[发明专利]改进的用于目标跟踪的卡尔曼滤波方法

说明书

本发明涉及一种改进的用于目标跟踪的卡尔曼滤波方法，该方法包括如下步骤：S1、建立观测目标的运动方程，该运动方程包括动态方程和观测方程，根据观测方程得到目标的观测值；S2、得到经过卡尔曼滤波后目标位置信息的滤波值；S3、设置阈值，并计算滤波值与观测值的残差，根据阈值和残差的关系执行步骤S4a或S4b；S4a、若残差不大于阈值，则直接将滤波值作为预测值，得到目标下一时刻的预测位置；S4b、若残差大于阈值，则将滤波值与观测值加权求和，得到更新后的预测值，并根据更新后的预测值得到目标下一时刻的预测位置；S5、重复上述步骤，得到目标的预测运动轨迹。本发明能提高目标跟踪的精度，减小目标机动时的跟踪误差。

技术领域

本发明涉及目标跟踪领域，具体涉及一种改进的用于目标跟踪的卡尔曼滤波方法。

背景技术

目标跟踪在军事和民用领域都具有广泛的应用，如空中监视、卫星和飞船跟踪以及智能视频监控等领域。精准跟踪目标有利于精确了解对方目标的位置，是高科技武器系统及GPS系统的至关重要的核心技术。精准定位、跟踪目标是现在迫切需要解决的问题。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。因此，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。

传统的跟踪滤波方法有卡尔曼滤波(Kalman Filter，KF)方法及其改进形式扩展卡尔曼滤波(Extended Kalman Filter，EKF)方法以及不敏卡尔曼滤波 (UnscentedKalman Filter，UKF)方法、粒子滤波(Particle Filter，PF)方法。其中，KF方法计算简单，但精度较差；EKF方法适用于弱非线性系统，过程简单，但是有很多不足之处：如当后验均值与真值相差较大时，易造成滤波发散；大多数情况下，雅可比矩阵很难计算，导致了在实际应用中的困难。UKF方法是EKF方法的一种替代算法，与EKF方法有着相似的运算复杂度，但是精度比 EKF方法高。PF方法精度较高，但是当粒子数较多时计算复杂度过高，导致不能满足实时性要求。同时，上述跟踪方法在目标机动时不能快速的做出反应，导致跟踪误差较大。

可见，上述跟踪方法存在以下缺陷：计算精度差或者计算复杂，不能满足目标精确打击和跟踪需求，并且均不能针对目标的机动做出迅速的反应。针对现在精确跟踪目标的迫切需要，研究更准确的跟踪目标算法具有重要意义。

发明内容

针对上述问题，为了提高目标跟踪的精度，本发明提供了一种改进的用于目标跟踪的卡尔曼滤波方法，其特征在于，所述方法包括如下步骤：

S1、建立观测目标的运动方程，所述运动方程包括动态方程和观测方程，根据所述观测方程得到目标的观测值；

S2、得到经过卡尔曼滤波后目标位置信息的滤波值；

S3、设置阈值，并计算所述滤波值与所述观测值的残差，根据所述阈值和所述残差的关系执行步骤S4a或S4b；

S4a、若所述残差不大于所述阈值，则直接将所述滤波值作为预测值，得到目标下一时刻的预测位置；

S4b、若所述残差大于所述阈值，则将所述滤波值与所述观测值加权求和，得到更新后的预测值，并根据更新后的预测值得到目标下一时刻的预测位置；

S5、重复上述步骤，得到目标的预测运动轨迹。

在一些实施例中，在步骤S1中，所述观测方程的观测量包括目标的位置信息、速度信息和加速度信息。

在一些实施例中，在步骤S1中，所述动态方程中包括状态转移矩阵，所述观测方程中包括观测矩阵。