一种证据理论改进的模糊卡尔曼滤波目标跟踪方法技术

本发明专利技术公开了一种证据理论改进的模糊卡尔曼滤波目标跟踪方法，包括以下步骤：步骤一计算卡尔曼滤波器的不确定信息；步骤二根据不确定信息对输入量模糊量化得到输出量模糊数隶属度；步骤三根据输出量模糊数隶属度生成证据；步骤四融合多个历史时刻的证据；步骤五将融合后的证据转换为概率；步骤六根据概率生成更新因子；步骤七更新卡尔曼滤波器参数。本发明专利技术在模糊卡尔曼滤波的基础上，结合证据理论融合处理不确定信息的优势，在参数自适应更新时考虑历史信息，使得卡尔曼滤波能够融合多个时刻的不确定信息，证据理论中的基本概率分配函数和证据组合规则，使改进的卡尔曼滤波能更灵活有效地处理不确定信息，误差更小，具有更好地抗干扰性能。

【技术实现步骤摘要】
一种证据理论改进的模糊卡尔曼滤波目标跟踪方法
本专利技术属于目标跟踪
，具体涉及一种证据理论改进的模糊卡尔曼滤波目标跟踪方法。
技术介绍
伴随着万物互联时代的来临，各类电子设备和传感器已然遍布生活和工、作的各个角落，结合通信、人工智能等技术，极大改善了人们的生活。与此同、时，制造业升级以及智能制造等带来工业生产设备的更新迭代，自动化生产的、设备往往需要具备对物品识别和跟踪的能力；而在日常生活中，生活方式因智、能视频监控和人脸识别等应用而更加智能化，这些应用也使得目标识别和跟踪、技术更为普及。因而技术发展极大丰富了目标识别与跟踪等理论的应用场景，相关理论方法的研究也受到了广泛重视。目标跟踪问题实际上就是目标状态的跟踪滤波问题，即根据传感器已获得的目标测量数据对目标状态进行精确的估计。目标在运动过程中随着速度、角度、加速度等参数不断变化，使得目标的位置具有很强的相关性，但是由于定位跟踪过程中测量误差、系统噪声和干扰的存在，利用多次含有噪声的观测数据对目标运动状态进行跟踪，需要用滤波方法来获得统计最优的状态估计结果，其实质是最优滤波问题。卡尔曼滤波方法自从1960年被Kalman提出，就因为有良好的目标状态预测性能而备受重视。此后许多研究将仅适用于线性系统和高斯概率分布的经典卡尔曼滤波进一步改进。为提高对目标的跟踪性能，迫切需要研究更为优越的跟踪滤波方法。智能化同时也造成了数据量的剧增，繁杂多样的信息促使着信息融合技术的快速发展，也使其被用于各种各样的应用中。在众多应用场景中，数据处理中心所能获取的观测数据往往采集自不同的传感器，所能获取的数据量也随之倍增。相比于单个传感器观测数据，多源数据能更充分的反映目标情况，因而在目标识别与跟踪过程中需要融合多源信息，从而提高识别与跟踪的准确性。但是在目标跟踪过程中，传感器在复杂环境中受到噪声干扰等一系列环境不确定因素影响，多源数据间可能出现不一致、冲突等情况，会对传感器性能造成影响，导致所观测的数据具有不确定性，而难以直接对多源数据进行融合，这些不确定性都将给多源数据下的目标识别和跟踪带来困扰，因而在跟踪目标时需结合不确定性理论对不确定信息进行处理。为了使目标跟踪模型能有更好的性能表现，需要对这些不确定信息进行处理。所以结合不确定性理论构建具有不确定信息处理能力的目标跟踪模型有其研究价值和意义。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种证据理论改进的模糊卡尔曼滤波目标跟踪方法，其在模糊卡尔曼滤波的基础上，结合证据理论融合处理不确定信息的优势，在参数自适应更新时考虑历史信息，使得卡尔曼滤波能够融合多个时刻的不确定信息。同时，证据理论中的基本概率分配函数和证据组合规则，使改进的卡尔曼滤波能更灵活有效地处理不确定信息，改进后的卡尔曼滤波方法在强干扰条件下预测的目标位置误差更小，有更好地抗干扰性。为解决上述技术问题，本专利技术采用的技术方案是：一种证据理论改进的模糊卡尔曼滤波目标跟踪方法，其特征在于，包括以下步骤：步骤一、计算卡尔曼滤波器的不确定信息：步骤101、多个传感器采集当前时刻目标运动状态；步骤102、计算机根据公式计算不确定信息ΔDk，其中Sk表示卡尔曼滤波器在k时刻的新息噪声协方差理论值，Mk表示卡尔曼滤波器在k时刻的新息噪声协方差实际值；步骤二、根据不确定信息对输入量模糊量化得到输出量模糊数隶属度：步骤201、模糊量化：计算机根据不确定信息ΔDk和隶属度函数计算得到三个输入量模糊数隶属度，三个输入量模糊数隶属度分别为和步骤202、模糊推理：模糊推理可得输出量模糊数隶属度与输入量模糊数隶属度一一对应，输出量模糊数隶属度分别为和因此以及步骤三：根据输出量模糊数隶属度生成证据：计算机根据公式计算卡尔曼滤波器在k时刻的证据mk(A)，其辨识框架为步骤四、融合多个历史时刻的证据；步骤401、多时刻证据加权平均：其中表示加权平均证据信息，ωi表示k-i+1时刻的证据mk-i+1(A)对应的权重，i表示正整数，l表示共l个时刻；步骤402、证据融合：对加权平均证据信息采用证据组合规则进行l-1次融合得到m(A)，该式中出现l-1次，任意两组的证据组合规则为表示融合后的证据信息，m1(A)和m2(B)表示两组在辨识框架Θ上待融合的证据，A、B表示幂集2Θ的子集，C表示A和B的交集；步骤五、将融合后的证据转换为概率BetP(A)；步骤六、根据概率BetP(A)生成更新因子α；步骤七、更新卡尔曼滤波器参数。上述的一种证据理论改进的模糊卡尔曼滤波目标跟踪方法，其特征在于：步骤102中其中H表示观测矩阵，表示k时刻目标状态预测值的误差协方差，Rk表示k时刻的观测噪声协方差。上述的一种证据理论改进的模糊卡尔曼滤波目标跟踪方法，其特征在于：步骤102中其中zk表示k时刻目标状态的实际观测值，表示k时刻目标状态的预测值，k≥n≥1。上述的一种证据理论改进的模糊卡尔曼滤波目标跟踪方法，其特征在于：步骤102中，当ΔDk为矩阵形式时，取该矩阵主对角线的均值作为ΔDk。上述的一种证据理论改进的模糊卡尔曼滤波目标跟踪方法，其特征在于，步骤五中将融合后的证据转换为概率包括以下步骤：利用公式计算得到近似累积概率分布BetP(A)，其中|A|表示子集A的模。上述的一种证据理论改进的模糊卡尔曼滤波目标跟踪方法，其特征在于，步骤六中根据概率生成更新因子包括以下步骤：计算机根据公式计算更新因子α，其中P(A)表示模糊数的去模糊函数。上述的一种证据理论改进的模糊卡尔曼滤波目标跟踪方法，其特征在于：对于三角模糊数所用的去模糊公式为上述的一种证据理论改进的模糊卡尔曼滤波目标跟踪方法，其特征在于，步骤七中更新卡尔曼滤波器参数包括以下步骤：计算机根据公式Rk+1＝α·Rk计算得到k+1时刻新息噪声协方差Rk+1。本专利技术与现有技术相比具有以下优点：1、本专利技术的步骤简单、设计合理，实现及使用操作方便。2、本专利技术采用多个传感器采集当前时刻目标运动状态，相比于单个传感器观测数据，多个传感器所能获取的数据量也随之倍增，多源数据能更充分的反映目标情况，从而提高目标跟踪的准确性。3、本专利技术采用不确定信息ΔDk间接反映卡尔曼滤波的准确性，基于比值ΔDk在噪声发生变化时对卡尔曼滤波器的参数进行自适应更新，以实现对目标状态的良好预测。4、本专利技术采用模糊卡尔曼滤波，模糊集理论具有在集合论框架下描述不完善、不确定信息的优势，模糊卡尔曼滤波通过构建输入量模糊数及输出量模糊数，描述了新息协方差理论值与实际值的差值和观测噪声协方差更新因子之间的不确定关系，模糊数的应用使得模糊卡尔曼滤波在更新相关参数时具备一定的不确定信息处理能力，从而提升其滤波性能。5、本专利技术采用基本概率分配函数mk(A)来表示证据，证据理论提供了Dempster组合规则，该规则不但能满足交换律与结合律，而且即使在先验信息缺失时也能有效地完本文档来自技高网...

【技术保护点】
1.一种证据理论改进的模糊卡尔曼滤波目标跟踪方法，其特征在于，包括以下步骤：/n步骤一、计算卡尔曼滤波器的不确定信息：/n步骤101、多个传感器采集当前时刻目标运动状态；/n步骤102、计算机根据公式

【技术特征摘要】
1.一种证据理论改进的模糊卡尔曼滤波目标跟踪方法，其特征在于，包括以下步骤：
步骤一、计算卡尔曼滤波器的不确定信息：
步骤101、多个传感器采集当前时刻目标运动状态；
步骤102、计算机根据公式计算不确定信息ΔDk，其中Sk表示卡尔曼滤波器在k时刻的新息噪声协方差理论值，Mk表示卡尔曼滤波器在k时刻的新息噪声协方差实际值；
步骤二、根据不确定信息对输入量模糊量化得到输出量模糊数隶属度：
步骤201、模糊量化：计算机根据不确定信息ΔDk和隶属度函数计算得到三个输入量模糊数隶属度，三个输入量模糊数隶属度分别为和
步骤202、模糊推理：模糊推理可得输出量模糊数隶属度与输入量模糊数隶属度一一对应，输出量模糊数隶属度分别为和因此以及
步骤三、根据输出量模糊数隶属度生成证据：计算机根据公式计算卡尔曼滤波器在k时刻的证据mk(A)，其辨识框架为
步骤四、融合多个历史时刻的证据；
步骤401、多时刻证据加权平均：其中表示加权平均证据信息，ωi表示k-i+1时刻的证据mk-i+1(A)对应的权重，i表示正整数，l表示共l个时刻；
步骤402、证据融合：对加权平均证据信息采用证据组合规则进行l-1次融合得到m(A)，该式中出现l-1次，任意两组的证据组合规则为表示融合后的证据信息，m1(A)和m2(B)表示两组在辨识框架Θ上待融合的证据，A、B表示幂集2Θ的子集，C表示A和B的交集；
步骤五、将融合后的证据转换为概率BetP(A)；
步骤六、根据概率BetP(A)生成更新因子α；
步骤七、更新卡尔曼滤波器参...

【专利技术属性】
技术研发人员：蒋雯，马泽宇，邓鑫洋，耿杰，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61