[发明专利]一种基于最大互相关熵容积粒子滤波的目标跟踪方法

说明书

本发明提供一种基于最大互相关熵容积粒子滤波的目标跟踪方法，采用最大互相关熵容积粒子滤波算法，完成目标跟踪过程中的状态估计问题。在目标跟踪过程中，首先将目标跟踪的状态方程和量测方程重构成非线性递归模型，利用最大互相关熵准则进行处理；然后在标准粒子滤波(Particle Filter,PF)的框架中采用MCCKF产生PF中所需的重要性概率密度函数，然后按照PF的算法流程获取对跟踪目标状态的估计，从而实现对目标的实时跟踪。本发明的目标跟踪方法在量测噪声出现野值的目标跟踪中，能够获得比现有的粒子滤波、改进粒子滤波以及鲁棒滤波更加优越的性能。

技术领域

本发明涉及一种基于最大互相关熵容积粒子滤波的目标跟踪方法，属于非线性鲁棒滤波及目标跟踪技术领域。

背景技术

利用雷达对目标进行观测时，由于目标跟踪传感器的误差等原因使得量测噪声受到污染，常常会出现观测野值的情况，使得量测噪声不再服从高斯分布，这会导致传统的非线性滤波算法精度下降甚至发散，因此需要使用针对量测野值的非线性鲁棒滤波。

针对量测噪声出现野值的情况，人们提出了高斯和滤波(Gaussian Sum Filter,GSF)、基于Huber技术的无迹粒子滤波(Huber Unscented Particle Filter,HRUPF)以及基于Student's t方法的野值鲁棒容积卡尔曼滤波(Outlier Robust Cubature KalmanFilter,ORCKF)。但是使用GSF要求噪声的概率密度分布提前已知，这在实际工程应用中很难实现；HRUPF由于其影响函数在影响参数γ超过1.345之后不会回降，会导致估计性能下降；而ORCKF只能用于系统噪声协方差和量测噪声协方差较小的情况。为此，人们提出了一种新的用于解决量测噪声野值的方法，即基于互相关熵的非线性鲁棒滤波方法，例如最大互相关熵卡尔曼滤波(Maximum Correntropy Kalman Filter,MCKF)和最大互相关熵无迹卡尔曼滤波(Maximum Correntropy Unscented Kalman Filter,MCUKF)。与传统方法相比，互相关熵可以捕获更高阶的统计信息而不是通常的二阶统计信息，因此能获得更好的估计结果。然而，目前人们在目标跟踪领域内应用的最大互相关熵滤波MCUKF只适用于高斯噪声情况下，在非高斯噪声情况下，这种方法不再适用。

发明内容

本发明的目的是为了提供一种基于最大互相关熵容积粒子滤波的目标跟踪方法，能够在量测噪声有野值的情况下能获得比现有跟踪方法更高的跟踪精度。

本发明的目的是这样实现的：步骤如下：

步骤一：建立描述目标跟踪系统的状态方程和观测方程如下：

其中：k-1表示第k-1时刻，k表示第k时刻，x_k为第k时刻的n维跟踪目标参数的状态向量，z_k为第k+1时刻的m维跟踪目标参数的量测向量，f(·)和h(·)为已知的非线性函数，w_k-1为第k-1时刻的n维系统噪声，v_k为第k时刻的m维量测噪声，假设系统噪声服从高斯分布w_k-1～N(0,Q_k-1)，量测噪声中含有野值，服从混合高斯分布v_k～μN(0,R_k)+δN(0,λR_k)；Q_k-1和R_k分别为过程噪声w_k-1和量测噪声v_k的协方差矩阵，q～N(μ,Σ)表示随机向量q服从均值为μ方差为Σ的高斯分布，μ,δ,λ是表征野值的参数，并且w_k-1与v_k不相关；

步骤二：初始化，通过经验选择核宽度σ并从已知的先验分布中随机抽取N个初始粒子，并设置它们的权值为1/N；