一种用于目标跟踪的强跟踪容积卡尔曼滤波方法技术

该发明专利技术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。

【技术实现步骤摘要】

本专利技术属于目标跟踪领域，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。
技术介绍
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，本专利技术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。 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。 为了解决上述问题，本专利技术在上述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。
技术实现思路
本专利技术主要解决的是：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。 本专利技术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： 步骤1 :根据回波数据建立离散非线性动态系统模型： xk =f(xk_!) +wk_! 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，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； 步骤2 :进行系统初始化： 初始化系统参数包括：状态变量初始值协方差矩阵P+，协方差矩阵平方根 S0|0 =chol(Pqi。），即P()|〇 =S_S師； 步骤3 :进行时间更新，引入时变渐消因子xk如下： 对于k= 1，2,…，利用Spherical-Radial求容积规则，获得基本容积点为：本文档来自技高网...

【技术保护点】
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(xk‑1)+wk‑1zk＝h(xk)+vk其中，xk为k时刻的状态向量，维数为n，同理xk‑1为k‑1时刻的状态向量，维数为n，zk为k时刻的量测值，wk‑1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Qk‑1和Rk，f(xk‑1)为xk‑1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x0|0，协方差矩阵P0|0，协方差矩阵平方根S0|0＝chol(P0|0)，即步骤3：进行时间更新，引入时变渐消因子λk如下：对于k＝1,2,…,利用Spherical‑Radial求容积规则，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]j表示容积点集的第j个元素；Xj,k-1|k-1=Sk-1|k-1ξj+x^k-1|k-1]]>其中，ζj表示第j个元素的容积点，Xj,k‑1|k‑1表示第j个元素的k‑1时刻的状态变量值，Sk‑1|k‑1表示k‑1时刻新息过程的自相关矩阵，表示k‑1时刻的状态估计值；Xj,k|k-1*=f(Xj,k-1|k-1)]]>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x^k|k-1=1mΣj=1mXj,k|k-1*,]]>再得到：Pk|k-1=1mΣj=1mXj,k|k-1*Xj,k|k-1T-x^k|k-1x^k|k-1+Qk-1,]]>再引入时变渐消因子λk，得到Pk|k-1=λk{1mΣj=1mXj,k|k-1*Xj,k|k-1*T-x^k|k-1x^k|k-1+Qk-1};]]>其中Pk|k‑1表示一步预测协方差矩阵，Qk‑1表示第k—1时刻过程噪声的协方差矩阵；所述步骤3中λk为时变渐消因子，其相应计算方法如下：首先令E[γ(k+1+j)γT(k+1)]＝0，强迫残差序列保持正交性，γ(k)为k时刻的新息向量；其中γ(k)=zk-z^k-1|k-2,]]>得到λk+1=c0,c0>11,c0≤1;]]>其中，c0=tr[N(k+1)]tr[M(k+1)],]]>且N(k+1)=S0(k+1)-H(k)Q(k)HT(k)βR(k+1)Mk+1=HkFkPk|kFT(k)HTk,]]>式中，H(k)是量测矩阵，F(k)是状态转移矩阵，S0(k)是残差协方差矩阵，且S0(k+1)=0k=0[ρS0(k)+γ(k+1)γ(k+1)T]1+ρk≥1,]]>其中，0<ρ≤1是遗忘因子，一般取ρ＝0.95；β≥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Pk|k-1=Sk|k-1Sk|k-1T,Xj,k|k-1=Sk|k-1ξj+x^k|k-1,Zj,k|k-1=h(Xj,k|k-1,uk)]]>得到预测量测为：z^k|k-1=1mΣj=11Zj,k|k-1]]>预测协方差为：Pzz,k|k-1=1mΣj=1mzj,k|k-1zj,k|k-1T-z^k|k-1z^k|k-1T+Rk]]>量测和状态向量的交互协方差为：Pxz,k|k-1=1mΣj=1mXj,k|k-1Zj,k|k-1T-x^k|k-1z^k|k-1T;]]>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：Wk=Pxz,k|k-1Pzz,k|k-1-1,x^k|k=x^k|k-1+Wk(zk-z^k|k-1),Pk|k=Pk|k-1-WkPzz,k|k-1WkT]]>其中，Wk为k时刻的滤波器增益，Pxz,k|k‑1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，Pk|k‑1为k时刻的估计状态协方差矩阵，Pzz,k|k‑1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。...

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：于雪莲，周云，崔明雷，钱璐，张存，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51