[发明专利]一种基于乘性噪声相关自适应CKF的目标跟踪方法

说明书

本发明涉及一种基于乘性噪声相关自适应CKF的目标跟踪方法，本发明大体包括三部分内容。第一部分根据实际运动目标进行系统建模；第二部分，根据乘性噪声相关系统设计了乘性噪声相关CKF算法；第三部分，根据协方差匹配原理自适应地估计出噪声相关系数，使用乘性噪声相关自适应CKF算法实时计算得到运动目标的状态。本发明既能实现对量测系统中乘性量测噪声与加性量测噪声相关的运动目标的状态估计，又能解决噪声相关系数不准确时的滤波状态估计问题，极大地提高了目标跟踪的精度，实现了对复杂工程环境中目标状态的有效跟踪。

技术领域

本发明涉及一种基于乘性噪声相关自适应CKF的目标跟踪方法，属于目标跟踪领域，可用于提高目标跟踪的精度。

背景技术

卡尔曼滤波的一个重要作用是去除量测数据中的噪声，尽可能地还原相对真实的目标数据，被广泛地应用在目标跟踪中。然而，卡尔曼滤波具有一定的局限性，该理论是以线性系统为对象建立的，而实际目标跟踪系统多为非线性。应用线性模型描述非线性系统将导致较大的模型误差，从而导致滤波估计性能降低。因此，非线性滤波估计成为研究热点和难点，大量非线性滤波方法得以提出。

容积卡尔曼滤波(CKF)是一种基于采样近似的非线性高斯滤波方法，具有较高的滤波估计性能，受到广大科研人员和工程技术人员的喜爱。然而，该滤波理论是建立在滤波模型精准且过程噪声和量测噪声均为不相关的高斯白噪声的前提下成立的。经研究表明，实际目标跟踪系统较为复杂，系统量测中不仅存在加性噪声，同时还存在乘性噪声的干扰。

乘性噪声一般是由信道不理想引起的，如测量过程中的抖动振动，信号能量的衰减等，其与信号是相乘的关系，导致传感器量测噪声随着距离的增大而增大，并且乘性量测噪声与加性量测噪声具有相关性。因此，本发明首先对乘性噪声与加性噪声相关系统的滤波器进行重新设计。由于实际工程环境的复杂性，噪声的相关性很难得到，模型参数往往是未知或者不准确的，国内已有学者提出当滤波模型与实际系统不匹配时滤波的估计性能度量将会不准确。本发明提出一种乘性噪声相关自适应CKF算法用以解决乘性噪声相关系数不精准情形下的目标跟踪问题。

发明内容

为了应对乘性量测噪声与加性量测噪声相关以及噪声相关系数不精准情况下的目标跟踪精度较低的问题，本发明设计了乘性噪声相关CKF算法，使用协方差匹配法自适应估计噪声相关系数，得到乘性噪声相关自适应CKF算法，并将其应用到目标跟踪问题中，提高了目标跟踪的精度。

本发明大体包括三部分内容。第一部分根据实际运动目标进行系统建模；第二部分，根据乘性噪声相关系统设计了乘性噪声相关CKF算法；第三部分，根据协方差匹配原理自适应地估计出噪声相关系数，使用乘性噪声相关自适应CKF算法得到目标状态。

利用本发明不仅可以应对乘性噪声与加性噪声相关的情况，而且能够处理噪声相关系数不精准问题，提高了复杂系统下目标跟踪的精度，本发明具体包括以下步骤：

步骤1.系统建模

考虑如下具有乘性噪声相关的离散时间非线性系统模型，其跟踪目标的状态方程和量测方程如下：