[发明专利]一种基于观测区间值的证据滤波目标跟踪方法

说明书

本发明公开了一种基于观测区间值的证据滤波目标跟踪方法，包括以下步骤：步骤一、确定目标的状态方程以及观测方程；步骤二、卡尔曼滤波初始化；步骤三、卡尔曼滤波一步预测；步骤四、卡尔曼滤波状态更新；步骤五：融合k时刻的目标状态区间数得到k时刻目标状态。本发明逻辑清晰、设计合理，构建基于证据理论的算法模型对数据的不确性进行处理，同时利用卡尔曼滤波对目标状态进行跟踪预测。从而使得算法在对目标状态进行跟踪预测时能有更好的抗干扰性，提高在干扰环境中目标跟踪的精确性，从而对目标轨迹跟踪提供帮助。

技术领域

本发明属于目标状态跟踪技术领域，具体涉及一种基于观测区间值的证据滤波目标跟踪方法。

背景技术

卡尔曼滤波是一种根据系统状态方程，观测方程以及观测数据，对目标运动状态进行最优估计的算法，其被广泛应用于通信、导航、制导与控制等多领域。经典卡尔曼滤波适用于线性系统中，其被进一步改进为扩展卡尔曼滤波、容积卡尔曼滤波等算法以适应非线性条件。

证据理论是一种满足比贝叶斯更弱条件的不确定推理方法。证据理论常被用于处理不确定数据，其提供了有用的证据合成方法，能有效地融合多个证据源提供的不确定信息，因而被很好地应用于数据融合、目标识别及故障诊断等领域。

在对目标进行跟踪时，卡尔曼滤波算法根据上一时刻的修正值以及当前时刻的观测值，预测当前时刻的目标状态。但由于实际中可能存在系统噪声、观测噪声以及其他不确定因素的干扰，因此观测值可能会存在较大的偏差。若观测值存在较大的偏差，易造成当前时刻的滤波预测值较大程度上偏离真实的目标状态，从而影响目标跟踪的精度。为了增强滤波算法在干扰因素存在情况下的鲁棒性，应考虑数据的不确定性，从而提升算法的容错性。

尽管证据理论能很好地对不确定信息进行处理，但是如何在目标跟踪算法将证据理论与卡尔曼滤波有效结合，进而两者优势互补提升跟踪算法的精确性和鲁棒性，这一问题仍然有待研究和解决。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于观测区间值的证据滤波目标跟踪方法，其逻辑清晰、设计合理。基于证据理论构建合理的数据预处理模型，对滤波初始化数据以及观测数据做预处理；构建合理的数据融合模型，对滤波后数据进行融合以得到目标状态预测值。该发明的算法模型合理地结合证据理论和卡尔曼滤波，从而使改进的滤波跟踪算法能有更好的抗干扰性，进而提升目标跟踪的效能。

为解决上述技术问题，本发明采用的技术方案是：一种基于观测区间值的证据滤波目标跟踪方法，其特征在于，包括以下步骤：

步骤一、确定目标的状态方程以及观测方程：

步骤101：确定目标状态方程，x_k＝Fx_k-1+w；其中x_k-1、x_k分别代表k-1时刻以及k时刻的目标状态；F为状态转移矩阵；w为系统噪声，符合均值为零，协方差矩阵为Q的多元正态分布N(0,Q)；

步骤102：确定观测方程，z_k＝Hx_k+v；其中z_k为k时刻对于目标状态的观测值；H为观测矩阵；v为观测噪声，符合均值为零，协方差矩阵为R的多元正态分布N(0,R)；协方差矩阵σ₁,σ₂,σ₃分别为z_k三个维度测量误差标准差，观测误差标准差向量σ＝[σ₁,σ₂,σ₃]；

步骤二、卡尔曼滤波初始化：