下载

1下载券

加入VIP
  • 专属下载特权
  • 现金文档折扣购买
  • VIP免费专区
  • 千万文档免费下载

上传资料

关闭

关闭

关闭

封号提示

内容

首页 粒子滤波器及其在目标跟踪中的应用

粒子滤波器及其在目标跟踪中的应用.pdf

粒子滤波器及其在目标跟踪中的应用

baoan
2012-09-05 0人阅读 举报 0 0 暂无简介

简介:本文档为《粒子滤波器及其在目标跟踪中的应用pdf》,可适用于IT/计算机领域

粒子滤波器及其在目标跟踪中的应用江宝安卢焕章(国防科技大学ATR国家重点实验室湖南长沙)摘要:为了在物理条件下对目标进行精确建模有时需要运用非线性、非高斯系统。而常规的卡尔曼滤波算法要求系统是线性高斯型的因而不能直接用来解决非线性、非高斯问题。为了解决这一问题人们开发出各种非线性滤波算法。一种是扩展卡尔曼算法(EKF)它对非线性系统进行局部线性化从而间接利用卡尔曼算法进行滤波与估算另一种是序列蒙特卡罗算法亦即粒子滤波器(PF)它是最近出现的解决非线性问题的有效算法。本文简要介绍非线性跟踪的最优与次优贝叶斯算法重点关注粒子滤波器通过再入大气层弹道目标的例子说明PF在目标跟踪中的应用。关键词:目标跟踪非线性系统贝叶斯算法粒子滤波器中图分类号:TN文献标识码:A文章编号:()JIANgBaoanLUHuanzhang():FormanyappiicationsitisbecomingimportanttoinvoivesomeeiementswithnoniinearityandnongaussionityinordertomodeiaccurateiytheunderiyingdynamicsofaphysicaisystemMoreoverinthiscaseitisusuaiiydifficuittodirectiyutiiizeKaimanfiiter(KF)becauseKFisbasedonconditionofiineargaussiansystemForsoivingtheseprobiemsseveraivariantsofnoniinearnongaussianfiitersaredeveiopedOneisextendedKaimanfiiter(EKF)itmakesaiocaiiinearizationtoanoniinearsystemsoKFcanbeutiiizedindirectiytofiiterandestimateTheotherisseguentiaiMonteCariomethodbasedonpointmasswhichiscaiiedparticiefiiter(PF)ItisanefficientmethoddeaiingwithnoniinearnongaussianprobiemsInthispaperwereviewbothoptimumandsuboptimumBayesianaigorithmsfornoniineartrackingprobiemswithfocusonPFAndtheperformancesofthePFarediscussedandcomparedwiththeEKFthroughtrackingareentrybaiiisticobject:targettrackingnoniinearsystemBayesianaigorithmparticiefiiter引言在科学与工程实践中许多问题要求利用带有噪声的测量值对随时间变化的系统状态进行滤波与估计。在本文中我们利用状态空间法用差分方程对随时间演化的动态系统建模并假定测量值是以离散方式获取的。状态空间法的焦点是状态向量的确定例如在跟踪问题中状态向量的确定是与目标的运动特性密切相关的。测量向量代表与状态向量有关的含有噪声的观测值测量向量的维数一般来说低于状态向量的维数。为了分析一个动态系统至少需要两个模型:描述随时间演化的状态模型(系统模型)和与状态有关的带有噪声的测量模型。在利用贝叶斯方法对状态进行估计时需要建立基于已获信息的后验概率密度函数(pdf)。由于这个pdf包含所有的目标统计信息故可以认为它是目标估计的完全解。原则上讲从pdf可以获取一个最优估计。但在许多情况下获取精确的pdf是不可能的这就需第期年月雷达科学与技术VoiNoOctober收稿日期:修回日期:要进行各种次优估计。其中和是两种主要方法。由于测量数据是以序列方式获取的运用贝叶斯理论可以以递归的方式对测量数据进行序列处理而不必是批处理因而没有必要对以前的测量数据进行存储和再处理节省了大量的存储空间。这种贝叶斯递归滤波器由两个步骤组成:预测和更新。预测是利用系统模型预测从一个测量时刻到下一个时刻的前向状态而更新操作是利用最新的测量值对这个先验进行修正。本文重点介绍粒子滤波器的原理、方法以及在目标跟踪中的应用具体安排如下:第节描述非线性跟踪问题第节介绍在满足一定条件下的最优贝叶斯解即卡尔曼滤波解。第节介绍两种次优贝叶斯算法即和。第节以实例说明的应用。非线性贝叶斯跟踪考虑具有加性高斯过程噪声和测量噪声的离散非线性滤波问题。目标的状态方程为()()这里是状态向量的非线性方程{}是离散过程噪声序列和分别是状态向量和过程噪声向量的维数是自然数集。目标的测量方程为()()这里是的非线性方程{}是离散测量噪声序列和分别是测量向量和测量噪声向量的维数。以贝叶斯学派的观点跟踪问题就是在给定测量数据的条件下估算状态向量的值即估计后验概率密度函数()。若假定初始先验概率密度函数()()是已知的(表示初始状态向量表示没有测量值)则从原则上讲通过预测和更新就可以递归的方式估计后验概率密度函数()。假定在时刻概率密度函数()是已知的那么利用系统模型式()就可以预测时刻的先验概率密度:()()·()·()注意:在式()中利用了式()所描述的一阶马尔可夫过程()()。由系统模型式()和统计值可以确定状态演化的概率密度()。在时刻获得测量值利用贝叶斯规则更新先验概率:()()·()()()常数()()·()·取决于由测量模型式()和统计值所定义的似然函数()。在更新公式()中测量值被用来修正先验概率密度以获取当前状态的后验概率密度函数。式()和式()是最优贝叶斯估计的一般概念表达式通常不可能对它进行精确的分析。在满足一定的条件下可以得到最优贝叶斯解。但如果条件不满足可以利用或获得次优贝叶斯解。最优算法()卡尔曼滤波假定在每一时刻后验概率密度是高斯型的因此全部参数为均值和协方差。如果()是高斯分布可以证明在下述条件下()也是高斯分布:()和是高斯分布()()是和的线性函数()()是和的线性函数。这样式()和式()可以改写为·()·()和是已知的系统矩阵和测量矩阵。和分别是均值为零方差为和的统计独立的高斯白噪声。这里以及噪声参数和可以是时变的。卡尔曼算法如下所示:()()()()()()()()()其中·()··()·(·)()··()··()··()年第期江宝安:粒子滤波器及其在目标跟踪中的应用其中是更新项·的方差是卡尔曼"益。如果假设条件成立卡尔曼解就是跟踪问题的最优解。这意味着在线性高斯环境下没有任何其他算法的性能比卡尔曼滤波器的性能更好。次优算法在许多情况下第节中所做的假设不成立因此不能利用卡尔曼滤波器得到目标的最优贝叶斯估计。本节我们来考虑两种非线性贝叶斯滤波器即扩展卡尔曼滤波器()和粒子滤波器()。扩展卡尔曼滤波器()如果因为函数的非线性式()和式()不能改写成式()和式()的形式那么方程的局部线性化可能是对非线性问题的充分描述。正是基于这样的思想其算法如下:()()()()()()()()()其中()()··()·(())()··()这里(·)和(·)是非线性方程而和是这些非线性方程的局部线性化参数:()()()()··()··()只利用非线性函数泰勒展开式中的一次项保留了泰勒展开式中的更多项能更精确地逼近实际的非线性函数但增加了复杂度限制了它的应用。总是估算()为高斯分布。如果真正的概率密度是非高斯型的那么高斯分布就不能很好地标识它在这种情况下相对于具有更好的性能。粒子滤波器()序列重要度采样()算法是一种蒙特卡罗()方法它是序列蒙特卡罗()滤波的基础。这种方法以各种名目出现如自助()滤波、粒子滤波等。以模拟实现递归贝叶斯滤波关键的思想是利用一组带有相关权值的随机样本以及基于这些样本的估算来表示后验概率密度()。当样本数非常大时这种概率估算将等同于后验。为了详细描述算法令{}表示代表后验()的随机粒子权值经过归一化处理在时刻的后验概率密度可以近似为()·!()()利用重要度采样原理对权值进行选择假定()!()从中很难得出的采样值。令()⋯(·)是重要度密度函数对密度()估计可表示为()·!()()其中()()()如果样本来自重要度密度函数()那么式()中的权可定义为()()()重要度密度函数()可作如下分解:()()·()()后验概率密度()可分解为()()·()()()·()·()()()·()·()()将式()和()代入式()可得权更新公式:()·()·()()·()()·()()()·()()()雷达科学与技术第卷第期权归一化()这样可估算后验概率密度():()·()()当时估计值式()接近于真实的后验概率密度()。对粒子滤波器有两个问题需要说明:()退化问题的一般问题是退化()现象。经过几次迭代除一个粒子以外所有的粒子只具有微小的权值。退化现象意味着大量的计算工作都被用来更新那些对()的估计几乎没有影响的粒子上。对退化现象的一个恰当的测度是有效采样尺度有效采样尺度定义为()()其中由式()和()确定()为的方差。虽然不能确切地计算但却可以得出的近似估计值:()()由式()得小的意味着有严重的退化现象。显然退化现象对产生了不利的影响。减小这一不利影响的首要方法是增加粒子数目。但这通常是不实际的。因此我们主要依靠选取好的重要度密度(·)和再采样来减小这种不利的影响。()选取好的重要度密度这种方法是选取好的重要度密度(·)以便把最大化。最优重要度密度如文献[]所述为()()()·()()()将式()代入式()得:·()()·()·()这种最优重要度密度有两个主要缺点即它需要从()抽取样本并估算积分值()·()·。在一般情况下并不能直接解决这两个问题通常的做法是取重要度密度为先验概率密度:()()()将式()代入式()可得:·()()由于实现的简易性这样的重要度密度选择是最常用的。当然还有许多其他的重要度密度选择方式这里不详细叙述。在设计时重要度密度选择是重要的设计步骤。应用本节通过对再入大气层弹道目标的运动估计说明在非线性模型跟踪中的应用。为了简便假定目标垂直下降作用于目标的力只有空气阻力和重力。其系统状态方程如下:·()··()其中为目标高度为目标速度()为空气密度为重力加速度为弹道系数。这里空气密度模型(以计)为()··其中。弹道系数取决于目标的质量、形状等因素为简化分析假定是已知的。而[]连续状态方程可表示为()()利用估计公式取一个微小的积分步长可得·()()再引入过程噪声以弥补模型的不完善性最后得离散时间状态方程为()()其中()··[()][]()·([])·([])·式()中过程噪声假定是零均值高斯白噪声其方差为·有关参数取值如下:初始高度初始速度。年第期江宝安:粒子滤波器及其在目标跟踪中的应用再入大气层弹道目标的高度和速度随时间而变化如图所示。图再入大气层弹道目标的高度和速度随时间变化的情况利用雷达以等间距对目标高度进行测量测量方程为·()其中[]是测量假定为零均值高斯白噪声其方差为!与过程噪声相互独立。有关参数取值如下:![()()]。在检测概率的条件下用(粒子数)和(粒子数)分别对高度和速度进行次独立蒙特卡罗仿真所得的均方误差如图所示。由这些误差曲线可以图用蒙特卡罗仿真得到的高度和速度跟踪均方误差看出用都能较好地解决非线性跟踪问题但对噪声的抑制能力更强滤波精度更高而且通过增加粒子数目还可以改进的性能同时可以很容易地推广到多目标多传感器数据融合与跟踪问题中。的主要缺点是计算量比较大尚没有一个统一的标准来估算的性能。小结滤波方法是一种递归贝叶斯估计方法。该方法不要求模型是线性的对任意分布的噪声都适用而且算法简单易于编程实现。与扩展卡尔曼滤波方法比较这种算法的滤波效果更好适用范围更广。(下转第页)雷达科学与技术第卷第期[]吴芸等下多线程编程技术及其实现[]:作者简介:孙晓坤女年毕业于西安电子科技大学通信工程学院现为国防科学技术大学电子科学与工程学院硕士研究生主要从事数据录取领域的研究工作。(上接第页)参考文献:[][]():[][]():[]:[]():[][]():[][]():[][]():作者简介:江宝安男年生国防科技大学电子科学与工程学院硕士研究生主要研究方向为数据融合和多目标跟踪。雷达科学与技术第卷第期粒子滤波器及其在目标跟踪中的应用作者:江宝安卢焕章作者单位:国防科技大学ATR国家重点实验室,湖南,刊名:雷达科学与技术英文刊名:RADARSCIENCEANDTECHNOLOGY年卷(期):,()被引用次数:次参考文献(条)NGordonAHybridBootstrapFilterforTargetTrackinginClutter外文期刊()FredrikGustafssonFredrikGunnarssonNiclasBergmanUrbanForssell,JonasJansson,RickardKarlssonandPerJohanNordlundParticleFiltersforPositioning,Nevigation,andTracking外文期刊()CHueJPLeCadrePPerezTrackingMultipleObjectswithParticleFiltering外文期刊()BRisticMSanjeavArulamPalamTrackingaManeuveringTargetUsingAngleonlymeasurements:algorithmsandperformance()AFarimBRisticLTimmoneriCramarRaoBoundforNonlinearFilteringWithpd<andItsApplicationtoTargetTracking()ADoucetNJCordon,andVKrishnamurthyparticleFiltersforStateEstimationofJumpMarkovLinearSystems外文期刊()本文读者也读过(条)程鹏飞粒子滤波器的原理及其在目标跟踪中的应用期刊论文硅谷()李延秋沈毅刘志言LIYanqiuSHENYiLIUZhiyan用于非线性跟踪问题的一种新的粒子滤波器期刊论文中国航空学报(英文版),()引证文献(条)杨平厉小润基于二级特征匹配的卡尔曼滤波跟踪算法期刊论文有色冶金设计与研究()付元增邵明省基于正则粒子滤波的红外成像消噪处理期刊论文实验技术与管理()曲巨宝王淑娟林宏基利用Camshift算法实现运动目标自动跟踪期刊论文湖南工业大学学报()李彦翔刘庆华基于粒子滤波的声源定位方法期刊论文计算机工程与应用()曲巨宝利用MAS实现车辆动态识别与智能跟踪期刊论文重庆交通大学学报(自然科学版)()苏功勋黄文达基于自适应性粒子滤波器的目标追踪期刊论文舰船电子工程()李彦翔刘庆华高斯条件下基于粒子滤波的声源定位期刊论文电声技术()杨波基于MeanShift算法的粒子滤波器在目标跟踪中的应用期刊论文科技资讯()张孝生序贯MonteCarlo算法仿真结果分析期刊论文计算机技术与发展()崔伟莉非刚性目标跟踪基于模板修正和自适应Kalman预测的期刊论文数字技术与应用()张仲春粒子滤波算法在SAR影像道路提取中的应用期刊论文矿山测量()王然冉张铁力李晓佳基于粒子滤波器的人体目标跟踪期刊论文计算机应用与软件()林宏基叶政春欧静彩色序列图像中实时运动目标跟踪方法期刊论文中国图象图形学报A()梁英宏王知衍曹晓叶许晓伟视频图像理解的一般性框架研究期刊论文计算机应用研究()唐现国何祖军一种基于正则粒子滤波器的目标跟踪算法期刊论文舰船科学技术()欧静林宏基基于MeanShift算法和粒子滤波器的目标跟踪期刊论文福建电脑()张铁力王然冉李晓佳人体运动目标的检测与跟踪期刊论文自动化博览()孟勃朱明粒子滤波算法在非线性目标跟踪系统中的应用期刊论文光学精密工程()温晓君单站目标被动跟踪的滤波器方法研究期刊论文电子器件()邵金鑫王玲魏星基于高斯施密特粒子滤波器的多机器人协同定位期刊论文计算机工程与科学()袁健隋树林张文霞基于UDEKF自主光学导航方法仿真期刊论文计算机仿真()刘维亭戴晓强朱志宇基于重要性重采样粒子滤波器的机动目标跟踪方法期刊论文江苏科技大学学报(自然科学版)()王博水下目标被动跟踪系统的建模和滤波算法研究学位论文硕士胡嘉凯智能视频监控系统中运动目标跟踪有关问题研究及其DSP实现学位论文硕士华德宏机载无源定位中的信息融合技术研究学位论文硕士郭福成一种高斯分布的调整粒子滤波算法期刊论文信号处理(z)方帅迟健男徐心和视频监控中的运动目标跟踪算法期刊论文控制与决策()基于Bootstrap滤波的单站无源定位算法期刊论文海军航空工程学院学报()王京玲叶龙张勤基于遗传算法的粒子滤波器在目标跟踪中的应用期刊论文北京广播学院学报(自然科学版)()张昊高速视频中运动目标姿态自动判读方法的研究学位论文博士李大湘视频中人脸检测与跟踪技术的研究学位论文硕士李大湘视频中人脸检测与跟踪技术的研究学位论文硕士方帅计算机智能视频监控系统关键技术研究学位论文博士李静粒子滤波器关键技术及其应用的研究学位论文博士毕华军粒子滤波器在图像序列目标跟踪中的应用研究学位论文硕士本文链接:http:dgwanfangdatacomcnPeriodicalldkxyjsaspx

VIP免券下载文档

用户评价(0)

关闭

新课改视野下建构高中语文教学实验成果报告(32KB)

抱歉,积分不足下载失败,请稍后再试!

提示

试读已结束,如需要继续阅读或者下载,敬请购买!

文档小程序码

使用微信“扫一扫”扫码寻找文档

1

打开微信

2

扫描小程序码

3

发布寻找信息

4

等待寻找结果

我知道了
评分:

/8

粒子滤波器及其在目标跟踪中的应用

VIP

在线
客服

免费
邮箱

爱问共享资料服务号

扫描关注领取更多福利