[发明专利]一种基于多重渐消因子的自适应目标跟踪滤波方法

说明书

一种基于多重渐消因子的自适应目标跟踪滤波方法，属于目标跟踪领域，具体涉及一种自适应目标跟踪滤波方法。本发明包括：步骤一，建立运动目标的状态模型和量测模型；步骤二，初始化运动状态向量和状态误差协方差矩阵，计算目标运动状态向量预测值、量测向量预测值、新息、新息协方差和新息协方差的估计值；步骤三，计算指数加权因子和多重渐消因子；步骤四，计算状态预测协方差矩阵、卡尔曼增益、滤波值和滤波协方差；步骤五，重复执行步骤二～步骤四，直到目标跟踪结束。本发明渐消因子的计算简单，可以在系统模型未知或噪声统计信息不准确的情况下防止滤波器发散，提高了目标跟踪精度。本发明可运用于雷达目标跟踪。

技术领域

本发明涉及一种自适应目标跟踪滤波方法，属于目标跟踪领域。

背景技术

在目标跟踪领域，卡尔曼滤波是应用最为广泛的跟踪滤波算法。卡尔曼滤波器通过对运动目标运动过程和传感器测量过程进行建模，获得在最小均方误差意义下对目标运动状态的最优估计。然而，卡尔曼滤波器只有在其数学模型确知的条件下才是最佳的。卡尔曼滤波器数学模型的建立包括建立状态方程、量测方程和确定初始状态估计、初始协方差、确定过程噪声和量测噪声的统计特性。但是在实际应用中，要精确建立滤波模型是相当困难的，而且运动目标的噪声统计特性也有可能随时间发生变化。在滤波模型与实际过程的数学模型不匹配时，会使滤波器精度下降，严重时会导致滤波器发散。为了防止滤波器发散，必须对卡尔曼滤波器进行调整。

因此，将卡尔曼滤波器应用于实际问题时，主要的工作就是建立滤波数学模型和寻求适用的调整算法。目前常用的方法有衰减记忆滤波、限定记忆滤波、自适应滤波以及上述方法的一系列组合。其中，自适应渐消记忆滤波器采用渐消因子来抑制滤波器的记忆长度，以便充分利用现时的观测数据，减小陈旧量测值的影响，因此渐消滤波的关键在于渐消因子的确定。然而，目前的算法中渐消因子的自适应估计公式较为复杂，而且算法通常引入的渐消因子是标量的单渐消因子，P(k+1|k)的各个通道仅具有相同的调节能力，目标跟踪精度较差。另外，在少数采用多重渐消因子的方案中，只将P(k+1|k)中与量测向量相关的通道乘以渐消因子，其他通道简单的置1不做调整，而没有充分利用目标运动状态向量各个方向元素之间的关系，即P(k+1|k)各个通道间的相关性，无法同时提高目标在各个维度的跟踪精度。

发明内容

本发明为解决现有技术存在的渐消因子的自适应估计较为复杂、目标跟踪精度较差的问题，提供了一种基于多重渐消因子的自适应目标跟踪滤波方法。

本发明所述一种基于多重渐消因子的自适应目标跟踪滤波方法，通过以下技术方案实现：

步骤一，建立运动目标的状态模型和量测模型，将状态模型的运动状态标记为N维的运动状态向量X，量测模型的量测值标记为M维的量测向量Z，根据运动模型获得状态误差协方差矩阵P和过程噪声协方差矩阵Q，根据量测模型获得量测噪声协方差矩阵R；

步骤二，获得第k时刻的运动状态向量X(k)、状态误差协方差矩阵P(k)，按照卡尔曼递推公式计算运动目标在第k+1时刻的运动状态向量预测值量测向量预测值并计算得到第k+1时刻的目标的新息协方差S(k+1)；根据第k+1时刻目标的量测向量Z(k+1)计算第k+1时刻新息v(k+1)，并由v(k+1)得到第k+1时刻新息协方差的估计值

步骤三，计算第k+1时刻的指数加权因子根据和S(k+1)计算得到第k+1时刻多重渐消因子λ(k+1)；

步骤四，通过第k+1时刻多重渐消因子λ(k+1)计算第k+1时刻的状态预测协方差矩阵P(k+1|k)，并得到第k+1时刻的卡尔曼增益K(k+1)，最终得到目标在第k+1时刻的滤波值和滤波协方差P(k+1|k+1)；

步骤五，使k＝k+1，判断目标跟踪是否结束，如果没有结束那么返回执行步骤二～步骤四，如果结束则完成所述目标跟踪滤波方法。

本发明与现有技术相比较，最为突出的特点和显著的有益效果是：