一種新型的密集空間目標跟蹤方法
【專利摘要】本發(fā)明提出了一種新型的密集空間目標跟蹤方法，提出了把密集的多個跟蹤目標合成一組看作一個整體，使用組重心測量值來更新無跡卡爾曼濾波算法中的狀態(tài)估計值，然后把無跡卡爾曼濾波算法的狀態(tài)估計嵌進粒子濾波中，利用粒子濾波算法去估計組內(nèi)的目標的分布，從而實現(xiàn)對每個目標的跟蹤。本發(fā)明提出的新的算法避免了傳統(tǒng)跟蹤算法中所使用的數(shù)據(jù)關聯(lián)方法，減少了濾波算法的復雜性，提高了濾波的有效性，并且提高目標跟蹤的準確性。本發(fā)明適用于跟蹤不規(guī)則分布的空間目標。
【專利說明】一種新型的密集空間目標跟蹤方法

【技術領域】
[0001] 本發(fā)明涉及一種無線傳感器網(wǎng)絡領域和空間多目標跟蹤領域，具體來說是一種基 于無跡卡爾曼濾波和粒子濾波的密集空間目標跟蹤方法。

【背景技術】
[0002] 空間多目標跟蹤技術很早就被提出來了，隨著數(shù)據(jù)關聯(lián)等技術在多目標跟蹤理論 方面取得了開創(chuàng)性的突破，由數(shù)據(jù)關聯(lián)技術和濾波技術相結(jié)合提出了很多新的目標跟蹤算 法。目前常見的幾種典型的數(shù)據(jù)關聯(lián)方法有最鄰近法、聯(lián)合概率數(shù)據(jù)關聯(lián)法以及多假設跟 蹤法等，但是傳統(tǒng)的數(shù)據(jù)關聯(lián)法在解決復雜環(huán)境下的多目標跟蹤問題存在很多難題，所以 卡爾曼濾波算法和粒子濾波算法等一類新的目標跟蹤算法被提了出來。
[0003] 無跡卡爾曼濾波算法是選擇有限個近似高斯分布的離散點，然后對每個離散點進 行非線性變換，得到變換后的點，將它們的均值和方差經(jīng)過加權處理，就可得到非線性系統(tǒng) 狀態(tài)均值和協(xié)方差。
[0004] 粒子濾波是采用蒙特卡羅采樣的貝葉斯濾波方法，它將復雜的目標狀態(tài)分布表示 為一組加權值，通過尋找在粒子濾波中最大加權值的粒子來確定目標最可能所處的狀態(tài)分 布。粒子濾波的優(yōu)點是有很好的魯棒性和抗干擾性，在非線性復雜的噪聲環(huán)境下能體現(xiàn)粒 子濾波的優(yōu)越性。但是粒子濾波存在兩個顯著的問題，采樣過程中粒子的退化，即重要性權 重的方差隨時間的推移隨機遞增，使得粒子的權值聚集到少數(shù)粒子上；采用大量粒子模擬 狀態(tài)變量的后驗概率密度函數(shù)會造成計算的復雜性。
[0005] 利用傳感器對密集空間目標進行跟蹤一直是一個難題，傳感器受到分辨率和數(shù)據(jù) 更新率以及能量的限制。然而在密集空間目標跟蹤時分辨率和數(shù)據(jù)更新率是很重要的兩個 參數(shù)。利用傳感器進行密集空間目標跟蹤時要解決的主要問題是：問題一、在多個目標落在 同一分辨單元時，只有一個檢測值或者返回值；問題二、在測量時，單個目標可能導致多個 測量值，尤其是更新緩慢的傳感器。針對無跡卡爾曼濾波和粒子濾波的特點，本發(fā)明提出了 基于這兩種濾波的新的目標跟蹤算法來解決以上難題。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明為了解決了上述難題，提出一種新型的密集空間目標跟蹤方法，本方法基 于卡爾曼濾波和粒子濾波，不是對單個目標進行跟蹤，而是把所有的跟蹤目標作為一組視 為一個整體，利用無跡卡爾曼濾波得到這個組的行為狀態(tài)估計，再把這個狀態(tài)估計代入粒 子濾波中，利用粒子濾波去獲取這組內(nèi)目標的分布情況。
[0007] -種新型的密集空間目標的跟蹤方法，具體步驟如下：
[0008] (1)建立傳感器的測量模型，并選擇傳感器的參數(shù)；
[0009] (2)根據(jù)一組目標的重心位置對無跡卡爾曼濾波進行初始化；
[0010] (3)通過傳感器測量得到的組目標的徑向距離和方位角來更新無跡卡爾曼濾波， 估計得到組重心位置、速度和加速度（在笛卡爾坐標系中）；
[0011] (4)把無跡卡爾曼濾波得到的狀態(tài)估計帶進粒子濾波，去更新粒子的當前狀態(tài)；
[0012] (5)粒子重要性權值的更新；
[0013] (6)計算加權粒子的后驗概率密度，得到組內(nèi)目標分布情況，實現(xiàn)目標跟蹤；
[0014] 下面具體闡述無跡卡爾曼濾波算法過程，并把狀態(tài)估計用進粒子濾波中，來更新 粒子的當前狀態(tài)，使得粒子濾波得到更新，得到加權粒子新的后驗概率密度，并且對粒子濾 波中粒子權值的進行更新，最后得到組內(nèi)目標的概率密度函數(shù)，實現(xiàn)目標的跟蹤。
[0015] 本發(fā)明系統(tǒng)模型為：
[0016] xk = f (Χη，Θ h)+Wh (1)
[0017] zk = hk(xk, Θ k) +vk (2)其中，xk e RnX1為系統(tǒng)狀態(tài)矢量，fk為n為向量函 數(shù)，zk e IT1為系統(tǒng)觀測矢量，hk為m維向量函數(shù)，wk為η維隨機過程噪聲，v k為m維隨機 測量噪聲。
[0018] 濾波前作如下假設，過程噪聲和量測噪聲為互不相關的零均值白噪聲，即wk? N(0，Qk)，vk ?N(0，Rk)。
[0019] 無跡卡爾曼濾波初始化：k = 0,得到公式（3)和公式（4):
[0020]

【權利要求】
1. 一種新型的密集空間目標跟蹤方法，是基于無跡卡爾曼濾波和粒子濾波的方法，包 括以下步驟： (1) 建立傳感器的測量模型，并選擇傳感器的參數(shù)； (2) 根據(jù)一組目標的重心位置對無跡卡爾曼濾波進行初始化； (3) 通過傳感器測量得到的組目標的徑向距離和方位角來更新無跡卡爾曼濾波，估計 得到組重心位置、速度和加速度（在笛卡爾坐標系中）； (4) 把無跡卡爾曼濾波得到的狀態(tài)估計帶進粒子濾波，去更新粒子的當前狀態(tài)； (5) 對粒子重要性權值進行更新； (6) 計算出加權粒子的后驗概率密度，得到組內(nèi)粒子分布情況，實現(xiàn)目標跟蹤。
2. 根據(jù)權利要求1所述的密集空間目標跟蹤算法，其特征在于：步驟（1)選擇的測 量模型使用了多個傳感器，如果目標落入特定陰影區(qū)域，它將會被分配一個特定的方位角 Λ Θ和大小變化范圍AR，測量模型量化公式如下： zk (r, θ ) = f (r', θ') 其中，r'、θ'分別表示是指到目標的徑向距離和方位角。
3. 根據(jù)權利要求1所述的密集空間目標跟蹤算法，其特征在于：步驟（2)建立模型時， 把密集的目標合成一組作為一個整體，把組的平均測量值提供給濾波器，如果測量到的重 心位置為Ν ζ，無跡卡爾曼的非線性測量方程如下：
其中，
表示到組重心的平均徑向距離和方位角。
4. 根據(jù)權利要求1所述的密集空間目標跟蹤算法，其特征在于：步驟（4)把無跡卡爾 曼濾波的狀態(tài)估計代入粒子濾波中，更新粒子的狀態(tài)，通過最優(yōu)擬合測量法計算出粒子濾 波的先驗概率，實現(xiàn)粒子權值的更新。
5. 根據(jù)權利要求1所述的密集空間目標跟蹤算法，其特征在于：步驟（6)通過步驟（4) 和步驟（5)可以計算出粒子的后驗概率，通過測量方程可以把目標分布函數(shù)轉(zhuǎn)換在笛卡爾 坐標系中，在笛卡爾坐標中用
表示跟蹤目標的分布。
【文檔編號】G06T7/20GK104050686SQ201410285944
【公開日】2014年9月17日 申請日期:2014年6月24日 優(yōu)先權日:2014年6月24日
【發(fā)明者】廖勇, 何娟, 許錦, 陳歡, 李 東, 楊力生 申請人:重慶大學