一种概率预测型的目标跟踪方法
【技术领域】
[0001] 本发明涉及一种目标跟踪方法，特别是一种概率预测型的目标跟踪方法，应用于 目标跟踪领域。
【背景技术】
[0002] 现有的目标跟踪算法仅仅是给出目标滤波后的轨迹，具有一定的延迟性，而且因 为无法得到复杂环境下的完备模型，因此在复杂的环境中传统的目标跟踪算法有一定的局 限性。如交互式多模型和变结构交互式多模型：该方法的目的是构建比较完善的目标模型， 进而对目标进行一系列的跟踪预测。
[0003] 传统的目标跟踪算法的缺点：当对目标的特性比较了解时，利用多模型的方法，可 以很容易找到与之相对应的模型，进而使目标跟踪的精度比较准确。但是，当对目标特性不 了解时，该方法只能利用常见的模型，而且用一系列不同的参数进行建模，这样目标模型很 难精确确定；同时由于模型数量不断增多，各个模型之间的竞争也更加强烈，使得跟踪的数 据不是很精确。
【发明内容】
[0004] 本发明主要目的在于提出了一种不随外界变化的概率预测型目标跟踪方法，使其 相对于传统的目标跟踪算法具有更强大的适应性。
[0005] 该方法采用的技术方案为：首先利用起始的2个观测点的最小二乘法，得出 kalman的初始速度和初始位置，进而启动kalman滤波。启动kalman滤波后，预测下一点的 位置，根据下一点的观测值，进行数据融合。然后进入预测验证阶段，用当前的观测值去验 证过去时刻的预测值是否在误差的允许的范围内；最后是利用上述的参数，进行预测，预测 算法选取近当前观测时刻的目标滤波后的序列值，将X、t和y、t分别以此作为最小二乘法 的输入，进而得出X (t)和y (t)的关系，同时可获得相应的预测值，在此基础上，设定了一个 概率函数，对预测值进行约束。
[0006] (1)启动kalman滤波：将目标坐标的观测数据录入本系统，则本系统提取前2个 目标坐标的观测值；将目标坐标的观测值作相应的运算，并从中取得目标的初始速度和初 始位置坐标，kalman滤波器一旦有了初始速度和初始坐标，就能够启动跟踪预测功能；
[0007] (2) kalman滤波：经过步骤（1)后，kalman滤波器已经启动，利用卡尔曼滤波的预 测性，预测出目标坐标的下一个位置坐标，用下一时刻的目标坐标的观测值与预测的下一 个位置坐标进行融合，得出下一时刻的比较精准的位置。
[0008] (3)预测验证：判断当前系统是否有目标坐标的预测值即第⑷步的预测值，如果 没有则跳过此步骤，如果有，则用当前的目标坐标的观测值去验证过去时刻的预测值是否 在误差的允许的范围内，如果不在误差的允许范围内则将概率公式（1)的参数τ按照一定 的规则增加，如果在允许的误差范围之外，则将概率公式（1)的参数τ按照一定的规则减 小。
[0009] (4)概率预测：结合当前滤波值，取最近的6个连续目标坐标点，将取出来的点作 最小二乘法，并预测下N时刻的点；根据第（2)步和第（3)步中得出来的参数，利用概率计 算公式，用计算出来概率值P为每一个预测值进行约束，其中概率公式如下：
[0010]
⑴
[0011] 其中：
[0012] t:预测的相对时间
[0013] τ :预测被验证的次数
[0014] ρ :计算出来的概率值。
[0015] 所述步骤⑴中得目标的初始速度和初始位置坐标的具体过程：根据所述6个数 值，将X、t和y、t分别以此作为最小二乘法的输入，得到出X⑴与y(t)的关系，当t = 0 时，即得到kalman滤波器的初始坐标，其中X (t)和y (t)的斜率就是kalman滤波器的初始 速度。
[0016] 所述步骤（4)的具体实现过程：
[0017] 取6个最近滤波后的目标位置坐标，将X、t和y、t分别以此作为最小二乘法的输 入，得到出X(t)与y(t)的关系，分别取t = n+l，n+2，n+3时，η为当前时刻，即得到预测的 目标坐标点，并利用概率计算公式，用概率值为每一个预测值进行约束。
[0018] 本发明更详细的步骤为：
[0019] 输入：每隔一定的时间，输入一个二维坐标值
[0020] 输出：输出该时刻的一系列预测值，并给出该值的概率值。
[0021] 步骤一：启动kalman滤波
[0022] 将的观测数据录入系统。
[0023] 提取前6个观测值。（6是经过反复试验得到，如果数据过少，则会影响滤波器的收 敛速度，如果数据量过多，则会拖慢系统的启动速度）
[0024] 根据这6个数值，将X、t和y、t分别以此作为最小二乘法的输入，得到出x(t)与 y⑴的关系，当t = 0时，即可得到kalman滤波器的初始速度和坐标，即P: V. 〇
[0025] 步骤二：kalman 滤波
[0026] (1)状态矢量预测
[0027] xn'=Fxnl+un (1)
[0028] P'Z-Γ = + & (2:)
[0029] 其中I
，T为采样周期，Un为过程噪声，Q是过程噪声协方差，P为 协方差；
[0030] (2)观测值预测 (3)
[0031]
(:4): (:5)
[0034] 其中
z为观测向量，R为观测误差，P为协方差矩阵，x为状态向量；
[0035] (3)卡尔曼滤波器更新[0036]
(6) (7) (8)
[0039] 其中：K为增益矩阵，X为状态向量，P为协方差矩阵。
[0040] 步骤三：预测验证，用当前的观测值去验证过去时刻的预测值是否在误差的允许 的范围内，如果在误差的允许范围内，则将概率公式中的（预测被验证的次数）按照一定的 规则增加。如果在允许的误差范围之外，则将按照一定的规则减小。
[0041] 步骤四：概率预测
[0042] 提取最近的6个预测值。
[0043] 根据这6个数值，将X、t和y、t分别以此作为最小二乘法的输入，得到出x(t)与 y(t)的关系，当t = η的后续时间时，即可得到预测的坐标点。
[0044] 利用概率计算公式，用概率值为每一个预测值进行约束。
[0045] 其中概率函数是利用sigmoid函数的变体，形式如下所示：
[0046] P = -T I + f
[0047] 参数说明：
[0048] t:预测的相对时间；
[0049] τ :预测被验证的次数；
[0050] P :计算出来的概率值。
[0051] 概率函数的范围是