[发明专利]一种密集空间目标跟踪方法

说明书

技术领域

本发明涉及一种无线传感器网络领域和空间多目标跟踪领域，具体来说是一种基于无迹卡尔曼滤波和粒子滤波的密集空间目标跟踪方法。

背景技术

空间多目标跟踪技术很早就被提出来了，随着数据关联等技术在多目标跟踪理论方面取得了开创性的突破，由数据关联技术和滤波技术相结合提出了很多新的目标跟踪算法。目前常见的几种典型的数据关联方法有最邻近法、联合概率数据关联法以及多假设跟踪法等，但是传统的数据关联法在解决复杂环境下的多目标跟踪问题存在很多难题，所以卡尔曼滤波算法和粒子滤波算法等一类新的目标跟踪算法被提了出来。

无迹卡尔曼滤波算法是选择有限个近似高斯分布的离散点，然后对每个离散点进行非线性变换，得到变换后的点，将它们的均值和方差经过加权处理，就可得到非线性系统状态均值和协方差。

粒子滤波是采用蒙特卡罗采样的贝叶斯滤波方法，它将复杂的目标状态分布表示为一组加权值，通过寻找在粒子滤波中最大加权值的粒子来确定目标最可能所处的状态分布。粒子滤波的优点是有很好的鲁棒性和抗干扰性，在非线性复杂的噪声环境下能体现粒子滤波的优越性。但是粒子滤波存在两个显著的问题，采样过程中粒子的退化，即重要性权重的方差随时间的推移随机递增，使得粒子的权值聚集到少数粒子上；采用大量粒子模拟状态变量的后验概率密度函数会造成计算的复杂性。

利用传感器对密集空间目标进行跟踪一直是一个难题，传感器受到分辨率和数据更新率以及能量的限制。然而在密集空间目标跟踪时分辨率和数据更新率是很重要的两个参数。利用传感器进行密集空间目标跟踪时要解决的主要问题是：问题一、在多个目标落在同一分辨单元时，只有一个检测值或者返回值；问题二、在测量时，单个目标可能导致多个测量值，尤其是更新缓慢的传感器。针对无迹卡尔曼滤波和粒子滤波的特点，本发明提出了基于这两种滤波的新的目标跟踪算法来解决以上难题。

发明内容

本发明为了解决了上述难题，提出一种新型的密集空间目标跟踪方法，本方法基于卡尔曼滤波和粒子滤波，不是对单个目标进行跟踪，而是把所有的跟踪目标作为一组视为一个整体，利用无迹卡尔曼滤波得到这个组的行为状态估计，再把这个状态估计代入粒子滤波中，利用粒子滤波去获取这组内目标的分布情况。

一种新型的密集空间目标的跟踪方法，具体步骤如下：

(1)建立传感器的测量模型，并选择传感器的参数；

(2)根据一组目标的重心位置对无迹卡尔曼滤波进行初始化；

(3)通过传感器测量得到的组目标的径向距离和方位角来更新无迹卡尔曼滤波，估计得到组重心位置、速度和加速度(在笛卡尔坐标系中)；

(4)把无迹卡尔曼滤波得到的状态估计带进粒子滤波，去更新粒子的当前状态；

(5)粒子重要性权值的更新；

(6)计算加权粒子的后验概率密度，得到组内目标分布情况，实现目标跟踪；

下面具体阐述无迹卡尔曼滤波算法过程，并把状态估计用进粒子滤波中，来更新粒子的当前状态，使得粒子滤波得到更新，得到加权粒子新的后验概率密度，并且对粒子滤波中粒子权值的进行更新，最后得到组内目标的概率密度函数，实现目标的跟踪。

本发明系统模型为：

x_k＝f(x_k-1,θ_k-1)+w_k-1 (1)

z_k＝h_k(x_k,θ_k)+v_k (2)

其中，x_k∈R^n×1为系统状态矢量，f_k为n为向量函数，z_k∈R^mx1为系统观测矢量，h_k为m维向量函数，w_k为n维随机过程噪声，v_k为m维随机测量噪声。

滤波前作如下假设，过程噪声和量测噪声为互不相关的零均值白噪声，即w_k～N(0,Q_k)，v_k～N(0,R_k)。

无迹卡尔曼滤波初始化：k＝0，得到公式(3)和公式(4)：

cov(x₀)＝P₀(4)

在k-1时刻的状态为求更新后的状态估计

首先计算在k-1时刻采样的样本点集σ点(i＝1,…2n)：