[发明专利]一种基于当前统计模型的模糊自适应算法的机动目标跟踪方法

说明书

本发明公开了一种基于当前统计模型的模糊自适应算法实现机动目标跟踪的方法,属于目标跟踪技术领域，该方法包括以下步骤：建立机动目标的状态方程和观测方程，采用标准卡尔曼滤波算法对机动目标的运动状态进行预测，采用模糊隶属度函数来调整机动目标加速度极限值，通过机动值对加速度极限值自适应调整，再对弱机动目标进行跟踪；当机动目标保持之前的状态，则实现对机动目标的跟踪,当机动目标发生突变，则利用强跟踪滤波器来实现对突变机动目标的运动状态进行跟踪；该方法在线更新机动目标运动状态来自适应调整模糊输出量机动值的模糊规则，利用自适应的弱化因子增大判断滤波发散的阈值，降低误判滤波发散概率，增强对强机动目标的跟踪性能。

技术领域

本发明涉及目标跟踪技术尤其涉及一种基于当前统计模型的模糊自适应算法的机动目标跟踪方法。

背景技术

目标跟踪技术广泛应用于导航、交通以及军事相关领域。“当前”统计模型算法是目标跟踪的一种常用方法，其采用非零均值和修正瑞利分布来表示机动加速度的统计特性，在使用“当前”统计模型算法时加速度极限值是固定的，故对机动性较弱目标的预测误差较大。模糊自适应算法是一种可以实现对系统参数自适应调整的一种方法。Cai等人采用模糊推理的方法来自适应调整加速度极限值，提高收敛精度，但是三角隶属函数不平滑会导致系统噪声估计突变，预测误差较大；Yang等人设计一种非线性的模糊隶属度函数来自适应调整加速度极限值，增强对弱机动目标的跟踪性能，但是其设计的隶属度函数假定机动目标在一定的运动范围内；Wang等人设计一种基于模糊理论的自适应数据平滑方法，利用模糊规则来描述机动目标的实际运动状态，其模糊规则中若误差均值很大，则增大平滑参数，若误差方差很大，则减少平滑参数，其模糊输出量的机动值不能自适应变化，对当前统计模型的跟踪误差较大，强跟踪滤波器是由EKF改造而来的一种用于非线性系统的滤波器，克服了扩展卡尔曼滤波器鲁棒性差的缺陷，可以综合利用模糊自适应算法与强跟踪滤波器。Hu等人提出一种基于模糊逻辑的自适应强跟踪卡尔曼滤波算法，对强跟踪滤波器中次优渐消因子进行自适应调整，来实现抑制载体突变带来的影响，但是其选取的弱化因子是固定的，导致目标跟踪误差较大；Liu等人利用强跟踪算法在应对系统状态突变时，滤波发散状态的阈值较小导致预测残差不能准确估计从而产生跟踪误差。

发明内容

根据现有技术存在的问题，本发明公开了一种基于当前统计模型的模糊自适应算法实现机动目标跟踪的方法,包括以下步骤：

S1:建立机动目标的状态方程和观测方程；

S2:采用标准卡尔曼滤波算法对机动目标的运动状态进行预测，并判断机动目标的预测运动状态和实际运动状态的均方误差；

S3:采用模糊隶属度函数来调整机动目标加速度极限值；

S4:利用模糊系统对机动目标运动状态进行再预测，且得到机动值；

S5:计算当前机动目标最大加速度值，通过机动值对加速度极限值自适应调整，再对弱机动目标进行跟踪；

S6:当机动目标保持之前的状态，则实现对机动目标的跟踪,当机动目标发生突变，则利用强跟踪滤波器来实现对突变机动目标的运动状态进行跟踪；返回S3。

进一步地，所述模糊隶属度函数采用得公式如下：

其中：q为调节因子，a_max表示机动目标运动的最大加速度，正负分别表示机动目标运动的方向。

进一步地：所述模糊系统采用的模糊规则如下：

当机动目标的加速度变大，则机动性增强，当机动目标的加速度减小，则机动性减弱。