基于确定性重采样的粒子滤波算法白朝政1，李晋惠2（1西安工业大学.docVIP

基于确定性重采样的粒子滤波算法 （1.西安工业大学 计算机科学与工程学院， 陕西 西安 710032; 2.西安工业大学 理学院， 陕西 西安 710032） 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也导致了样本枯竭问题。针对上述问题，本文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，该方法能有效提同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； Particle filter based on deterministic resampling BAI chao-zheng1, LI jin-hui2 （1. School of Computer Science and Technology， Xi’an Technological University， Xi’an 710032， China; 2. Department of Mathematics and Physics， Xi’an Technological University， Xi’an 710032， China） Abstract: The particle filter algorithm has good performance in the complex background of the non-linear and non-Gaussian model, and has been widely used. The introduction of resampling (SIR) to solve the degeneracy problem of the particles also leads to sample depletion. To solve the problem, this paper proposes a new method which is based on basic resampling and deterministic resampling method and can effectively maintain the diversity of particles. Key words: object tracking; particle filter; deterministic resampling; support particle; 1 引言 在计算机视觉领域中，运动目标跟踪问题是一个很重要问题[1]，是解决很多计算机视觉问题的基础。对线性高斯状态空间模型，最优滤波就是Kalman滤波器，然而在复杂背景下的运动目标系统往往是动态变化的，为了对动态系统进行精确建模，常常需要运用非线性、非高斯模型。粒子滤波算法在非线性、非高斯模型中的良好表现，目标跟踪问题中得到广泛应用。 Hammersley等在20世纪50年代末就提出了基本的SIS方法[2]（Monte Carlo方法）,并在60年代使其得到了进一步发展[3]，但上述研究始终未能解决粒子数匮乏现象和计算量制约等问题，因此未引起人们的重视。直到1993年由Gordon等[4]提出了一种新的基于SIS的Bootstrap非线性滤波方法,从而奠定了粒子滤波算法的基础。此后，随着计算机计算能力的快速增长和现代计算技术的不断发展，Monte Carlo滤波方法也得到迅速发展和应用[5]。 虽然重采样算法减少了退化问题，但同时也存在样本枯竭问题，即经过多次迭代，会导致具有较大权值的粒子被多次选取，采样结果中包含了许多重复点，从而损失了粒子的多样性。 2 粒子滤波原理概述 粒子滤波是通过寻找一组在状态空间中传播的随机样本对后验概率密度函数进行近似以样本均值代替积分运算，而获得状态最小方差估计的过程，是一种通过非参数化的Monte Carlo模拟方法实现递推贝叶斯估计的算法，这些样本即称为“粒子”。当采样点的数目足够大时，这些粒子可以很好地逼近后验概率密度函数。 2.1 Monte Carlo方法 Monte Carlo方法亦称为随机模拟方法[6]，有时也称作随机抽样技术或统计试验。它的基本思想是：为了求解数学、物理、工程技术以及生产管理等方面的问题，首先建立一个概率模型或随机过程，使它的参数等于问题的解，然后通过对模型或过程的观察或抽样试验来计算所求参数的统计特征，最后给出所求解的近似值，而解的精确度可用估计值的标准误差来表示。 根据Monte Carlo方法，我们能够独立从状态的后验概率分布中抽取N个样本，则状态后验概率密度分布可以通过下面的经验公式近似得到：