四、基于粒子滤波的目标跟踪算法.docVIP

目 录 目 录 一、目标跟踪技术简介 1 一、目标跟踪技术简介 2 二、滤波算法现状 3 三、目标跟踪各种滤波算法 3 3.1 贝叶斯估计 3 3.2 卡尔曼滤波器 4 3.3 网格滤波器 5 3.4 扩展卡尔曼滤波器 6 3.5 近似网格滤波器 7 3.6 无迹卡尔曼滤波器 8 四、基于粒子滤波的目标跟踪算法 9 4.1 蒙特卡罗方法 9 4.2 SIS粒子滤波 10 4.3 SIR粒子滤波 11 五、参考文献 12 一、目标跟踪技术简介 目标跟踪是信息融合的经典应用，被广泛的应用于监控、导航、障碍规避等系统中，其主要目的是确定目标的个数、位置、运动信息和身份。目标跟踪的基本概念在1955年由Wax首先提出。1964年，Sittler对多目标跟踪理论以及数据关联问题进行了深入的研究，并取得了开创性的进展。然而直到1970年代初期，机动目标跟踪理论才真正引起人们的普遍关注和极大兴趣。在80年代Bar-Shalom和Singer将数据管理和卡尔曼滤波技术的有机结合标志着多目标跟踪技术去得了突破性的进展。目标跟踪可被定义为估计关注区域内目标个数和状态的过程，其中目标状态包括运动分量（位置、速度、加速度）和属性信息（信噪比、雷达交叉区域、谱特征等）。 一个典型的目标跟踪系统包括五个部分： （1）跟踪滤波器：跟踪滤波器利用基于状态空间模型对目标状态进行递归估计，这方面最常见的固定参数滤波器有Kalman滤波器、扩展卡尔曼滤波器。滤波器的选择取决于跟踪系统所用的坐标系，如在常速模型中当状态空间为笛卡尔坐标系，观测是极坐标系统时，运动方程就是非线性的。 （2）监控处理逻辑：该部分负责处理动态方程的突然变化，然后在多种可能的目标运动模型内进行选择。 （3）门限与数据关联：门限用于将得到的观测和已有的目标航迹关联的依据，而数据管理负责求解落入跟踪门中的观测对于航迹更新的贡献。目标的运动信息或者是属性均可以用来作为门限关联的依据。常见的关联算法有：联合概率关联算法、多假设关联算法、S维分配算法。 （4）航迹管理：航迹有其自然生命期——航迹形成期，航迹维持期，航迹销毁期。航迹形成时跟踪系统从多个扫描周期得到的测量得到初始化航迹；航迹维持将现有的航迹与当前的观测关联并更新航迹；当多个扫描周期内没有观测和航迹相关目标或者消失或者脱离了传感器的探测区域，此时航迹被删除。 （5）目标识别：目标识别的目的是利用目标的各种属性判别目标的身份。本文主要进行跟踪滤波器的研究，但是新一代的跟踪滤波器已经部分涵盖了如目标识别等功能。 二、滤波算法现状 滤波这一概念起源于通信理论，它是一种从含有噪声的接收信号中提取出有用信号的技术。接收信号是被观测的随机过程，有用信号则相当于被估计的随机过程。我们利用滤波技术处理已经受到噪声污染的观测数据，从而恢复原来的信息。噪声可能来源于多种途径，比如传感器的观测噪声，信道传输噪声等。滤波器能够实现滤波、平滑、预测等一些信息处理的基本任务。滤波理论是在对目标信号可以进行测量的基础上，依据一定的滤波原理，采用某种最优统计的算法，对系统状态进行估计的理论和方法。所谓最优滤波或者最优估计，指的是具有最小方差的最优滤波或估计。 维纳滤波和卡尔曼滤波是两种经典的最优滤波，在二十世纪四十年代，第二次世界大战军事技术迫切需要进步的背景下， Wiener和Kolmogorov相继独立创立了经典的维纳滤波理论，但该滤波采用了频域方法，而且是非递推的，仅限于处理平稳随机过程，它的局限性使其很难在工程中实现和应用。二十世纪六十年代初，伴随电子技术的快速发展以及高速电子计算机的出现，针对复杂的时变的非平稳系统，就要求滤波器具备实时、快速计算的能力。在这种应用背景下，Kalman提出了经典的卡尔曼滤波，可处理时变的、非平稳的、多维的信号系统。当系统为线性系统且噪声服从高斯分布时，该滤波方法可以得到线性无偏且有最小方差的系统状态。卡尔曼滤波突破了维纳滤波频域方法的局限性，提出时域上的状态空间方法，将信号看成状态或状态分量。卡尔曼滤波首次通过方程来描述系统模型，用观测方程描述出系统的观测模型，用状态方程描述出系统的动态模型。由于卡尔曼滤波运用递推计算方式，因此特别适合用计算机来实现。但卡尔曼滤波需要已知精确的系统模型，并假设系统都是线性系统且噪声信号服从高斯分布，所以当这些条件不能被充分满足时，计算量和存储量将迅速膨胀，以至于导致滤波性大幅度下降。 对于非线性非高斯系统，卡尔曼滤波的最优解通常都无法实现，于是，Sunahara、Bucy等人提出了扩展卡尔曼滤波理论(Extended Kalman Filtering，EKF)，将卡尔曼滤波理论扩展到了非线性领域。EKF的基本思想是先对非线性系统线性化，然后再进行卡尔曼滤波，因此它是一种次优滤波。该方