CN110007298B - 一种目标超前预测跟踪方法 - Google Patents

Abstract

本发明公开一种目标超前预测跟踪方法，在观测噪声影响不大的情况下，可提前一步预测目标的运动状态。首先对运动目标建立运动模型，然后采用平方根容积卡尔曼滤波的方法对目标下一时刻的运动状态做出超前一步预测，即先验估计，通过统计当前时刻之前的先验预测值与观测值之间的误差序列，建立马尔科夫转移概率模型，由马尔科夫转移概率矩阵预测下一时刻的先验预测误差，并用此误差修正下一时刻的超前预测值。本发明的超前预测跟踪方法能提前一步预测目标的运动状态，为跟踪控制系统提前提供目标状态预测值，控制系统可根据超前预测值提前动作克服跟踪的滞后，并可在目标受到遮挡时按照超前预测值维持对目标的连续跟踪。

Description

一种目标超前预测跟踪方法

技术领域

本发明涉及图像、雷达及声纳信号处理领域。

背景技术

目标跟踪是用信号处理的方法对图像、雷达、声纳等应用场合中存在的目标状态信息进行估计，广泛应用在雷达及视频跟踪、无线激光通信、天文观测、航空摄影等领域。

在目标跟踪系统中，对目标的观测信号进行传输、处理会造成目标信息的观测滞后，同时控制系统通过执行机构对移动目标动态跟踪时，会有一定的控制滞后。在很多情况下，噪声对目标跟踪效果的影响远远小于观测和控制滞后对整个跟踪系统的影响。如果能够超前预测目标的运动状态，就可以为跟踪控制系统提前提供目标状态预测值，控制系统可提前动作克服跟踪的滞后。当目标受到遮挡时，跟踪系统可以按照超前预测值维持对目标的连续跟踪。

现有的运动目标跟踪方法一般都是在取得目标运动状态观测值的情况下，应用滤波方法得到状态的最优估计值，滤波的目的主要是为了克服干扰噪声的影响，但却无法克服跟踪的滞后。当滤波用于目标状态预测跟踪时，预测精度依赖于干扰噪声的分布，且一步预测精度有限，无法满足预测跟踪的精度要求。

发明内容

本发明提供一种目标超前预测跟踪方法，在观测噪声影响不大的情况下，可提前一步预测目标的运动状态，实现目标状态的超前一步预测。首先对运动目标建立运动模型，然后采用平方根容积卡尔曼滤波的方法对目标下一时刻的运动状态做出超前一步预测，即先验估计，通过统计当前时刻之前的先验预测值与观测值之间的误差序列，建立马尔科夫转移概率模型，由马尔科夫转移概率矩阵预测下一时刻的先验预测误差，并用此误差修正下一时刻的目标状态预测值。本发明的超前预测跟踪方法能提前一步预测目标的运动状态，为跟踪控制系统提前提供目标状态预测值，控制系统可提前动作克服跟踪的滞后。当目标受到遮挡时，跟踪系统可以按照超前预测值维持对目标的连续跟踪。

为实现上述目的，本发明一种目标超前预测跟踪方法，具体步骤为：

步骤一，建立目标的运动模型和观测模型，

其中f(·)是状态转移函数，h(·)是观测函数，系统噪声w_k和测量噪声v_k是相互独立的零均值高斯白噪声，方差分别为Q和R，x_k和z_k是k时刻的目标位置状态值和位置观测值；

步骤二，用平方根容积卡尔曼滤波超前预测目标的位置状态，具体过程如下：

设定k-1时刻后验概率

分解状态估计误差协方差阵为S_k-1|k-1＝chol(P_k-1|k-1)，chol(·)代表Cholesky分解；

构建容积点：

传播容积点：

先验状态预测

预测误差协方差阵平方根系数

其中Tria(·)是三角分解，

估计容积点

传播容积点Z_i,k|k-1＝h(X_i,k|k-1),i＝1,2,...,m；

计算测量预测值

新息协方差阵平方根系数

其中

互协方差阵

其中

增益计算

最优状态估计

估计误差协方差阵平方根系数

步骤三，用马尔科夫预测模型修正超前预测值，具体过程如下：

由步骤二取k时刻及之前的l+1个先验状态预测值

记录k时刻之前的l个观测值z_i-1(i＝k-l…k)，计算l个绝对误差Δ_i-1＝z_i-1-ψ(x_i-1)(i＝k-l…k)；

令Δ_min＝min{Δ_k-l-1,Δ_k-l,…Δ_k-1}且Δ_max＝max{Δ_k-l-1,Δ_k-l,…Δ_k-1}，将[Δ_min,Δ_max]范围分成n个区间，每个区间对应一个离散的状态，记作{E₁,E₂,…,E_n}；

根据{E₁,E₂,…,E_n}，由马尔科夫模型得到转移概率矩阵P^(k)，根据转移概率矩阵，计算Δ_k最可能处于的状态区间E_j，E_j区间的中心点作为马尔科夫估计值Δ_k；

步骤四，最终的目标位置一步超前预测值由平方根容积卡尔曼滤波先验估计值和马尔科夫预测值之和确定，即Ψ(x_k)＝ψ(x_k)+Δ_k。

具体实施方式

为了进一步说明本发明的技术方案，下面对本发明进行详细的说明，但不是对本发明的限定。本发明一种目标超前预测跟踪方法，具体包括以下步骤：

步骤一，建立目标的运动模型和观测模型，

其中f(·)是状态转移函数，h(·)是观测函数，系统噪声w_k和测量噪声v_k是相互独立的零均值高斯白噪声，方差分别为Q和R，x_k和z_k是k时刻的目标位置状态值和位置观测值；

步骤二，用平方根容积卡尔曼滤波超前预测目标的位置状态，具体过程如下：

设定k-1时刻后验概率

分解状态估计误差协方差阵为S_k-1|k-1＝chol(P_k-1|k-1)，chol(·)代表Cholesky分解；

构建容积点：

传播容积点：

先验状态预测

预测误差协方差阵平方根系数

其中Tria(·)是三角分解，

估计容积点

传播容积点Z_i,k|k-1＝h(X_i,k|k-1),i＝1,2,...,m；

计算测量预测值

新息协方差阵平方根系数

其中

互协方差阵

其中

增益计算

最优状态估计

估计误差协方差阵平方根系数

步骤三，用马尔科夫预测模型修正超前预测值，具体过程如下：

由步骤二取k时刻及之前的l+1个先验状态预测值

记录k时刻之前的l个观测值z_i-1(i＝k-l…k)，计算l个绝对误差Δ_i-1＝z_i-1-ψ(x_i-1)(i＝k-l…k)；

令Δ_min＝min{Δ_k-l-1,Δ_k-l,…Δ_k-1}且Δ_max＝max{Δ_k-l-1,Δ_k-l,…Δ_k-1}，将[Δ_min,Δ_max]范围分成n个区间，每个区间对应一个离散的状态，记作{E₁,E₂,…,E_n}；

根据{E₁,E₂,…,E_n}，由马尔科夫模型得到转移概率矩阵P^(k)，根据转移概率矩阵，计算Δ_k最可能处于的状态区间E_j，E_j区间的中心点作为马尔科夫估计值Δ_k；

步骤四，最终的目标位置一步超前预测值由平方根容积卡尔曼滤波先验估计值和马尔科夫预测值之和确定，即Ψ(x_k)＝ψ(x_k)+Δ_k。

从上述步骤中可以看出，步骤二给出了位置的先验状态预测

将被用作一步超前预测值，但该超前预测值精度不高，因此在步骤三中，利用已获得的当前时刻之前的误差序列求得马尔科夫转移概率矩阵，根据此转移概率矩阵预测当前时刻误差，从而修正一步超前预测值，在步骤四中得到最终的目标位置超前预测值。

综上，本发明给出了一种目标超前预测跟踪方法，可以为跟踪控制系统提前一步提供目标状态预测值，控制系统可提前动作克服跟踪的滞后，并可在目标受到遮挡时按照超前预测值维持对目标的连续跟踪。本发明将可应用于视频、雷达及声纳目标跟踪、机器人定位导航等领域，具有广泛的应用前景。

Claims (1)

1.一种目标超前预测跟踪方法，具体步骤为：

步骤一，建立目标的运动模型和观测模型，

其中f(·)是状态转移函数，h(·)是观测函数，系统噪声w_k和测量噪声v_k是相互独立的零均值高斯白噪声，方差分别为Q和R，x_k和z_k是k时刻的目标位置状态值和位置观测值；

步骤二，用平方根容积卡尔曼滤波超前预测目标的位置状态，具体过程如下：

设定k-1时刻后验概率

分解状态估计误差协方差阵为

S_k-1|k-1＝chol(P_k-1|k-1)，chol(·)代表Cholesky分解；

构建容积点：

传播容积点：

先验状态预测

预测误差协方差阵平方根系数

其中Tria(·)是三角分解，

估计容积点

传播容积点Z_i,k|k-1＝h(X_i,k|k-1),i＝1,2,...,m；

计算测量预测值

新息协方差阵平方根系数

其中

互协方差阵

其中

增益计算

最优状态估计

估计误差协方差阵平方根系数

步骤三，用马尔科夫预测模型修正超前预测值，具体过程如下：

由步骤二取k时刻及之前的l+1个先验状态预测值

记录k时刻之前的l个观测值z_i-1(i＝k-l…k)，计算l个绝对误差Δ_i-1＝z_i-1-ψ(x_i-1)(i＝k-l…k)；

令Δ_min＝min{Δ_k-l-1,Δ_k-l,…Δ_k-1}且Δ_max＝max{Δ_k-l-1,Δ_k-l,…Δ_k-1}，将[Δ_min,Δ_max]范围分成n个区间，每个区间对应一个离散的状态，记作{E₁,E₂,…,E_n}；

根据{E₁,E₂,…,E_n}，由马尔科夫模型得到转移概率矩阵P^(k)，根据转移概率矩阵，计算Δ_k最可能处于的状态区间E_j，E_j区间的中心点作为马尔科夫估计值Δ_k；

步骤四，最终的目标位置一步超前预测值由平方根容积卡尔曼滤波先验估计值和马尔科夫预测值之和确定，即Ψ(x_k)＝ψ(x_k)+Δ_k。