基于确定性重采样的粒子滤波算法.pdfVIP

第 32卷第 l1期 西 安 工 业 大 学 学 报 Vo1．32No．11 2012年 11月 JournalofXianTechnologicalUniversity Nov．2012 文章编号： 1673—9965(2012)11—891—04 基于确定性重采样的粒子滤波算法 李晋惠，白朝政 (西安工业大学 理学院，西安 710021) 摘 要： 复杂背景下的运动 目标跟踪往往要面对非线性非高斯问题，粒子滤波算法在非线性 非高斯模型中的良好处理能力，使其得到广泛的应用．引入重采样方法(SIR)解决粒子退化 问 题的同时导致 了样本枯竭．针对上述问题 ，文 中提 出了一种融合基本重采样方法和确定性重采 样方法的新方法，能有效保持粒子的多样性．通过仿真实验表明，该方法能有效提高粒子滤波 算法的准确性． 关键词： 目标跟踪；粒子滤波；确定性重采样 ；支持粒子 中图号 ： TP391 文献标志码 ： A 在计算机视觉领域中，运动 目标跟踪问题是一 程，是一种通过非参数化的MonteCarlo模拟方法 个很重要的问题_1]，是解决很多计算机视觉问题的 实现递推贝叶斯估计的算法，这些样本即称为 “粒 基础．粒子滤波算法在复杂背景下的非线性、非高 子”．当采样点的数 目足够大时，这些粒子可以很好 斯模型中具有 良好的表现，因此在 目标跟踪 问题 中 地逼近后验概率密度函数． 得到广泛应用．Hammersley等在 20世纪 50年代 1．1 MonteCarlo方法 末就提出了基本 MonteCarlo方法l2]，并在 6O年 MonteCarlo方法亦称为随机模拟方法[6]，有 代使其得到了进一步发展 ¨3]，但上述研究始终未 时也称作随机抽样技术或统计试验．它的基本思想 能解决粒子数匮乏现象和计算量制约等问题．直到 是首先建立一个概率模型或随机过程，使它的参数 1993年 由Gordon等_l4]提出重采样概念，克服了算 等于问题的解，然后通过对模型或过程的观察或抽 法的退化问题，从而奠定了粒子滤波算法的基础． 样试验来计算所求参数的统计特征，最后给出所求 虽然重采样算法减少了退化问题，但同时也存在样 解的近似值，而解的精确度可用估计值的标准误差 本枯竭问题，即经过多次迭代，会导致具有较大权 来表示． 值的粒子被多次选取，采样结果中包含了许多重复 根据MonteCarlo方法，能够独立从状态的后 点，从而损失了粒子的多样性．针对此问题，文中提 验概 率 分 布 p(x IY )中抽 取 N 个 样本 出了基于确定性重采样的粒子滤波算法，该算法采 {z }~_，则状态后验概率密度分布可以通过以下 用基于粒子空间状态信息和权值的重采样机制，从 经验公式近似得到 而达到在解决粒子退化问题的同时保持粒子多样 N 1 性的 目的． ( IYht)一 1∑ z：(dr) (1) ’ ’ i一 1 1 粒子滤波原理概述 其 中 (*)为Dirac函数．