[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

摘要

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。

主权项

1.一种基于最大互相关熵容积粒子滤波的目标跟踪方法，其特征在于：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，xk为第k时刻的n维跟踪目标参数的状态向量，zk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，wk‑1为第k‑1时刻的n维系统噪声，vk为第k时刻的m维量测噪声，假设系统噪声服从高斯分布wk‑1～N(0,Qk‑1)，量测噪声中含有野值，服从混合高斯分布vk～μN(0,Rk)+δN(0,λRk)；Qk‑1和Rk分别为过程噪声wk‑1和量测噪声vk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wk‑1与vk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；步骤三：将系统状态方程和量测方程重新构建成非线性递归方程的形式进行处理并完成重要性采样，根据抽取的初始粒子，应用最大互相关熵容积卡尔曼滤波获得下一时刻的后验状态估计和对应的后验状态估计方差，以此状态估计值和方差生成一个高斯分布，从此高斯分布中随机抽取N个新的粒子，根据新抽取的粒子计算每个粒子对应的权值并将其归一化；步骤四：重采样，根据每个新粒子的权值对这些新粒子进行重采样，得到重采样后的粒子，并重新设置粒子权值为1/N；步骤五：状态滤波更新，应用步骤四获得的粒子，完成状态的滤波更新，得到目标跟踪参数的估计状态和估计误差协方差矩阵完成目标跟踪的任务，其中代表第k时刻重采样后的第i个粒子，代表第k时刻重采样后第i个粒子相对应的权值，代表第k时刻的状态估计值。