[发明专利]一种基于粒子滤波的水下目标跟踪方法

权利要求书

1.一种基于粒子滤波的水下目标跟踪方法，其特征在于，该方法包括以下步骤：

步骤1：设定ROI初始参数、k值；初始化粒子数N、归一化粒子权值、损失数、阈值及标志目标；

步骤2：对所选区域目标块进行状态分析，将状态相关最大的作为目标状态；

步骤3：执行递推迭代到k+1时刻，对当前的粒子群分布粒子进行重要性采样，并得到其概率密度函数；

步骤4：执行粒子位置更新，通过迭代拟合最小二乘运算，得到运算载止项；

步骤5：判断运算载止项是否大于阈值；若运算载止项小于阈值，则返回步骤4；若运算载止项大于阈值，则执行步骤6；

步骤6：判断是否超过最大迭代次数；若超过最大迭代次数，则返回步骤四；若未超过最大迭代次数，则判定已达到设定的最优范围，停止拟合迭代；

步骤7：对权重进行重新更新并归一化，进行滤波后计算状态估计结果；

步骤8：判断目标是否丢失；若目标已丢失，则返回步骤1；若目标未丢失，则输出目标位置，完成水下目标跟踪。

2.根据权利要求1所述的一种基于粒子滤波的水下目标跟踪方法，其特征在于：所述的步骤2中对所选区域目标块进行状态分析具体为：利用贝叶斯滤波器通过预测和更新两个过程对状态进行更新，即通过滤波模型进行当前时刻进行状态估计，然后利用最新获得的观测值对先验概率密度进行适当的修正，递推得后验概率密度，即通过预估的数据和真实的状态进行参数修正。其状态方程的两个更新模型：状态模型与观测模型的表达式为：

其中，x_k为时刻k点处的系统状态量；z_k为时刻k点处的图像观测量；v_k为图像测量系统的观测噪声；u_k为系统自然状态下分析引入的随机噪声；h(*)为系统状态的观测模型；f(*)为递推状态转移模型；通过贝叶斯状态估计的方法，在设定初始状态下可以得到概率密度为p(x₀|z₀)，通过贝叶斯滤波器递推预测和更新两个模型可以求解处后验概率p(x_k|z_1:k)；

所述的预测过程包括：若通过k次的迭代，在第k时刻获得观测序列为z_1:k＝{z₁,z₂,z₃,.....,z_k}，并在k时间点上利用k-1时刻的概率密度p(x_k-1|z_1:k-1)迭代求取当前先验概率密度p(x_k|z_1:k)，当前先验概率密度p(x_k|z_1:k)表示为下式：

p(x_k|z_1:k-1)＝∫p(x_k|x_k-1)p(x_k-1|z_1:k-1)dx_k-1

其中，x_k-1为时刻k-1点处的系统状态量，z_1:k-1为时刻1到k-1点的图像观测量；

所述的更新过程包括：经过初始化状态值，通过观测方程得到的p(x_k|z_1:k-1)先验推算得到状态向量X_k，X_k为k时刻下得到的最优估计值，基于最优估计值得到后验概率密度p(x_k|z_1:k)，后验概率密度p(x_k|z_1:k)表示为下式：