[发明专利]一种贝叶斯滤波目标跟踪算法

说明书

本发明公开了一种贝叶斯滤波目标跟踪算法，本发明方法第一步，由k‑1时刻的目标状态最优估计通过运动模型得到下一个时刻的目标状态一步预测估计；第二步，由雷达观测站获得k时刻目标的观测值后采用随机变量固定点采样非线性变换方法将目标相对于雷达的距离信息和角度信息转化为目标的笛卡尔坐标位置信息；第三步，将目标状态一步预测先验信息和雷达观测反向估计似然函数两部分信息，通过本发明的概率似然乘积规则进行乘积融合最终得到k时刻目标状态的后验估计，储存目标状态后更新时刻并进入下一轮迭代，本发明具有精度更高、鲁棒性更好、算法结构更简明的特点，在雷达、多传感器、机动和多目标跟踪方面具有很高的实用价值。

技术领域

本发明涉及一种贝叶斯滤波目标跟踪算法，属于目标跟踪领域。

背景技术

目标跟踪在军事和民用领域都具有广泛的应用，如空中监视、卫星和飞船跟踪以及智能交通和视频监控等。目标跟踪问题实质上是一个状态估计问题，其核心是滤波算法。

根据动态系统空间模型的不同，可将滤波问题分为线性滤波和非线性滤波。上世纪七十年代，卡尔曼滤波器成功的被应用于目标跟踪领域，作为目标跟踪领域最经典的线性滤波算法，在线性高斯情况下，卡尔曼滤波器的滤波结果在最小方差，最大似然等准则下都是最优的。利用克拉美罗下限可以证明，本发明在线性高斯情况下跟卡尔曼滤波精度一致。面对非线性滤波问题，近三十年来，大量学者和专家提出了许多有效的非线性滤波算法，最著名的有扩展卡尔曼滤波(extended Kalman filter，EKF)、无迹卡尔曼滤波(Unscented Kalman filter，UKF)、粒子滤波(Particle filter，PF)，但它们都存在一些问题，如扩展卡尔曼滤波算法存在线性化精度较低和需要计算复杂的雅可比矩阵；一般无迹卡尔曼滤波算法存在计算繁琐、滤波发散甚至失真的问题，粒子滤波存在计算量大和权值退化的问题。

所以寻找新的、滤波精度高的、鲁棒的、简明高效目标跟踪算法一直是研究人员努力的方向。

发明内容

鉴于传统非线性滤波器存在的问题，本发明的目的在于提供一种贝叶斯滤波目标跟踪算法，本算法是一种在贝叶斯滤波框架下不同于卡尔曼体系的新的滤波方法，用以提高滤波的精度和鲁棒性。本发明方法通过随机变量固定点采样非线性变换方法，将传感器的观测数据反向估计得到目标状态的似然信息，进一步在贝叶斯滤波框架下，将通过运动模型预测的目标状态先验信息和从观测反向估计的目标状态似然信息通过乘积进行有效的融合，得到比一般非线性滤波算法精度更高的估计。

本发明的技术方案如下：(1)初始化数据，确定目标的初始位置、状态、运动模型(机动目标一般采用多模型)，运动模型的过程噪声，传感器的位置、观测噪声等，相关噪声一般都采用高斯白噪声。

(2)结合运动模型求出目标状态的一步预测先验信息，通常为高斯分布，非高斯场景的一步预测可近似为多峰的混合高斯分布。

(3)通过传感器获得目标的观测数据后，通过随机变量固定点采样非线性变换方法(包括Unscented变换、Cabuture变换或高斯厄米特数值积分等)将观测信息转换成目标状态信息，此目标状态信息一般只包含目标的位置信息，为了与目标状态的一步预测维度保持一致，我们对它进行扩维处理，即在没有的维度处置零。

(4)运用本发明推导的贝叶斯滤波乘积融合规则，将借助运动模型得到的目标状态先验信息和从观测数据得到的目标状态似然信息进行融合，计算出目标状态的后验估计。

一种贝叶斯滤波目标跟踪算法，具体步骤如下：

(1)按照贝叶斯滤波方法，将k-1时刻目标状态的后验估计均值和方差P_k-1/k-1代入反映目标运动规律的状态方程，求出k时刻目标状态x_k的先验估计概率其中P_k/k-1分别表示先验估计的均值和方差，Z_k-1表示0～k-1时刻目标的观测数据集；