一种基于自适应粒子滤波的实时目标跟踪方法和介质技术

本发明专利技术公开了一种基于自适应粒子滤波的实时目标跟踪方法和介质，方法包括：预设初始粒子数、目标粒子数及粒子的初始状态；基于粒子前一时刻状态预测当前状态；根据当前预测状态中的位置和传感器位置及观测值，计算粒子当前时刻权重；根据当前粒子的归一化权重计算当前有效粒子数量；将当前有效粒子数量与预设数目比较，根据比较结果调整粒子数量，并根据归一化权重和调整后的粒子数量进行粒子重采样，得到新的粒子集；利用新粒子集的平均状态作为目标状态估计和输出；重复上述步骤继续对目标状态跟踪。本发明专利技术使用能表征当前观测值下的状态后验概率分布的有效粒子数，避免计算资源在冗余粒子上的浪费，并能保证粒子滤波对实时目标的跟踪精度。标的跟踪精度。标的跟踪精度。

【技术实现步骤摘要】
一种基于自适应粒子滤波的实时目标跟踪方法和介质


[0001]本专利技术属于非线性滤波及电子
，具体涉及一种基于自适应粒子滤波的实时目标跟踪方法和介质。

技术介绍

[0002]粒子滤波(Particle Filter)又叫序贯蒙特卡洛方法，是一种基于蒙特卡洛模拟近似实现的贝叶斯滤波方法，属于非线性滤波方法。其基本思想是通过一组加权样本(粒子)集递归估计随机事件的后验密度，从含有噪声或不完整的观测序列，估计出系统的状态。
[0003]粒子滤波器是卡尔曼滤波器(Kalman Filter)的一般化方法，卡尔曼滤波器建立在线性的状态空间和高斯分布的噪声上；而粒子滤波器的状态空间模型可以是非线性，且噪声分布可以是任何形式。相比于其他滤波算法，粒子滤波在解决非线性、非高斯的动态状态空间模型(Dynamic State
‑
Space model)上，具备更好的稳定性和算法性能。因此，粒子滤波被广泛应用于各种领域，比如目标跟踪定位等
[1,2,3]。
[0004]标准的粒子滤波算法由四个步骤组成：采样、权值估计、重采样和输出估计，如代码1所示。可以看到，在所有滤波时刻，粒子滤波算法采用固定的粒子数目。即传统粒子滤波算法在对目标进行跟踪定位时，粒子数目在算法初始化阶段即确定，并且在整个跟踪定位阶段保持不变。并且，粒子滤波的滤波效果即定位精度极大地依赖于选取的粒子数目。简而言之，采用的粒子数目越多，定位精度越高。然而，使用大量的粒子数目将给粒子滤波带来非常大的计算量，导致其计算速度过慢，从而限制其在实时系统中的应用
[4]。
[0005][0006]Computers,2002.,vol.1.IEEE,2002,pp.853
–
857
[0018][8]L.Martino,V.Elvira,and F.Louzada,“Effective sample size for importance sampling basedon discrepancy measures,”Signal Processing,vol.131,pp.386
–
401,2017.

技术实现思路

[0019]本专利技术提供一种基于自适应粒子滤波的实时目标跟踪方法和介质，在每个跟踪步骤均根据权重粒子集，计算并使用能表征当前观测值下的状态后验概率分布的最有效的粒子数目，可以避免计算资源在冗余粒子上的浪费，并能保证粒子滤波对实时目标的跟踪精度。
[0020]为实现上述技术目的，本专利技术采用如下技术方案：
[0021]一种基于自适应粒子滤波的实时目标跟踪方法，包括：
[0022]步骤1，设定粒子滤波的初始粒子数量N(t＝0)和目标跟踪过程中的粒子目标数量；
[0023]步骤2，初始化目标跟踪所有粒子t＝0时刻的状态，权重相等均为1，其中状态包括位置和速度；
[0024]步骤3，基于粒子t
‑
1时刻的状态并根据状态转移方程预测粒子t时刻的状态；
[0025]步骤4，根据粒子t时刻的预测位置和传感器的位置以及传感器的观测值，计算粒子t时刻的权重；
[0026]步骤5，根据所有粒子t时刻的归一化权重计算t时刻的有效粒子数量；
[0027]步骤6，将计算所得t时刻的有效粒子数量与粒子目标数量比较，并根据比较结果调整t时刻的粒子数量为N
*
(t)；
[0028]步骤7，根据所有粒子t时刻的归一化权重和调整后的粒子数量N
*
(t)进行粒子重采样，得到t时刻的粒子集，且所有粒子权重相同；
[0029]步骤8，利用新粒子集的粒子平均状态对目标的状态进行估计，并输出的当前t时刻的目标状态；
[0030]步骤9，更新下一时刻t+1的粒子数为N(t+1)＝N
*
(t)，更新时刻t＝t+1，然后基于新粒子集返回步骤3，继续步骤3
‑
9对目标的后续时刻进行状态跟踪。
[0031]进一步地，步骤4中粒子t时刻的权重计算方法为：
[0032][0033]式中，为计算得到第i个粒子t时刻的权重；y
j,t
为第j个传感器t时刻接收到的目标信号强度值，作为目标跟踪粒子滤波的观测值；S为传感器的设置数量；为第i个粒子t时刻的预测位置；s
j
为第j个传感器的位置；P0为目标发射信号的功率；α＞1指信号的路径损耗指数；||
·
||是L2范数计算。
[0034]进一步地，步骤5中有效粒子数量的计算方法为：
[0035][0036][0037]式中，ESS(t)为t时刻的有效粒子数量，为经步骤4计算得到的第i个粒子t时刻的权重，为第i个粒子t时刻的归一化权重，N(t)为t时刻的粒子数量。
[0038]进一步地，步骤6中所述根据比较结果调整t时刻的粒子数量，具体为：
[0039]若计算所得t时刻的有效粒子数量大于设定粒子目标数量的上限，则
[0040]调整t时刻的粒子数量为N
*
(t)＝N(t)
‑
M；其中N(t),N
*
(t)为调整前、后的粒子数量，M为粒子集数目调整值；
[0041]若计算所得t时刻的有效粒子数量小于设定粒子目标数量的下限，则调整t时刻的粒子数量为N
*
(t)＝N(t)+M；
[0042]否则，保持t时刻的粒子数量不变。
[0043]进一步地，步骤8中所述利用新粒子集的粒子平均状态对目标的状态进行估计，公式表示为：
[0044][0045]式中，为新粒子集中第i个粒子t时刻的预测状态，N
*
(t)为t时刻调整后的粒子数量，X
t
为估计得到的目标状态。
[0046]进一步地，初始化的目标跟踪粒子集，状态的先验密度符合高斯分布：
[0047]p(x0)＝N(x0；0；D0)；
[0048]其中，D0是对角矩阵：σ
r
和σ
v
分别表示位置先验方差和速度先验方差。
[0049]进一步地，用于步骤3粒子状态预测的状态转移方程形式为：
[0050][0051]其中，为转移矩阵，转移矩阵A中的元素T是系统观测之间的时间间隔；是第i个粒子t
‑
1时刻的状态；u
t
是高斯矢量的实现，I是单位矩阵；是预测得到第i个粒子t时刻的状态。
[0052]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项技术方案所述的基于自适应粒子滤波的实时目标跟踪方法。
[0053]与现有技术相比，本专利技术具有以下有益效果：
[0054]1、本专利技术选取能够表征当前观测值下的状态后验概率分布的有效粒子数量，并基
于有效粒子数量实时调整粒子集中的粒子数量，既能保证目标跟本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应粒子滤波的实时目标跟踪方法，其特征在于，包括：步骤1，设定粒子滤波的初始粒子数量N(t＝0)和目标跟踪过程中的粒子目标数量；步骤2，初始化目标跟踪所有粒子t＝0时刻的状态，权重相等均为1，其中状态包括位置和速度；令N(t＝1)＝N(t＝0)；步骤3，基于粒子t
‑
1时刻的状态并根据状态转移方程预测粒子t时刻的状态；步骤4，根据粒子t时刻的预测位置和传感器的位置以及传感器的观测值，计算粒子t时刻的权重；步骤5，根据所有粒子t时刻的归一化权重计算t时刻的有效粒子数量；步骤6，将计算所得t时刻的有效粒子数量与粒子目标数量比较，并根据比较结果调整t时刻的粒子数量为N
*
(t)；步骤7，根据所有粒子t时刻的归一化权重和调整后的粒子数量N
*
(t)进行粒子重采样，得到t时刻新的粒子集，且所有粒子权重相同；步骤8，利用新粒子集的粒子平均状态对目标的状态进行估计，并输出的当前t时刻的目标状态；步骤9，更新下一时刻t+1的粒子数为N(t+1)＝N
*
(t)，更新时刻t＝t+1，然后基于新粒子集返回步骤3，继续步骤3
‑
9对目标的后续时刻进行状态跟踪。2.根据权利要求1所述的基于自适应粒子滤波的实时目标跟踪方法，其特征在于，步骤4中粒子t时刻的权重计算方法为：式中，为计算得到第i个粒子t时刻的权重；y
j,t
为第j个传感器t时刻接收到的目标信号强度值，作为目标跟踪粒子滤波的观测值；S为传感器的设置数量；为第i个粒子t时刻的预测位置；s
j
为第j个传感器的位置；P0为目标发射信号的功率；α＞1指信号的路径损耗指数；||
·
||是L2范数计算。3.根据权利要求1所述的基于自适应粒子滤波的实时目标跟踪方法，其特征在于，步骤5中有效粒子数量的计算方法为：5中有效粒子数量的计算方法为：式中，ESS(t)为t时刻的有效粒子数量，为...

【专利技术属性】
技术研发人员：刘双龙，谢明珠，伍治林，李响，汪锦玥，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：