量信息后，经过状态更新和时间更新过程，n个粒子的 后验概率密度近似为p(x_k|z_k)，随着粒子数目的增加，粒子的概率密度函数就逐渐逼近状态 的概率密度函数，粒子滤波器的估计就达到了最优贝叶斯估计的效果。但是随着粒子数目 的增加，会增加计算复杂度，在运算处理上面受到了很大的限制。

传统的粒子群滤波算法中，粒子滤波来源于贝叶斯抽样估计的SIS(Sequence ImportantSampling)方法，因此系统的状态方程和测量方程可以描述为：

x_k＝f_k(x_k-1，v_k-1)

z_k＝h_k(x_k，n_k)

其中{x_k，k∈N}是系统状态；f是状态转移函数；{v_k-1，k∈N}是平稳的噪声序列；z_k是观 测向量，它可以是时间延迟，也可以是波达方向；h_x是系统状态x_k的非线性(或线性)函数； {n_k，k∈N}是独立同分布的过程噪声序列。在目标监控里面是通过观测序列z_1:k＝{z_j，i＝ 1，…，k}，得到状态x_k的最优估计，从而实现目标的跟踪。

粒子滤波方法里面，重要性概率密度函数q(x)的选取很重要，因为其直接关系到 与后验概率密度的相关程度，从而决定采样效率。Doucet已经证明，最优的重要性概率密度 函数为q(x_k|x_k-1，z_1∶k)＝p(x_k|x_k-1，z_k)，但是在实际的应用中，p(x_k|x_k-1，z_k)的获取与直接 从后验概率密度函数中抽取样本同样困难。该算法通过多次迭代运算之后，许多后验概率 密度会作用于几乎没有作用的粒子更新上面，因此使得增强粒子的使用率成为急需要解决 的问题。

发明内容

本发明的目的是提供基于分层空间的RB化粒子滤波算法，它运用Rao-Blackwell 定理，通过引入边缘函数从而提高估计精度并实现无偏估计，然后利用分层空间的方法,与 粒子滤波结合可以在满足同等精度要求时，提高粒子的使用率，大大减少粒子所需的粒子 数目。

为了解决背景技术所存在的问题，本发明的算法如下：

步骤一、粒子初始化

根据目标运动模型先验概率p(m(O))选取N个粒子，记为m⁽ⁱ⁾(0).对应的权值根据目标的状态先验概率获得则初始状态集合可以定义为

步骤二、重要性采样

选取最优分布p(m(k)|m(k-1)，Z_1:k)作为重要性函数：

根据概率，可以得到根据重要性采样得到的新的粒子

步骤三、粒子权值计算

根据式更新粒子的权值得到w(k)∝w(k-1)p(Z(k)|m(k-1)，Z_1：k-1)；

步骤四、状态参数更新

根据每个粒子运动模型，采用交互式多模型得到