一种辅助截断粒子滤波方法、装置及目标跟踪方法及装置的制造方法
【技术领域】
[0001] 本发明设及非线性滤波领域，特别是设及一种辅助截断粒子滤波方法、装置及目 标跟踪方法及装置。
【背景技术】
[0002] 粒子滤波作为一种最优处理非线性非高斯问题的有效方法，目前已被广泛应用于 各类非线性滤波领域，如图像监控、目标定位与跟踪、环境监测等领域。在估计性能上，粒子 滤波优于现在应用最广泛的扩展卡尔曼滤波巧KF)和无迹卡尔曼滤波(UKF)，W及由它们衍 生出来的很多不同滤波方法，如迭代扩展卡尔曼滤波（IEKF)、高斯厄米特滤波(GHF)、积分 卡尔曼滤波(QKF)。在对非线性问题的处理能力上，粒子滤波适用于任何能用状态空间模型 表示的非线性非高斯系统，W及传统卡尔曼滤波无法表示的非线性非高斯系统，而且对系 统状态维数不敏感，因此它在复杂的实际系统中具有更广阔的应用前景。但是，粒子滤波也 存在着自身的一些缺陷，比如粒子的退化、计算量巨大、实时性差等，影响和制约了它的发 展。
[0003] 为了避免粒子退化，粒子滤波都需要对粒子进行重采样，然而运样会影响算法的 并行功能。由此，为了提高执行效率，一类免重采样的粒子滤波方法开始逐渐发展起来，如 高斯粒子滤波(GPF)，拟蒙特卡罗-高斯粒子滤波(QMC-GPF)等。但是，在目标运动模型和观 测模型不确定时，该类粒子滤波的滤波性能就变差，且在目标机动时，预测误差增大更加明 显，从而导致目标状态先验分布的方差增大，降低目标跟踪性能。另一类粒子滤波方法，如 截断无迹卡尔曼滤波(TUKF)，采样一种修正的先验概率密度函数对目标状态进行更新，当 观测信息比较精确时，具有很好的跟踪性能。不足之处在于当观测信息不精确或非线性较 强时，跟踪性能下降，而且该种滤波方法要求观测函数具有唯一的反函数，使得该种滤波方 法不能应用于被动目标跟踪。
【发明内容】
[0004] 本发明主要解决的技术问题是提供一种辅助截断粒子滤波方法、装置及目标跟踪 方法及装置，能够提高粒子滤波的准确性和实时性，从而解决非线性非高斯环境下目标机 动带来目标模型不确定情况下的快速目标跟踪问题。
[000引为解决上述技术问题，本发明采用的一个技术方案是：提供一种辅助截断粒子滤 波方法，该方法包括:利用原始先验概率密度函数作为第一重要性密度函数进行粒子滤波 W获取与目标状态对应的第一均值和第一协方差值;在原始先验概率密度函数中，利用截 断理论引入当前观测信息和目标特性信息W构建修正先验概率密度函数;利用修正先验概 率密度函数作为第二重要性密度函数进行粒子滤波W获取与目标状态对应的第二均值和 第二协方差值;根据目标状态估计权值分别对第一均值和第二均值、第一协方差值和第二 协方差值进行加权处理W获取与目标状态对应的后验概率密度函数，完成粒子滤波过程。
[0006]其中，利用原始先验概率密度函数作为第一重要性密度函数进行粒子滤波W获取 与目标状态对应的第一均值和第一协方差值的步骤包括:从第一重要性密度函数中提取第 一粒子集;获取第一粒子集中每个粒子对应的第一权值;对每个第一权值进行标准化处理； 根据标准化处理后的第一权值W及与第一权值对应的粒子获取与目标状态对应的第一均 值和第一协方差值。
[0007] 其中，在原始先验概率密度函数中，利用截断理论引入当前观测信息和目标特性 信息W构建修正先验概率密度函数的步骤包括:根据当前观测信息利用最小二乘定位方法 获取目标的定位位置和定位方差;根据原始先验概率密度函数、定位位置W及目标特性信 息获取目标的位置分量对应的最大似然估计值;根据最大似然估计值、定位方差获取修正 先验概率密度函数;其中，原始先验概率密度函数、修正先验概率密度函数近似为高斯概率 密度函数。
[0008] 其中，最大似然估计值根据由如下公式获取得到：
[00川其中，参向）表示最大似然估计值，佑。0表示先验概率密度函数中目标的位置分量 ak对应的均值，Wz-,,)为目标的定位位置，λ为一常数，T为目标观测时间间隔，V为目标速度， 4尚表示观测噪声方差，种脚表示新息协方差。
[0012] 其中，利用修正先验概率密度函数作为第二重要性密度函数进行粒子滤波W获取 与目标状态对应的第二均值和第二协方差值的步骤包括:从第二重要性密度函数中提取第 二粒子集;获取第二粒子集中每个粒子对应的第二权值;对每个第二权值进行标准化处理； 根据标准化处理后的第二权值W及与第二权值对应的粒子获取与目标状态对应的第二均 值和第二协方差值。
[0013] 其中，获取第二粒子集中每个粒子对应的第二权值的步骤包括：
[0014] 利用修正先验概率密度函数构建第二重要性密度函数：
[001 引 qne^Hil X0:k-l,Zl:k,ri:k) =Pne^a<| Zk,Xk-l,ri:k);
[0016]其中，Pnew(Xk I Zk，Xk-l，ri:k)表示修正先验概率密度函数，qnew(Xk| X0:k-l，Zl:k，：ri:k)表 示第二重要性密度函数；
[0017]第二权值根据如下公式获取得到：
[001 引
[0019] 其中，佑^表示k时刻的第二权值，表示k-1时刻的第二权值，I.τ?，;-,:;.)表示 观测似然函数，/?(>4|扣，也）表示k时刻的后验概率密度函数，_1 I如_1，心1)表示k-1 时刻的后验概率密度函数，而0,(.成-I )表示k时刻的第Ξ重要性密度函数， g,mi,(.r〇:i_l I句:&_1.，)表不k-1时刻的束二重要性酱度函数，Pnew(Xk I Zk , Xk-l, ri :k)表不修正先 验概率酱度函数,qnew(Xk I M:k-1, Zl:k , ri:k)表不束一重要性酱度函数。
[0020]其中，目标状态估计权值根据如下公式获取得到：
[0024] 其中，ak表示目标状态估计权值，Zk表示当前观测值;hk( ·)表示已知的非线性观 巧幅数；私。。,*与分别表示利用先验概率密度函数作为第一重要性密度函数进行粒子 滤波得到的第一均值和第一协方差；与巧分别表示利用修正先验概率密度函数作 为第二重要性密度函数进行粒子滤波得到的第二均值和第二协方差值。
[0025] 为解决上述技术问题，本发明采用的另一个技术方案是:提供一种辅助截断粒子 滤波装置，包括:第一获取模块，用于利用原始先验概率密度函数作为第一重要性密度函数 进行粒子滤波W获取与目标状态对应的第一均值和第一协方差值;修正先验概率密度函数 构建模块，用于在原始先验概率密度函数中，利用截断理论引入当前观测信息和目标特性 信息W构建修正先验概率密度函数;第二获取模块，用于利用修正先验概率密度函数作为 第二重要性密度函数进行粒子滤波W获取与目标状态对应的第二均值和第二协方差值;后 验概率密度函数获取模块，用于根据目标状态估计权值分别对第一均值和第二均值、第一 协方差值和第二协方差值进行加权处理W获取与目标状态对应的后验概率密度函数，完成 粒子滤波过程。
[0026] 为解决上述技术问题，本发明采用的又一个技术方案是:提供一种目标跟踪方法， 包括:接收观测数据集合;根据观测数据集合构建原始先验概率密度函数;利用原始先验概 率密度函数作为第一重要性密度函数进行粒子滤波W获取与目标状态对应的第一均值和 第一协方差值;在原始先验概率密度函数中，利用截断理论引入当前观测信息和目标特性 信息W构建修正先验概率密度函数;利用修正先验概率密度函数作为第二重要性密度函数 进行粒子滤波W获取与目标状态对应的第二均值和第二协方差值;根据目标状态估计权值 分别对第一均值和第二均值、第一协方差值和第二协方差值进行加权处理W获取与目标状 态对应的后验概率密度函数;利用后验概率密度函数对目标状态进行估计，W获取目标状 态估计值;输出目标估计值，W实现对目标的跟踪。
[0027] 为解决上述技术问题，本发明采用的再一个技术方案是:提供一种目标跟踪装置， 包括:观测数据接收模块，用于接收观测数据集合;原始先验概率密度函数构建模块，用于 根据观测数据集合构建原始先验概率密度函数;第一获取模块，用于利用原始先验概率密 度函数作为第一重要性密度函数进行粒子滤波w获取与目标状态对应的第一均值和第一 协方差值;修正先验概率密度函数构建模块，用于在原始先验概率密度函数中，利用截断理 论引入当前观测信息和目标特性信息W构建修正先验概率密度函数;第二获取模块，用于 利用修正先验概率密度函数作为第二重要性密度函数进行粒子滤波W获取与目标状态对 应的第二均值和第二协方差值;后验概率密度函数获取模块，用于根据目标状态估计权值 分别对第一均值和第二均值、第一协方差值和第二协方差值进行加权处理W获取与目标状 态对应的后验概率密度函数，完成粒子滤波过程;状态估计模块，用于利用后验概率密度函 数对目标状态进行估计，W获取目标状态估计值;输出模块，用于输出目标估计值，W实现 对目柄;的跟踪。
[0028] 本发明的有益效果是:本发明的粒子滤波方法、装置及目标跟踪方法及装置利用 原始先验概率密度函数作为第一重要性密度函数和修正先验概率密度函数作为第二重要 性密度函数分别获取目标状态对应的均值和协方差，接着根据目标状态估计权值分别对两 个均值和协方差进行加权W获取与所述目标状态对应的后验概率密度函数，从而完成粒子 滤波过程。通过上述方式，本发明能够提高粒子滤波的准确性和实时性，从而解决非线性非 高斯环境下目标机动带来目标模型不确定情况下的快速目标跟踪问题。
【附图说明】
[0029] 图1是本发明实施例的辅助截断粒子滤波方法的流程图；
[0030] 图2是图1中利用原始先验概率密度函数作为第一重要性密度函数进行粒子滤波 W获取与目标状态对应的第一均值和第一协方差值的流程图；
[0031] 图3是图1中在原始先验概率密度函数中，利用截断理论引入当前