一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法技术

本发明专利技术提供一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法，采用MCAUPF完成目标跟踪过程中的状态估计问题。在目标跟踪过程中，首先将目标跟踪的状态方程和量测方程重构成非线性递归模型，然后在无迹粒子滤波的框架中采用最大互相关熵无迹卡尔曼滤波产生粒子滤波中所需的重要性概率密度函数，然后采用Kullback–Leibler距离重采样方法对产生的粒子进行重采样，最后按照UPF的算法流程获取对跟踪目标状态的估计，从而实现对目标的实时跟踪。将MCAUPF方法应用在量测噪声出现野值的目标跟踪中，能够获得比现有的PF、改进PF以及鲁棒滤波更高的精度，并且计算复杂度低于现有的改进粒子滤波算法。

【技术实现步骤摘要】
一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法
本专利技术涉及一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法，适用于具有厚尾量测噪声的非线性系统，属于非线性鲁棒滤波及目标跟踪

技术介绍
使用粒子滤波(ParticleFilter,PF)对目标进行跟踪时，由于目标的机动转弯、测量数据的异常突变点、传感器故障、量测丢失以及故意干扰等原因会导致量测噪声出现野值，这使雷达对目标的跟踪精度受到严重的影响。针对这个问题，人们提出使用Huber无迹粒子滤波(HuberUnscentedParticleFilter,HRUPF)进行处理，但由于HRUPF中影响函数在影响参数γ超过1.345之后不会回降，导致估计性能下降。针对这一问题，人们提出了基于Student'st方法的野值鲁棒容积卡尔曼滤波(OutlierRobustCubatureKalmanFilter,ORCKF)，但是此方法只适用于系统噪声协方差和量测噪声协方差较小的情况，在其他条件下性能会降低。为了解决量测噪声出现野值情况下的目标跟踪问题，研究人员提出一类新的用于解决量测噪声野值问题的方法，即基于最大互相关熵的滤波方法，例如最大互相关熵卡尔曼滤波(MaximumCorrentropyKalmanFilter,MCKF)和最大互相关熵无迹卡尔曼滤波(MaximumCorrentropyUnscentedKalmanFilter,MCUKF)。与传统方法相比，互相关熵可以捕获更高阶的统计信息而不是通常的二阶统计信息，因此能获得更好的估计结果。此外，在使用传统的PF进行计算时计算量很大，所以在对于实时性要求较高的场合不再适用。为此，人们提出了基于Kullback–Leibler距离(Kullback–LeiblerDistance，KLD)采样的PF算法，但是这种方法假设粒子全部来自真实的后验密度函数，在实际应用中难以实现。
技术实现思路
本专利技术的目的是为了提供一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法，在无迹粒子滤波(UnscentedParticleFilter,UPF)的基础上，利用最大互相关熵准则对UPF的量测更新过程进行修正，并将KLD方法应用于重采样过程，使其在量测噪声出现野值的情况下具有鲁棒性，并且能实时地调整粒子的个数，降低计算复杂度，提高计算效率。。本专利技术的目的是这样实现的：步骤如下：步骤一：建立描述目标跟踪系统的非线性离散状态方程：其中：k-1表示第k-1时刻，k表示第k时刻，xk∈Rn和yk∈Rm分别表示第k时刻的n维跟踪目标参数的状态向量和m维跟踪目标参数的量测向量，f(·)和h(·)分别表示已知的非线性过程函数和量测函数，wk-1和vk是互不相关的过程噪声和量测噪声，协方差矩阵分别为Qk-1和Rk；假设系统噪声服从高斯分布wk-1～N(0,Qk-1)，量测噪声包含野值，服从混合高斯分布vk～μN(0,Rk)+δN(0,λRk)，q～N(μ,Σ)表示随机向量q服从均值为μ方差为Σ的高斯分布，μ,δ,λ是表征野值的参数；步骤二：初始化：根据已知的先验分布产生N个初始的粒子并设置它们的权值为1/N，通过理论分析与实际运行经验选择合适的核宽度σ和Kullback–Leibler距离重采样中的最大粒子数Nmax以及支撑域尺寸Δ，Δ的维度必须小于等于状态变量的维度，此处Δ的维度选为1维，给定初始状态初始误差协方差矩阵和粒子数N，其中j代表第j个粒子；根据已知的先验分布P(x0)抽取N个粒子满足：并设置所有粒子的权重为步骤三：重要性采样：根据步骤二抽取的初始粒子，应用最大互相关熵无迹卡尔曼滤波获得下一时刻的后验状态估计和对应的后验状态估计方差，以此状态估计值和方差生成一个新的高斯分布，从这个新的高斯分布中随机抽取N个新的粒子，根据新抽取的粒子计算每个粒子对应的权值并将其归一化；首先，将系统状态方程和量测方程构建成非线性递归方程的形式：同时定义：其中：E是对变量求均值，Pk|k-1是第k时刻的状态一步预测误差协方差矩阵，Rk是第k时刻的量测噪声协方差矩阵，Bp,k|k-1是对Pk|k-1进行Cholesky分解后得到的矩阵，是Bp,k|k-1的转置矩阵，Br,k是对Rk进行Cholesky分解后得到的矩阵，是Br,k的转置矩阵，Bk是由Bp,k|k-1和Br,k组成的新的矩阵；是第k时刻的一步预测状态值；在的左右两边同时乘上得：Ck＝gk(xk)+εk其中：基于信息最大熵准则，定义代价函数为：其中：n+m是Ck的维数,ci,k和gi,k(xk)分别是Ck和gk(xk)的第i个元素；xk的最优解为：其中：n+m是Ck的维数，ci,k和gi,k(xk)分别是Ck和gk(xk)的第i个元素,Gσ(·)是高斯核函数，即：通过修正更新过程中的量测误差协方差得到：其中：Br,k是对Rk进行Cholesky分解后得到的矩阵，是Br,k的转置矩阵，Cy,k＝diag(Gσ(en+1,k),...,Gσ(en+m,k))，ei,k(i＝1,2,...,n+m)是εk的第i个元素，是Cy,k的逆矩阵；；将修正得到的量测误差协方差应用于无迹卡尔曼滤波的量测更新过程中就能得到MCUKF；步骤四：KLD重采样：所需要的粒子数NKLD为：其中：k是支撑域的个数，ε是误差阈，z1-δ是标准高斯分布的上分位数；对于特定的值δ，与它对应的上分位数z1-δ能够从正态分布表中查到；基于粒子的权重逐一地重新选取粒子，直到达到所需的粒子数NKLD，如果一个新的粒子被重采样了，那么就更新NKLD和支撑域的个数k；利用KLD方法对这些新粒子进行重采样，得到重采样后的粒子，并重新设置粒子权值为1/N；步骤五：状态滤波更新：应用步骤四获得的粒子，完成状态的滤波更新，得到目标跟踪参数的估计状态和估计误差协方差矩阵Pk|k，完成目标跟踪的任务。本专利技术还包括这样一些结构特征：1.所述σ＝10。2.所述支撑域的维度为1。3.步骤五具体为：其中：是每一个粒子相对应的权值、、是粒子。与现有技术相比，本专利技术的有益效果是：本专利技术通过将最大互相关熵准则引入UPF，提高了UPF的鲁棒性；本专利技术在重采样阶段采用KLD方法实时调整粒子数，提高了计算效率；本专利技术通过相关的文献和实际运行经验，得到在四维情况下，当量测噪声出现野值时，取σ＝10，Nmax＝2000，Δ＝1时，本专利技术提出的MCAUPF可以获得比现有的PF、改进PF以及鲁棒滤波更高的精度，并且计算复杂度低于现有的改进粒子滤波，提高了目标跟踪的性能。附图说明图1是本专利技术所述的MCAUPF方法的流程图；图2是本专利技术中KLD重采样方法的算法流程图；图3是本专利技术提供的方法与基于UPF、容积粒子滤波(CubatureParticleFilter,CPF)、MCUKF、HRUPF及ORCKF的目标跟踪方法中对目标位置估计的均方根误差曲线；图4是本专利技术提供的方法与基于UPF、CPF、MCUKF、HRUPF及ORCKF的目标跟踪方法中对目标速度估计的均方根误差曲线；图5是本专利技术提供的方法与基于UPF、CPF、MCUKF、HRUPF的目标跟踪方法的运行时间对比表。具体实施方式下面结合附图与具体实施方式对本专利技术作进一步详细描述。本专利技术的一种本文档来自技高网...

【技术保护点】
1.一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法，其特征在于：步骤如下：步骤一：建立描述目标跟踪系统的非线性离散状态方程：

【技术特征摘要】
1.一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法，其特征在于：步骤如下：步骤一：建立描述目标跟踪系统的非线性离散状态方程：其中：k-1表示第k-1时刻，k表示第k时刻，xk∈Rn和yk∈Rm分别表示第k时刻的n维跟踪目标参数的状态向量和m维跟踪目标参数的量测向量，f(·)和h(·)分别表示已知的非线性过程函数和量测函数，wk-1和vk是互不相关的过程噪声和量测噪声，协方差矩阵分别为Qk-1和Rk；假设系统噪声服从高斯分布wk-1～N(0,Qk-1)，量测噪声包含野值，服从混合高斯分布vk～μN(0,Rk)+δN(0,λRk)，q～N(μ,Σ)表示随机向量q服从均值为μ方差为Σ的高斯分布，μ,δ,λ是表征野值的参数；步骤二：初始化：根据已知的先验分布产生N个初始的粒子并设置它们的权值为1/N，通过理论分析与实际运行经验选择合适的核宽度σ和Kullback–Leibler距离重采样中的最大粒子数Nmax以及支撑域尺寸Δ，Δ的维度必须小于等于状态变量的维度，给定初始状态初始协方差矩阵和粒子数N，其中j代表第j个粒子；根据已知的先验分布P(x0)抽取N个粒子满足：并设置所有粒子的权重为步骤三：重要性采样：根据步骤二抽取的初始粒子，应用最大互相关熵无迹卡尔曼滤波获得下一时刻的后验状态估计和对应的后验状态估计方差，以此状态估计值和方差生成一个新的高斯分布，从这个新的高斯分布中随机抽取N个新的粒子，根据新抽取的粒子计算每个粒子对应的权值并将其归一化；首先，将系统状态方程和量测方程构建成非线性递归方程的形式：同时定义：其中：E是对变量求均值，Pk|k-1是第k时刻的状态一步预测误差协方差矩阵，Rk是第k时刻的量测噪声协方差矩阵，Bp,k|k-1是对Pk|k-1进行Cholesky分解后得到的矩阵，是Bp,k|k-1的转置矩阵，Br,k是对Rk进行Cholesky分解后得到的矩阵，是Br,k的转置矩阵，Bk是由Bp...

【专利技术属性】
技术研发人员：张勇刚，范颖，王国庆，汪晓雨，李宁，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23