一种基于连续扩展卡尔曼滤波的目标跟踪方法技术

本发明专利技术涉及目标跟踪技术领域，具体涉及一种基于连续扩展卡尔曼滤波的目标跟踪方法，包括基于连续扩展卡尔曼滤波建立物体运动模型的状态空间方程，使得克服了传统的连续扩展卡尔曼滤波处理非线性系统时，在泰勒展开时，由于雅克比矩阵式仅仅考虑了泰勒展开式的一阶信息，所以误差会被引入，这会大大降低目标位置的精确度。换句话说，预估精度无法得到保证。根据在离散EKF的基础上，从改进的离散EKF得到启发，这种改进的离散EKF同样包含高阶信息，大大提高位置精度。

【技术实现步骤摘要】
一种基于连续扩展卡尔曼滤波的目标跟踪方法
本专利技术涉及目标跟踪
，具体涉及一种基于连续扩展卡尔曼滤波的目标跟踪方法。
技术介绍
现在安防与监控中，通过深度学习识别目标，都需要对目标进行跟踪。卡尔曼滤波(Kalmanfilter)利用一系列观测到的测量值通常包括统计噪声和其他一些误差，对系统状态进行最优估计。卡尔曼滤波器在现实生产生活中有许多应用。常见的应用是对交通工具特别是航天飞行器的导航和控制。此外，卡尔曼滤波是一种在时间序列分析中广泛使用的概念，如信号处理和计量经济学。卡尔曼滤波器也是机器人运动规划和控制领域中的一个重要课题，有时也涉及轨迹优化的课题。卡尔曼滤波器是以RudolfEmilKalman命名的。研究伊始，卡尔曼研究的是可控性问题。在上世纪60年代中期，通过科学家施密特(Schmidt)的影响，卡尔曼滤波成为为C5A航空运输所建立的Northrop导航系统的一部分。StanleySchmidt是第一个应用卡尔曼滤波的人。当卡尔曼(RudolfE.Kalman)访问美国宇航局艾姆斯研究中心(NASAAmesResearchCenter)，他发现他的方法在解决阿波罗计划的轨道预测是有用的，阿波罗导航计算机使用了此过滤器。卡尔曼滤波器在技术上有许多应用。传统方案，类似于离散时间的情况下，连续时间随机过程x(t)和观测值z(t)由以下公式给出：z(t)＝H(t)x(t)+v(t)Ew(t)＝Ev(t)＝0Ew(t1)wT(t2)＝Q(t)δ(t2-t1)Ev(t1)vT(t2)＝R(t)δ(t2-t1)Ew(t)vT(η)＝0其中F(t),G(t),H(t),Q(t)和R(t)分别是n×n,n×n,l×n,n×n和l×l维数的矩阵。协方差矩阵Q和R是正定矩阵。传统的卡尔曼滤波不能考虑非线性的情况，而连续扩展卡尔曼滤波在将非线性系统线性化时往往只考虑了泰勒展开式的一阶信息，即用雅克比矩阵计算表示时实际上忽略了二阶以及以上高阶信息，将会产生较大的误差。
技术实现思路
本专利技术的目的在于克服现有技术中存在的问题，提供一种基于连续扩展卡尔曼滤波的目标跟踪方法，它可以实现至少一定程度上解决现有技术的问题。为实现上述技术目的，达到上述技术效果，本专利技术是通过以下技术方案实现的：一种基于连续扩展卡尔曼滤波的目标跟踪方法，包括建立物体运动模型的状态空间方程，其中，非线性动态模型：w(t)～N(0,Q(t))；非线性测量模型：z(t)＝h(x(t),t)+v(t)v(t)～N(0,R(t))，其中w(t)和v(t)分别是过程噪声和观测噪声，分别被假定为服从零均值高斯白噪声，并且协方差分别为Q(t)和R(t)，状态估计的微分方程：预测值为：卡尔曼增益方程：线性近似方程：F＝F0+M1×F1+M2×F2+......+Mi×Fi，其中M1，M2和Mi为调节因子，特定的调节因子根据网格搜索法确定，即其中Fi是状态转移矩阵f(x(t),u(t))关于xi偏微分的海森矩阵，Fi(i＝1,2,......,n)。本专利技术的有益效果：在目标跟踪中使用连续扩展卡尔曼滤波，并使用改进的连续扩展卡尔曼滤波(M-EKF)算法以使在目标跟踪中位置更加精确，卡尔曼滤波展开后对非线性的近似更加准确。具体实施方式为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。一种基于连续扩展卡尔曼滤波的目标跟踪方法，包括建立物体运动模型的状态空间方程，其中，非线性动态模型：w(t)～N(0,Q(t))；非线性测量模型：z(t)＝h(x(t),t)+v(t)v(t)～N(0,R(t))，其中w(t)和v(t)分别是过程噪声和观测噪声，分别被假定为服从零均值高斯白噪声，并且协方差分别为Q(t)和R(t)，状态估计的微分方程：预测值为：卡尔曼增益方程：线性近似方程：F＝F0+M1×F1+M2×F2+......+Mi×Fi，其中M1，M2和Mi为调节因子，特定的调节因子根据网格搜索法确定，即其中Fi是状态转移矩阵f(x(t),u(t))关于xi偏微分的海森矩阵，Fi(i＝1,2,......,n)。传统的连续扩展卡尔曼滤波处理非线性系统时，在泰勒展开(TaylorExpansion)时，由于雅克比矩阵(JacobianMatrix)式仅仅考虑了泰勒展开式的一阶信息，所以误差会被引入，这会大大降低目标位置的精确度。换句话说，预估精度无法得到保证。根据在离散EKF的基础上，从改进的离散EKF得到启发，这种改进的离散EKF同样包含高阶信息，大大提高位置精度。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。以上公开的本专利技术优选实施例只是用于帮助阐述本专利技术。优选实施例并没有详尽叙述所有的细节，也不限制该专利技术仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本专利技术的原理和实际应用，从而使所属
技术人员能很好地理解和利用本专利技术。本专利技术仅受权利要求书及其全部范围和等效物的限制。本文档来自技高网...

【技术保护点】
1.一种基于连续扩展卡尔曼滤波的目标跟踪方法，其特征在于，包括建立物体运动模型的状态空间方程，其中，/n非线性动态模型：/n

【技术特征摘要】
1.一种基于连续扩展卡尔曼滤波的目标跟踪方法，其特征在于，包括建立物体运动模型的状态空间方程，其中，
非线性动态模型：



非线性测量模型：
z(t)＝h(x(t),t)+v(t)v(t)～N(0,R(t))，
其中w(t)和v(t)分别是过程噪声和观测噪声，分别被假定为服从零均值高斯白噪声，并且协方差分别为Q(t)和R(t)，
状态估计的微分方程：
<...

【专利技术属性】
技术研发人员：刘磊，赵彦峰，
申请(专利权)人：南京卓宇智能科技有限公司，
类型：发明
国别省市：江苏;32