一种用于目标跟踪的强跟踪容积卡尔曼滤波方法
【专利摘要】该发明公开了一种用于目标跟踪的强跟踪容积卡尔曼滤波方法，属于目标跟踪领域，涉及一种基于强跟踪的容积卡尔曼滤波器的机动目标跟踪方法。首先建立离散非线性动态系统模型；然后进行系统初始化；进行时间更新，引入时变渐消因子λk；再进行量测更新；最后进行滤波更新。该方法将时变渐消因子引入到容积卡尔曼滤波器中，使算法不仅具有了容积卡尔曼滤波器实现简单，滤波精度高的优点，同时也具有了强跟踪滤波器应对系统突变的实时跟踪能力。
【专利说明】一种用于目标跟踪的强跟踪容积卡尔曼滤波方法
【技术领域】
[0001] 本发明属于目标跟踪领域，涉及一种基于强跟踪的容积卡尔曼滤波器（Cubature KalmanFilterbasedonStrongTracking，ST-CKF)的机动目标跟踪方法。
【背景技术】
[0002] 随着科技的不断发展，各种新的技术手段被应用到目标跟踪技术中来，但是应用 环境也越来越复杂，如何快速提高目标跟踪算法成为亟待解决的问题。滤波算法与数据关 联算法是机动目标跟踪中的核心和难点，本发明着重对非线性滤波算法进行了研究。然而， 非线性滤波算法广泛存在于工程应用领域中。现在所用的许多传感器，如红外，电子支援措 施，被动声呐等，都是被动探测系统，被动探测系统具有隐蔽性高，能够获得目标特点多等 优点，可以极大程度的提高系统的抗干扰能力和生存能力，但是由于在被动探测条件下主 要涉及非线性滤波技术，因此想要得到对目标状态的精确估计，就需要使用高效的非线性 滤波技术。
[0003] 近年来提出的容积卡尔曼滤波器（CubatureKalmanFilter,CKF)，采用一组等权 值的容积点计算贝叶斯滤波的积分问题，即通过数量为两倍状态维数的等权值容积点来传 播系统状态的均值和方差，可以获得较高的滤波精度。使用CKF逼近非线性分布的概率分 布后，其精度优于不敏卡尔曼滤波器（UnscentedKalmanFilter，UKF)。CKF避免了对非线 性系统进行线性化，此外，与UKF不同，其容积点及权值由状态向量维数唯一确定，不需要 通过仔细的调整参数来改善估计精度。但是，当模型不匹配，或目标状态发生突变时，CKF仍 不能很好的对目标运动状态进行跟踪。
[0004] 为了解决上述问题，本发明在上述CKF的基础上同样的引入了时变渐消因子，提 出了一种新的非线性滤波算法--基于强跟踪的容积卡尔曼滤波器（ST-CKF)。在该算法 中，时变渐消因子的引入，使该算法可以实时的调整预测误差协方差，当残差较大时，时变 渐消因子的引入可以减少老数据对当前滤波的影响，从而达到根据残差调整滤波器增益的 目的，提高了滤波器的实时跟踪能力及针对目标突变的反应能力。
【发明内容】
[0005] 本发明主要解决的是：针对容积卡尔曼滤波算法应对模型不准，噪声统计特性不 准确，或目标状态突然变化能力不强的问题，提出了一种用于目标跟踪的强跟踪容积卡尔 曼滤波方法。该方法将时变渐消因子引入到容积卡尔曼滤波器中，使算法不仅具有了容积 卡尔曼滤波器实现简单，滤波精度高的优点，同时也具有了强跟踪滤波器应对系统突变的 实时跟踪能力。
[0006] 本发明解决其技术问题所采用的技术方案是：一种用于目标跟踪的强跟踪容积卡 尔曼滤波方法，实现步骤如下：首先建立离散非线性动态系统模型；然后进行系统初始化； 进行时间更新，引入时变渐消因子Ak;再进行量测更新；最后进行滤波更新。具体包括以 下步骤：
[0007] 步骤1 :根据回波数据建立离散非线性动态系统模型：
[0008] xk =f(xk_!) +wk_!
[0009]zk =h(xk) +vk
[0010]其中，xk为k时刻的状态向量,维数为n,同理xk_i为k-1时刻的状态向量,维数为 n，zk为k时刻的量测值，Wh和vk分别为过程噪声和量测噪声，两者相互独立，协方差矩阵 分别为Qh和Rk，f(Xg)为Xg与k时刻状态转移矩阵的乘积，h(xk)为xk与k时刻量测矩 阵的乘积；
[0011] 步骤2 :进行系统初始化：
[0012] 初始化系统参数包括：状态变量初始值协方差矩阵P+，协方差矩阵平方根 S0|0 =chol(Pqi。），即P()|〇 =S_S師；
[0013] 步骤3 :进行时间更新，引入时变渐消因子xk如下：
[0014] 对于k= 1，2,…，利用Spherical-Radial求容积规则，获得基本容积点为：
【权利要求】
1. 一种用于目标跟踪的强跟踪容积卡尔曼滤波方法，该方法包括以下步骤： 步骤1:根据回波数据建立离散非线性动态系统模型：xk - f (Xh) +Wk_i zk = h (xk) +vk 其中，xk为k时刻的状态向量,维数为n,同理xk_i为k-1时刻的状态向量,维数为n,zk 为k时刻的量测值，Wh和vk分别为过程噪声和量测噪声，两者相互独立，协方差矩阵分别 为Qh和Rk，fUh)为&与k时刻状态转移矩阵的乘积，h(xk)为xk与k时刻量测矩阵的 乘积； 步骤2 :进行系统初始化： 初始化系统参数包括：状态变量初始值X+，协方差矩阵P〇|〇,协方差矩阵平方根S+ =chol (P〇|〇)
步骤3 :进行时间更新，引入时变渐消因子Ak如下： 对于k= 1，2,…，利用Spherical-Radial求容积规贝U，获得基本容积点为：
,各容积点对应权值为
j= 1，...m，其中m表示容积点个数，为状态维 数的2倍，[1\表示容积点集的第j个元素；
其中，（」表示第j个元素的容积点，X」，表示第j个元素的k-1时刻的状态变量 值，表示k-1时刻新息过程的自相关矩阵，；IM|W表示k-1时刻的状态估计值；
其中，
表示第j个元素的k-1时刻到k时刻的状态预测值； 求出
，再得到
再引入时变渐消因子Ak，得到
其中Pk|lrl表示一步预测协方差矩阵，Qh表示第k一 1时刻过程噪声的协方差矩阵； 所述步骤3中Ak为时变渐消因子，其相应计算方法如下： 首先令E[y(k+l+j)YT(k+l)] =0,强迫残差序列保持正交性，y(k)为k时刻的新息 向量； 其中
其中，
且
，式中，H(k)是量测矩阵，F(k)是状态 转移矩阵，Sjk)是残差协方差矩阵，且
，其 中，0〈P彡1是遗忘因子，一般取P=0.95邛彡1为弱化因子，其目的是使状态估计更 为平滑，可根据经验值来选定。 步骤4 :进行量测更新如下（k-1时刻的基础上更新k时刻的参数）： 首先计算出
得到预测量测为
预测协方差为：
量测和状态向量的交互协方差为：
步骤5 :进行滤波更新如下，k-1时刻的基础上更新k时刻的参数： 计算滤波器增益为：
其中，Wk为k时刻的滤波器增益，为k时刻量测和状态向量的交互协方差， 为k时刻的状态估计值，为k时刻的状态预测值，zk为k时刻的量测值，为k时刻 的量测预测值估计值，Pk|k为k时刻的状态协方差矩阵，为k时刻的估计状态协方差矩 阵，Pzz，kh为k时刻的预测状态协方差矩阵； 步骤6 :分别输出目标的X和Y方向位置均方根误差。
【文档编号】G06T5/00GK104408744SQ201410654687
【公开日】2015年3月11日 申请日期:2014年11月17日 优先权日:2014年11月17日
【发明者】于雪莲, 周云, 崔明雷, 钱璐, 张存 申请人:电子科技大学