[发明专利]基于并行模糊高斯和粒子滤波的目标跟踪方法及装置

说明书

本发明公开了一种基于并行模糊高斯和粒子滤波的目标跟踪方法，包括：将传感器系统划分为多个子系统；分别为每个子系统利用其边界状态对其在当前目标观测时刻对目标状态的观测结果使用模糊高斯和粒子滤波方法进行滤波，以获取子系统当前目标观测时刻的目标状态后验概率密度函数，其中不同的子系统在滤波过程中使用的状态粒子不共享；利用所有子系统当前目标观测时刻的目标状态后验概率密度函数获取传感器系统当前目标观测时刻的目标状态后验概率密度函数；利用传感器系统当前目标观测时刻的目标状态后验概率密度函数获取当前目标观测时刻的目标状态估计值。本发明还公开了一种目标跟踪装置。通过上述方式，本发明能保证跟踪结果的准确性和实时性。

技术领域

本发明涉及目标跟踪领域，特别是涉及一种基于并行模糊高斯和粒子滤波的目标跟踪方法及装置。

背景技术

目前，随着大范围监视任务需求的加大，利用大量传感器组网的大规模传感器系统及其相关关键技术的研究日益受到各国的重视。实践证明，大规模传感器组网不仅可以有效扩大传感器系统的观测距离，实现大范围的有效覆盖，且受气象条件影响小，能够有效对复杂环境下的目标进行可靠监视。然而，大规模传感器系统覆盖范围广，监视目标多，数据处理量大，对系统的通信需求和数据处理能力要求很高。为解决这一难题，研究者提出了许多有效的非线滤波方法，如分布式扩展卡尔曼滤波、分布式无损卡尔曼滤波，这些方法操作简单、实施比较容易，但对复杂的非线性非高斯环境时，滤波跟踪性能下降，并不能满足大规模被动传感器系统实际应用的要求。

粒子滤波由于适用于任何能用状态空间模型表示的非线性非高斯系统，且对系统状态维数不敏感，成为当前非线性滤波研究的热点。但是，粒子滤波算法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，特别是应用到大规模传感器系统，处理非周期、稀疏性大规模观测数据时，性能明显下降。

发明内容

本发明主要解决的技术问题是提供一种基于并行模糊高斯和粒子滤波的目标跟踪方法及装置，能够解决现有技术中的粒子滤波方法处理非周期、稀疏性大规模观测数据时性能下降的问题。

为了解决上述技术问题，本发明采用的一个技术方案是：提供一种基于并行模糊高斯和粒子滤波的目标跟踪方法，包括：将传感器系统划分为多个子系统；分别为每个子系统利用其边界状态对其在当前目标观测时刻对目标状态的观测结果使用模糊高斯和粒子滤波方法进行滤波，以获取子系统当前目标观测时刻的目标状态后验概率密度函数，其中不同的子系统在滤波过程中使用的状态粒子不共享；利用所有子系统当前目标观测时刻的目标状态后验概率密度函数获取传感器系统当前目标观测时刻的目标状态后验概率密度函数；利用传感器系统当前目标观测时刻的目标状态后验概率密度函数获取当前目标观测时刻的目标状态估计值。

其中，为子系统利用其边界状态对其在当前目标观测时刻对目标状态的观测结果使用模糊高斯和粒子滤波方法进行滤波包括：对于子系统，利用高斯和构建上一目标观测时刻的目标状态后验概率密度函数、观测噪声概率密度函数以及过程噪声概率密度函数；根据高斯-厄米特积分和蒙特卡罗原理，利用上一目标观测时刻的目标状态后验概率密度函数、过程噪声概率密度函数和边界状态获取当前目标观测时刻的目标状态预测概率密度函数；利用当前目标观测时刻的目标状态预测概率密度函数、观测结果和观测噪声概率密度函数获取多个高斯项及其权值；利用权值对高斯项进行重采样，获取其中权值最大的G个高斯项，其中G为正整数；利用权值最大的G个高斯项获取子系统当前目标观测时刻的目标状态后验概率密度函数。

其中，对于第s个子系统，利用高斯和构建的上一目标观测时刻n的目标状态后验概率密度函数为G个第一高斯分布函数的加权和，具体定义为：

其中s＝1,2,…,S，S为传感器系统中子系统的总数，为第g个第一高斯分布函数的均值，为第g个第一高斯分布函数的协方差，为第g个第一高斯分布函数的权值，g＝1,2,…,G，均值和协方差是利用当前目标观测时刻n+1之前第s个子系统对目标状态的观测结果而获得的；