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.docVIP

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 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； 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。 1 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。 1.1 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： （1） 其中，为Dirac函数。 1.2 序贯重要性采样（SIS）是多变量的、非标准的，所以通常很难直接从中抽样得到粒子。一种有效的解决方法就是引入重要性函数，重要性函数是指概率分布与相同, 概率密度分布已知并且容易从中采样的分布函数, 重要性采样需要得到t时刻以前所有的观测数据。 根据Smith与Gelfand的研究结果[7]，重要性权值： （2） t采样时不改动过去的状态序列样本集，并且采用递推的形式计算重要性权值。经推导重要性权值表示如下： （3） 重要性分布函数的选择是一个非常关键的问题，选取原则之一就是使得重要性权值的方差最小。选择可以满足重要性权值的方差最小原则，但是这种选择方法在实际中往往比较难以实现。从实际应用角度来讲，多数文献采用了 ，这种方法尽管不是最优方法，但作为次优方法是较容易实现的。 1.3 采样重要性重采样（SIR） 序贯重要性采样方法的一个最大问题是粒子匮乏现象，即随着时间的增加，重要性权值有可能集中到少数粒子上，不能有效表达出后验概率密度函数。为了避免这种退化，Gordon等人提出了重采样方法[1]，重采样算法的思想是通过对粒子和相应权表示的概率密度函数重新采样，增加权值较大的粒子数，减少权值较小的粒子数。 重采样算法虽然改善了粒子匮乏现象，但是也降低了粒子的多样性。因此重采样的选用要依据一些准则。目前常用的准则就是根据有效粒子数 ，定义为： （4） 设定阈值，如果，就采用重采样算法，否则就不进行重采样。 1.4 基本粒子滤波算法实现步骤 1）初始化，采样，计算； 2）重要性采样，在时刻t，采样； 3）用式（3）计算重要性权值； 4）重采样； 5）状态输出。 2 确定性重采样 Tariq Pervez Sattar等人[8]提出了一种新型的重采样算法（称为确定性重采样），该算法通过避免未经审查丢弃权值低的加权粒子，从而保