CN111652263B - 一种基于多滤波器信息融合的自适应目标跟踪方法 - Google Patents

一种基于多滤波器信息融合的自适应目标跟踪方法 Download PDF

Info

Publication number
CN111652263B
CN111652263B CN202010233906.3A CN202010233906A CN111652263B CN 111652263 B CN111652263 B CN 111652263B CN 202010233906 A CN202010233906 A CN 202010233906A CN 111652263 B CN111652263 B CN 111652263B
Authority
CN
China
Prior art keywords
kalman filter
adaptive
evidence
kalman
filter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010233906.3A
Other languages
English (en)
Other versions
CN111652263A (zh
Inventor
蒋雯
马泽宇
邓鑫洋
耿杰
李新宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202010233906.3A priority Critical patent/CN111652263B/zh
Publication of CN111652263A publication Critical patent/CN111652263A/zh
Application granted granted Critical
Publication of CN111652263B publication Critical patent/CN111652263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于多滤波器信息融合的自适应目标跟踪方法，包括以下步骤：步骤一构造多卡尔曼滤波器数据融合跟踪模型；步骤二判断自适应卡尔曼滤波器是否需要更新参数；步骤三计算多个定参数卡尔曼滤波器的不确定信息；步骤四将多个定参数卡尔曼滤波器的不确定信息转化为证据；步骤五将融合后的证据转化为概率；步骤六更新自适应卡尔曼滤波器的参数。本发明在多个卡尔曼滤波器的基础上添加了一个参数自适应调节的卡尔曼滤波器，因而具有更好的抗干扰性；并用证据理论融合新息信息的不确定信息生成概率值；以多个卡尔曼滤波器的参数作为参考值，结合概率值对自适应卡尔曼滤波器的参数进行更新，提升了目标跟踪在干扰环境下目标跟踪的准确性。

Description

一种基于多滤波器信息融合的自适应目标跟踪方法
技术领域
本发明属于目标跟踪技术领域，具体涉及一种证据理论改进的模糊卡尔曼滤波目标跟踪方法。
背景技术
伴随着万物互联时代的来临，各类电子设备和传感器已然遍布生活和工、作的各个角落，结合通信、人工智能等技术，极大改善了人们的生活。与此同、时，制造业升级以及智能制造等带来工业生产设备的更新迭代，自动化生产的、设备往往需要具备对物品识别和跟踪的能力；而在日常生活中，生活方式因智、能视频监控和人脸识别等应用而更加智能化，这些应用也使得目标识别和跟踪、技术更为普及。因而技术发展极大丰富了目标识别与跟踪等理论的应用场景，相关理论方法的研究也受到了广泛重视。
目标跟踪问题实际上就是目标状态的跟踪滤波问题，即根据传感器已获得的目标测量数据对目标状态进行精确的估计。目标在运动过程中随着速度、角度、加速度等参数不断变化，使得目标的位置具有很强的相关性，但是由于定位跟踪过程中测量误差、系统噪声和干扰的存在，利用多次含有噪声的观测数据对目标运动状态进行跟踪，需要用滤波方法来获得统计最优的状态估计结果，其实质是最优滤波问题。卡尔曼滤波方法自从1960年被Kalman提出，就因为有良好的目标状态预测性能而备受重视。此后许多研究将仅适用于线性系统和高斯概率分布的经典卡尔曼滤波进一步改进。为提高对目标的跟踪性能，迫切需要研究更为优越的跟踪滤波方法。
智能化同时也造成了数据量的剧增，繁杂多样的信息促使着信息融合技术的快速发展，也使其被用于各种各样的应用中。在众多应用场景中，数据处理中心所能获取的观测数据往往采集自不同的传感器，所能获取的数据量也随之倍增。相比于单个传感器观测数据，多源数据能更充分的反映目标情况，因而在目标识别与跟踪过程中需要融合多源信息，从而提高识别与跟踪的准确性。但是在目标跟踪过程中，传感器在复杂环境中受到噪声干扰等一系列环境不确定因素影响，多源数据间可能出现不一致、冲突等情况，会对传感器性能造成影响，导致所观测的数据具有不确定性，而难以直接对多源数据进行融合，这些不确定性都将给多源数据下的目标识别和跟踪带来困扰，因而在跟踪目标时需结合不确定性理论对不确定信息进行处理。
为了使目标跟踪模型能有更好的性能表现，需要对这些不确定信息进行处理。所以结合不确定性理论构建具有不确定信息处理能力的目标识别和目标跟踪模型有其研究价值和意义。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于多滤波器信息融合的自适应目标跟踪方法，其结构简单、设计合理，在多个卡尔曼滤波器的基础上添加了一个参数自适应调节的卡尔曼滤波器，因而具有更好的抗干扰性；并用证据理论融合新息信息所包含的关于实际噪声情况的不确定信息生成概率值；以多个卡尔曼滤波器的参数作为参考值，结合概率值对自适应卡尔曼滤波器的参数进行更新，提升了目标跟踪在干扰环境下目标跟踪的准确性。
为解决上述技术问题，本发明采用的技术方案是：一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于，包括以下步骤：
步骤一、构造多卡尔曼滤波器数据融合跟踪模型：所述跟踪模型包括n个定参数卡尔曼滤波器以及1个参数自适应的卡尔曼滤波器，n为不小于3的正整数；
步骤二、判断自适应卡尔曼滤波器是否需要更新参数：
步骤201：多个传感器采集当前时刻目标运动状态；
步骤202：计算机判断多卡尔曼滤波器的参数是否同时满足n个定参数卡尔曼滤波器所描述的
Figure GDA0003360939050000031
大小关系一致、
Figure GDA0003360939050000032
和
Figure GDA0003360939050000033
若满足则返回步骤201，否则进入步骤三，其中
Figure GDA0003360939050000034
表示自适应的卡尔曼滤波器在k时刻的观测噪声协方差，
Figure GDA0003360939050000035
表示第i个定参数卡尔曼滤波器在k时刻的观测噪声协方差，
Figure GDA0003360939050000036
表示k时刻的真实噪声强度，n≥i≥1；
步骤三、计算n个定参数卡尔曼滤波器的不确定信息：计算机根据公式
Figure GDA0003360939050000037
计算不确定信息
Figure GDA0003360939050000038
其中
Figure GDA0003360939050000039
表示第i个定参数卡尔曼滤波器在k时刻的新息噪声协方差理论值，
Figure GDA00033609390500000310
表示第i个定参数卡尔曼滤波器在k时刻的新息噪声协方差实际值；
步骤四、将n个定参数卡尔曼滤波器的不确定信息转化为证据：
步骤401、生成证据：计算机根据公式
Figure GDA00033609390500000311
计算第i个定参数卡尔曼滤波器在k时刻的证据
Figure GDA00033609390500000312
其辨识框架为
Figure GDA00033609390500000313
其中
Figure GDA00033609390500000314
Figure GDA00033609390500000315
表示第i个定参数卡尔曼滤波器在k时刻辨识框架中所有小于
Figure GDA00033609390500000316
的元素集合，
Figure GDA00033609390500000317
表示第i个定参数卡尔曼滤波器在k时刻辨识框架中所有大于
Figure GDA00033609390500000318
的元素集合，
Figure GDA00033609390500000319
表示将
Figure GDA00033609390500000320
代入正态分布N(0,1)计算得到的概率值；
步骤402、证据融合：对证据
Figure GDA00033609390500000321
采用证据组合规则进行n-1次融合得到m(D)，
Figure GDA00033609390500000322
任意两组的证据组合规则为
Figure GDA00033609390500000323
其中
Figure GDA00033609390500000324
表示融合后的证据信息，m1(A)和m2(B)表示两组在辨识框架Θ上待融合的证据，A、B、D表示幂集2Θ的子集，C表示A和B的交集；
步骤五、将融合后的证据m(D)转化为概率BetP(D)；
步骤六、根据概率BetP(D)更新自适应卡尔曼滤波器的参数。
上述的一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于，步骤五中将融合后的证据m(D)转化为概率BetP(D)包括以下步骤：利用公式
Figure GDA0003360939050000041
计算得到近似累积概率分布BetP(D)，其中|D|表示子集D的模，即子集D所含焦元个数。
上述的一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于，步骤六中根据概率BetP(D)更新自适应卡尔曼滤波器的参数包括以下步骤：根据公式
Figure GDA0003360939050000042
计算得到自适应卡尔曼滤波器在k+1时刻的观测噪声协方差
Figure GDA0003360939050000043
上述的一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于：步骤三中
Figure GDA0003360939050000044
其中H表示观测矩阵，
Figure GDA0003360939050000045
表示第i个卡尔曼滤波器在k时刻的目标运动状态预测值的误差协方差。
上述的一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于：步骤三中计算机根据前h个时刻的新息值计算新息噪声协方差实际值
Figure GDA0003360939050000046
其中
Figure GDA0003360939050000047
Figure GDA0003360939050000048
表示第i个卡尔曼滤波器在j时刻目标运动状态的实际观测值，
Figure GDA0003360939050000049
表示第i个卡尔曼滤波器在j时刻目标运动状态的预测值，k≥h≥1。
上述的一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于：步骤三中，当
Figure GDA00033609390500000410
为矩阵形式时，取该矩阵主对角线的均值作为
Figure GDA00033609390500000411
上述的一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于：步骤401中，
Figure GDA00033609390500000412
上述的一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于：n个定参数卡尔曼滤波器的参数设置不同。
本发明与现有技术相比具有以下优点：
1、本发明的结构简单、设计合理，实现及使用操作方便。
2、本发明的多卡尔曼滤波器数据融合跟踪模型中设置有多个参数不变的卡尔曼滤波器，对每个卡尔曼滤波器设置了不同的参数，相比于单个的卡尔曼滤波器具有更优的抗干扰表现。
3、本发明的多卡尔曼滤波器数据融合跟踪模型中还设置有至少一个参数自适应的卡尔曼滤波器，参数更新时既有多个参数不同的定参数卡尔曼滤波器参数保持不变和至少一个参数自适应的卡尔曼滤波器更新两种情况，提升了强干扰条件下目标跟踪的精度，提升整体的抗干扰能力。
4、本发明采用多个传感器采集当前时刻目标运动状态，相比于单个传感器观测数据，多个传感器所能获取的数据量也随之倍增，多源数据能更充分的反映目标情况，从而提高识别与跟踪的准确性。
5、本发明采用不确定信息
Figure GDA0003360939050000051
间接反映卡尔曼滤波的准确性，基于比值
Figure GDA0003360939050000052
在噪声发生变化时对自适应卡尔曼滤波器的参数进行更新，以实现对目标状态的良好预测。
6、本发明采用基本概率分配函数
Figure GDA0003360939050000053
来表示证据，证据理论提供了Dempster组合规则，该规则不但能满足交换律与结合律，而且即使在先验信息缺失时也能有效地完成证据融合，能更为有效地表达随机性和不确定性，也能更好地处理不确定信息，提升在干扰环境下目标跟踪的准确性。
7、本发明对多个卡尔曼滤波器的证据进行融合，融合规则使得证据理论在较好反映信息不确定性的同时，能对多源信息进行有效地处理和融合，多源信息包含更多的目标信息，因而能更好提高跟踪模型对目标识别的准确率。
综上所述，本发明结构简单、设计合理，在多个卡尔曼滤波器的基础上添加了一个参数自适应调节的卡尔曼滤波器，因而具有更好的抗干扰性；并用证据理论融合新息信息所包含的关于实际噪声情况的不确定信息生成概率值；以多个卡尔曼滤波器的参数作为参考值，结合概率值对自适应卡尔曼滤波器的参数进行更新，提升了目标跟踪在干扰环境下目标跟踪的准确性。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程图。
图2为未加强干扰时SRCKF、fuzzyKF和本申请多滤波器信息融合的自适应目标跟踪方法的结果对比图。
图3为添加强干扰后SRCKF、fuzzyKF和本申请多滤波器信息融合的自适应目标跟踪方法的结果对比图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
如图1所示，本发明包括以下步骤：
步骤一、构造多卡尔曼滤波器数据融合跟踪模型：多卡尔曼滤波器数据融合跟踪模型包括n个定参数卡尔曼滤波器以及至少1个参数自适应的卡尔曼滤波器，其中定参数卡尔曼滤波器的参数不同且确定，n为不小于3的正整数。
需要说明的是，卡尔曼滤波在目标状态预测过程中，需要设定系统噪声协方差
Figure GDA0003360939050000071
和观测噪声协方差
Figure GDA0003360939050000072
等参数。不同参数的卡尔曼滤波器具有不同的预测精确度，本申请中设置了n个定参数卡尔曼滤波器，定参数卡尔曼滤波器表示系统噪声协方差
Figure GDA0003360939050000073
和观测噪声协方差
Figure GDA0003360939050000074
等参数确定不变。实际使用时，n＝3。
但由于定参数卡尔曼滤波器参数的不可变而使其适用范围受限。因此本申请设置有多个参数不同的定参数卡尔曼滤波器以及至少一个参数自适应的卡尔曼滤波器，从而构建了多卡尔曼滤波器数据融合跟踪模型，参数更新时既有n个参数不同的定参数卡尔曼滤波器参数保持不变和至少一个参数自适应的卡尔曼滤波器更新两种情况，提升了强干扰条件下目标跟踪的精度，提升整体的抗干扰能力。
步骤二、判断自适应卡尔曼滤波器是否需要更新参数：
步骤201：多个传感器采集当前k时刻目标运动状态
Figure GDA0003360939050000081
相比于单个传感器观测数据，多个传感器所能获取的数据量也随之倍增。多源数据能更充分的反映目标情况，从而提高识别与跟踪的准确性。
Figure GDA0003360939050000082
表示k时刻的目标运动状态，目标运动状态包括目标位置、目标速度和目标加速度，k时刻表示当前时刻，k-1时刻表示上一时刻，k+1时刻表示下一时刻。
步骤202：计算机判断多卡尔曼滤波器的参数是否同时满足n个定参数卡尔曼滤波器所描述的
Figure GDA0003360939050000083
大小关系一致、
Figure GDA0003360939050000084
且
Figure GDA0003360939050000085
若满足则返回步骤201，否则进入步骤三，其中
Figure GDA0003360939050000086
表示自适应的卡尔曼滤波器在k时刻的观测噪声协方差，
Figure GDA0003360939050000087
表示第i个定参数卡尔曼滤波器在k时刻的观测噪声协方差，
Figure GDA0003360939050000088
表示k时刻的真实噪声强度，n≥i≥1。
实际使用时，若多卡尔曼滤波器数据融合跟踪模型中n+1个卡尔曼滤波器满足步骤202中的更新条件，则返回步骤201，对k+1时刻进行更新判断；若不满足，则进入步骤三进行更新。
将步骤202中的不更新条件作如下解释：
1)
Figure GDA0003360939050000089
且
Figure GDA00033609390500000810
2)n个定参数卡尔曼滤波器所描述的
Figure GDA00033609390500000811
大小关系一致。
对情况1)解释如下：
Figure GDA00033609390500000812
且
Figure GDA00033609390500000813
说明
Figure GDA00033609390500000814
和
Figure GDA00033609390500000815
位于同一区间
Figure GDA00033609390500000816
当n＝3，
Figure GDA00033609390500000817
构成两个区间，分别为
Figure GDA00033609390500000818
和
Figure GDA00033609390500000819
若
Figure GDA00033609390500000820
说明
Figure GDA00033609390500000821
和
Figure GDA00033609390500000822
位于相同的区间
Figure GDA00033609390500000823
若
Figure GDA00033609390500000824
说明
Figure GDA00033609390500000825
和
Figure GDA00033609390500000826
位于不同的区间，彼此之间差值较大，此时需要更新参数。
对情况2)解释如下：根据
Figure GDA00033609390500000827
可判断实际噪声强度
Figure GDA00033609390500000828
与观测噪声协方差
Figure GDA00033609390500000829
之间的差异程度。若
Figure GDA00033609390500000830
说明新息协方差实际值大于第1个卡尔曼滤波器的理论值，即
Figure GDA00033609390500000831
若
Figure GDA00033609390500000832
则
Figure GDA00033609390500000833
因此根据
Figure GDA00033609390500000834
的正负，即可得出
Figure GDA00033609390500000835
与
Figure GDA00033609390500000836
的大小关系。而多个
Figure GDA00033609390500000837
数值不同。当多个
Figure GDA00033609390500000838
的大小排序与n个卡尔曼滤波器所描述的
Figure GDA00033609390500000839
大小关系不一致，即需要更新下一个时刻的观测噪声协方差。
例如，当n＝3，首先默认
Figure GDA0003360939050000091
若
Figure GDA0003360939050000092
可得知
Figure GDA0003360939050000093
而这与
Figure GDA0003360939050000094
矛盾，故难以确定
Figure GDA0003360939050000095
的相对大小关系。此时需要更新下一个时刻的观测噪声协方差。
步骤三、计算n个定参数卡尔曼滤波器的不确定信息：计算机根据公式
Figure GDA0003360939050000096
计算不确定信息
Figure GDA0003360939050000097
其中
Figure GDA0003360939050000098
表示第i个定参数卡尔曼滤波器在k时刻的新息噪声协方差理论值，
Figure GDA0003360939050000099
表示第i个定参数卡尔曼滤波器在k时刻的新息噪声协方差实际值。
实际使用时，当
Figure GDA00033609390500000910
为矩阵形式时，取该矩阵主对角线的均值作为
Figure GDA00033609390500000911
新息噪声协方差的理论值
Figure GDA00033609390500000912
其中H表示观测矩阵，
Figure GDA00033609390500000913
表示第i个定参数卡尔曼滤波器在k时刻的目标运动状态预测值的误差协方差，
Figure GDA00033609390500000914
Figure GDA00033609390500000915
表示第i个定参数卡尔曼滤波器在k-1时刻的目标运动状态的误差协方差，
Figure GDA00033609390500000916
为第i个定参数卡尔曼滤波器在k时刻的系统噪声协方差。
Figure GDA00033609390500000917
表示第i个定参数卡尔曼滤波器在k时刻的观测噪声协方差。k时刻表示当前时刻，k-1表示上一时刻。
计算机根据前h个时刻的新息值计算新息噪声协方差实际值
Figure GDA00033609390500000918
其中
Figure GDA00033609390500000919
Figure GDA00033609390500000920
表示第i个卡尔曼滤波器在j时刻目标运动状态的实际观测值，，包括距离、方位角、俯仰角；
Figure GDA00033609390500000921
表示第i个卡尔曼滤波器在j时刻目标运动状态的预测值，
Figure GDA00033609390500000922
Figure GDA00033609390500000923
表示j-1时刻的目标运动状态，目标运动状态包括目标位置、目标速度和目标加速度等，A为状态转移矩阵，A由目标运动模型决定，如匀速运动、匀加速运动都分别有不同的状态转移矩阵；k≥h≥1。
实际的观测环境中，传感器受过如电磁干扰等各种不确定因素的影响，从而使得目标观测信息存在不精确性、不确定性。同时干扰强度的变化使得观测噪声协方差
Figure GDA00033609390500000924
也随之改变，而假定的观测噪声协方差
Figure GDA00033609390500000925
必然无法反映真实情况，根据公式
Figure GDA00033609390500000926
可知，目标跟踪模型输出的理论值
Figure GDA0003360939050000101
受观测噪声协方差
Figure GDA0003360939050000102
影响，所以卡尔曼滤波的预测结果会随环境噪声强度的变化而变差。
用新息协方差理论值和实际值的比值
Figure GDA0003360939050000103
可以间接反映卡尔曼滤波的准确性，也可以反映出所用的观测噪声协方差是否符合实际噪声情况。例如实际噪声大于
Figure GDA0003360939050000104
时，新息值
Figure GDA0003360939050000105
会很大，由此求得的新息协方差实际值
Figure GDA0003360939050000106
会偏大，而新息协方差理论值
Figure GDA0003360939050000107
与所设定的观测噪声协方差
Figure GDA0003360939050000108
有关，两者间的差异会增大，因此它们的比值
Figure GDA0003360939050000109
反映了所用卡尔曼滤波器参数是否符合实际噪声，因此基于比值
Figure GDA00033609390500001010
对自适应卡尔曼滤波器的参数进行更新，使用效果好。
步骤四、将n个定参数卡尔曼滤波器的不确定信息转化为证据：
步骤401、生成证据：计算机根据公式
Figure GDA00033609390500001011
计算第i个定参数卡尔曼滤波器在k时刻的证据
Figure GDA00033609390500001012
其辨识框架为
Figure GDA00033609390500001013
其中
Figure GDA00033609390500001014
Figure GDA00033609390500001015
表示第i个定参数卡尔曼滤波器在k时刻辨识框架中所有小于
Figure GDA00033609390500001016
的元素集合，
Figure GDA00033609390500001017
表示第i个定参数卡尔曼滤波器在k时刻辨识框架中所有大于
Figure GDA00033609390500001018
的元素集合，
Figure GDA00033609390500001019
表示将
Figure GDA00033609390500001020
代入正态分布N(0,1)计算得到的概率值；
实际使用时，
Figure GDA00033609390500001021
表示基本概率分配函数，又称证据。在将不确定信息
Figure GDA00033609390500001022
转换成证据
Figure GDA00033609390500001023
形式时，构建了如下的辨识框架
Figure GDA00033609390500001024
证据
Figure GDA00033609390500001025
的生成公式
Figure GDA00033609390500001026
表示，将概率值
Figure GDA00033609390500001027
分配给对应元素
Figure GDA00033609390500001028
而把剩余信度分配给多子集
Figure GDA00033609390500001029
或
Figure GDA00033609390500001030
具体实施时，当
Figure GDA00033609390500001031
将剩余信度分配给
Figure GDA00033609390500001032
当
Figure GDA00033609390500001033
将剩余信度分配给
Figure GDA00033609390500001034
采用基本概率分配函数
Figure GDA00033609390500001035
来表示证据，证据理论提供了Dempster组合规则，该规则不但能满足交换律与结合律，而且即使在先验信息缺失时也能有效地完成证据融合，能更为有效地表达随机性和不确定性，也能更好地处理不确定信息，提升在干扰环境下目标跟踪的准确性。
具体实施时，α取小于1的正数，β取大于1的正数。实际使用时，
Figure GDA0003360939050000111
因此
Figure GDA0003360939050000112
步骤402、证据融合：对
Figure GDA0003360939050000113
采用证据组合规则进行n-1次融合得到m(D)，
Figure GDA0003360939050000114
任意两组的证据组合规则为
Figure GDA0003360939050000115
其中
Figure GDA0003360939050000116
表示融合后的证据信息，m1(A)和m2(B)表示两组在辨识框架Θ上待融合的证据，A、B、D表示幂集2Θ的子集，C表示A和B的交集。
本申请采用证据组合规则对多个卡尔曼滤波器的证据
Figure GDA0003360939050000117
进行融合，而不是对同一个卡尔曼滤波器的历史时刻进行融合。融合规则使得证据理论在较好反映信息不确定性的同时，能对多源信息进行有效地处理和融合，多源信息包含更多的目标信息，因而对多源信息进行有效融合能更好提高目标识别的准确率。
当n＝3，对证据
Figure GDA0003360939050000118
采用证据组合规则进行2次融合得到m(D)，
Figure GDA0003360939050000119
辨识框架Θ可采用
Figure GDA00033609390500001116
步骤五、将融合后的证据转化为概率：利用公式
Figure GDA00033609390500001115
计算得到近似累积概率分布BetP(D)，其中|D|表示子集D的模，即子集D所含焦元个数。
实际使用时，融合生成的证据m(D)是在事件的幂集空间上进行信度分配，不利于最终的决策分析，所以实际应用中，需要将证据m(D)转换成概率形式BetP(D)，再进行决策。
步骤六、更新自适应卡尔曼滤波器的参数：根据公式
Figure GDA00033609390500001111
计算得到第n+1个卡尔曼滤波器在k+1时刻的观测噪声协方差。实际使用时，
Figure GDA00033609390500001112
f表示辨识框架
Figure GDA00033609390500001113
上的元素。本实施例中仅对新息噪声协方差
Figure GDA00033609390500001114
进行自适应更新。具体使用时，包括但不限于系统噪声协方差
Figure GDA0003360939050000121
和观测噪声协方差
Figure GDA0003360939050000122
预测值误差协方差
Figure GDA0003360939050000123
等参数。
对平方根容积卡尔曼滤波(SRCKF)、模糊卡尔曼滤波(fuzzyKF)、本申请中多滤波器信息融合的自适应目标跟踪方法(新方法)分别进行仿真分析。三种方法参数设置如下目标从(100,100,9)处以速度
Figure GDA0003360939050000124
往原点方向飞行根据运动状态的变化，传感器运动轨迹分为4个阶段，先是从位置(0,5,7)以速度(100,0,0)m/s往x轴正方向做匀速运动，再250～300时刻以加速度(2,0,0)m/s2在x轴正方向上做匀加速运动，然后在300～350时刻在xoy平面上做角速度
Figure GDA0003360939050000125
的匀速圆周运动，最后在350～400时刻做匀速直线运动。
观测噪声协方差
Figure GDA0003360939050000126
其中距离的观测误差标准差σr＝50m，方位角的观测误差标准差σ＝0.6°，俯仰角的观测误差标准差σε＝0.6°。系统噪声
Figure GDA0003360939050000127
其中
Figure GDA0003360939050000128
Qx＝0.25m2s-3，Qy＝0.25m2s-3，Qz＝0.001m2s-3。
如图2所示，三种卡尔曼滤波在没有强干扰出现的情况下预测的位置误差相接近。
如图3所示，在250～300时刻添加了5倍强度的观测噪声作为强干扰，在强干扰环境下，本申请所采用的多滤波器信息融合的自适应目标跟踪方法的(新方法)相比于其他两种方法，其预测误差更小，具有更好地抗干扰性，因而能提升强干扰下目标跟踪的精确性。
根据多个不同参数的定参数卡尔曼滤波器的新息信息
Figure GDA0003360939050000129
可获得关于实际噪声的不确定信息
Figure GDA00033609390500001210
将其转换成证据
Figure GDA00033609390500001211
再用证据组合规则对多组证据进行融合得到m(D)，再用pignistic概率转换公式将融合后的证据m(D)转化为概率BetP(D)，从而在噪声发生变化时，实现对至少一个参数自适应卡尔曼滤波器的观测噪声协方差
Figure GDA00033609390500001212
的更新。参数更新时又有多个的定参数卡尔曼滤波器参数保持不变和至少一个自适应卡尔曼滤波器参数更新两种情况，提升了强干扰条件下目标跟踪的精度，提升整体的抗干扰能力，使用效果好。
以上所述，仅是本发明的实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (8)

1.一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于，包括以下步骤：
步骤一、构造多卡尔曼滤波器数据融合跟踪模型：所述跟踪模型包括n个定参数卡尔曼滤波器以及1个参数自适应的卡尔曼滤波器，n为不小于3的正整数；
步骤二、判断自适应卡尔曼滤波器是否需要更新参数：
步骤201：多个传感器采集当前时刻目标运动状态；
步骤202：计算机判断多卡尔曼滤波器的参数是否同时满足n个定参数卡尔曼滤波器所描述的
Figure FDA0003360939040000011
大小关系一致、
Figure FDA0003360939040000012
和
Figure FDA0003360939040000013
若满足则返回步骤201，否则进入步骤三，其中
Figure FDA0003360939040000014
表示自适应的卡尔曼滤波器在k时刻的观测噪声协方差，
Figure FDA0003360939040000015
表示第i个定参数卡尔曼滤波器在k时刻的观测噪声协方差，
Figure FDA0003360939040000016
表示k时刻的真实噪声强度，n≥i≥1；
步骤三、计算n个定参数卡尔曼滤波器的不确定信息：计算机根据公式
Figure FDA0003360939040000017
计算不确定信息
Figure FDA0003360939040000018
其中
Figure FDA0003360939040000019
表示第i个定参数卡尔曼滤波器在k时刻的新息噪声协方差理论值，
Figure FDA00033609390400000110
表示第i个定参数卡尔曼滤波器在k时刻的新息噪声协方差实际值；
步骤四、将n个定参数卡尔曼滤波器的不确定信息转化为证据：
步骤401、生成证据：计算机根据公式
Figure FDA00033609390400000111
计算第i个定参数卡尔曼滤波器在k时刻的证据
Figure FDA00033609390400000112
其辨识框架为
Figure FDA00033609390400000113
其中
Figure FDA00033609390400000114
Figure FDA00033609390400000115
表示第i个定参数卡尔曼滤波器在k时刻辨识框架中所有小于
Figure FDA00033609390400000116
的元素集合，
Figure FDA00033609390400000117
表示第i个定参数卡尔曼滤波器在k时刻辨识框架中所有大于
Figure FDA00033609390400000118
的元素集合，
Figure FDA00033609390400000119
表示将
Figure FDA00033609390400000120
代入正态分布N(0,1)计算得到的概率值；
步骤402、证据融合：对证据
Figure FDA0003360939040000021
采用证据组合规则进行n-1次融合得到m(D)，
Figure FDA0003360939040000022
任意两组的证据组合规则为
Figure FDA0003360939040000023
其中
Figure FDA0003360939040000024
表示融合后的证据信息，m1(A)和m2(B)表示两组在辨识框架Θ上待融合的证据，A、B、D表示幂集2Θ的子集，C表示A和B的交集；
步骤五、将融合后的证据m(D)转化为概率BetP(D)；
步骤六、根据概率BetP(D)更新自适应卡尔曼滤波器的参数。
2.按照权利要求1所述的一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于，步骤五中将融合后的证据m(D)转化为概率BetP(D)包括以下步骤：利用公式
Figure FDA0003360939040000025
计算得到近似累积概率分布BetP(D)，其中|D|表示子集D的模，即子集D所含焦元个数。
3.按照权利要求1所述的一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于，步骤六中根据概率BetP(D)更新自适应卡尔曼滤波器的参数包括以下步骤：根据公式
Figure FDA0003360939040000026
计算得到自适应卡尔曼滤波器在k+1时刻的观测噪声协方差
Figure FDA0003360939040000027
4.按照权利要求1所述的一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于：步骤三中
Figure FDA0003360939040000028
其中H表示观测矩阵，
Figure FDA0003360939040000029
表示第i个卡尔曼滤波器在k时刻的目标运动状态预测值的误差协方差。
5.按照权利要求4所述的一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于：步骤三中计算机根据前h个时刻的新息值计算新息噪声协方差实际值
Figure FDA0003360939040000031
其中
Figure FDA0003360939040000032
Figure FDA0003360939040000033
表示第i个卡尔曼滤波器在j时刻目标运动状态的实际观测值，
Figure FDA0003360939040000034
表示第i个卡尔曼滤波器在j时刻目标运动状态的预测值，k≥h≥1。
6.按照权利要求1所述的一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于：步骤三中，当
Figure FDA0003360939040000035
为矩阵形式时，取该矩阵主对角线的均值作为
Figure FDA0003360939040000036
7.按照权利要求1所述的一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于：步骤401中，
Figure FDA0003360939040000037
8.按照权利要求1所述的一种基于多滤波器信息融合的自适应目标跟踪方法，其特征在于：n个定参数卡尔曼滤波器的参数设置不同。
CN202010233906.3A 2020-03-30 2020-03-30 一种基于多滤波器信息融合的自适应目标跟踪方法 Active CN111652263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010233906.3A CN111652263B (zh) 2020-03-30 2020-03-30 一种基于多滤波器信息融合的自适应目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010233906.3A CN111652263B (zh) 2020-03-30 2020-03-30 一种基于多滤波器信息融合的自适应目标跟踪方法

Publications (2)

Publication Number Publication Date
CN111652263A CN111652263A (zh) 2020-09-11
CN111652263B true CN111652263B (zh) 2021-12-28

Family

ID=72348185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010233906.3A Active CN111652263B (zh) 2020-03-30 2020-03-30 一种基于多滤波器信息融合的自适应目标跟踪方法

Country Status (1)

Country Link
CN (1) CN111652263B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1897015A (zh) * 2006-05-18 2007-01-17 王海燕 基于机器视觉的车辆检测和跟踪方法及系统
CN101727672A (zh) * 2008-10-24 2010-06-09 云南正卓信息技术有限公司 一种物体滞留/偷窃事件的检测、跟踪、识别方法
CN101883425A (zh) * 2010-06-04 2010-11-10 哈尔滨工程大学 基于熵权灰关联的目标跟踪与识别装置及方法
CN102509020A (zh) * 2011-11-15 2012-06-20 哈尔滨工程大学 基于传感器网络的复杂环境下多目标信息融合方法
CN103853908A (zh) * 2012-12-04 2014-06-11 中国科学院沈阳自动化研究所 一种自适应交互式多模型的机动目标跟踪方法
CN104331623A (zh) * 2014-11-06 2015-02-04 西北工业大学 一种机动策略自适应的目标跟踪信息滤波算法
CN105335701A (zh) * 2015-09-30 2016-02-17 中国科学院合肥物质科学研究院 一种基于hog与d-s证据理论多信息融合的行人检测方法
CN108470354A (zh) * 2018-03-23 2018-08-31 云南大学 视频目标跟踪方法、装置和实现装置
CN109582916A (zh) * 2019-01-28 2019-04-05 杭州电子科技大学 一种基于观测噪声方差未知的自适应卡尔曼滤波方法
CN110726990A (zh) * 2019-09-23 2020-01-24 江苏大学 一种基于ds-gnn算法的多传感器融合方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108802707B (zh) * 2018-08-31 2021-03-26 中国科学院电子学研究所 改进的用于目标跟踪的卡尔曼滤波方法
CN109919233B (zh) * 2019-03-12 2022-04-22 西北工业大学 一种基于数据融合的跟踪滤波方法
CN110132257B (zh) * 2019-05-15 2023-03-24 吉林大学 基于多传感器数据融合的人体行为预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1897015A (zh) * 2006-05-18 2007-01-17 王海燕 基于机器视觉的车辆检测和跟踪方法及系统
CN101727672A (zh) * 2008-10-24 2010-06-09 云南正卓信息技术有限公司 一种物体滞留/偷窃事件的检测、跟踪、识别方法
CN101883425A (zh) * 2010-06-04 2010-11-10 哈尔滨工程大学 基于熵权灰关联的目标跟踪与识别装置及方法
CN102509020A (zh) * 2011-11-15 2012-06-20 哈尔滨工程大学 基于传感器网络的复杂环境下多目标信息融合方法
CN103853908A (zh) * 2012-12-04 2014-06-11 中国科学院沈阳自动化研究所 一种自适应交互式多模型的机动目标跟踪方法
CN104331623A (zh) * 2014-11-06 2015-02-04 西北工业大学 一种机动策略自适应的目标跟踪信息滤波算法
CN105335701A (zh) * 2015-09-30 2016-02-17 中国科学院合肥物质科学研究院 一种基于hog与d-s证据理论多信息融合的行人检测方法
CN108470354A (zh) * 2018-03-23 2018-08-31 云南大学 视频目标跟踪方法、装置和实现装置
CN109582916A (zh) * 2019-01-28 2019-04-05 杭州电子科技大学 一种基于观测噪声方差未知的自适应卡尔曼滤波方法
CN110726990A (zh) * 2019-09-23 2020-01-24 江苏大学 一种基于ds-gnn算法的多传感器融合方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
An adaptive Kalman filter estimating process noise covariance;Hairong Wang等;《Neurocomputing》;20170228;第223卷(第5期);12-17 *
An Adaptive Track Fusion Method with Unscented Kalman Filter;Yanjun Shi等;《2018 IEEE International Conference on Smart Internet of Things (SmartIoT)》;20180917;250-254 *
Information fusion algorithm based on adaptive cubature strong tracking filter;Rui Wang等;《2017 36th Chinese Control Conference (CCC)》;20170911;5114-5119 *
Novel adaptive Kalman filtering and fuzzy track fusion approach for real time applications;Abdolreza Dehghani Tafti等;《2008 3rd IEEE Conference on Industrial Electronics and Applications》;20080801;120-125 *
一种基于多相关滤波器组合的目标跟踪方法;潘迪夫等;《湖南大学学报》;20190228;第46卷(第2期);I12-122 *
基于自适应卡尔曼滤波的GPS抗欺骗干扰方法的研究;张泰阁;《中国优秀硕士学位论文全文数据库 基础科学辑》;20190115;第2019年卷(第1期);A008-357 *
目标跟踪系统数据处理关键技术研究;倪龙强;《中国博士学位论文全文数据库 信息科技辑》;20170415;第2017年卷(第4期);I140-5 *

Also Published As

Publication number Publication date
CN111652263A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN111667073B (zh) 一种证据理论改进的模糊卡尔曼滤波目标跟踪方法
CN110909762B (zh) 基于多传感器融合的机器人姿态识别方法及装置
CN110443832B (zh) 一种基于观测区间值的证据滤波目标跟踪方法
CN112497216B (zh) 一种基于深度学习的工业机器人位姿精度补偿方法
CN110708318A (zh) 基于改进的径向基神经网络算法的网络异常流量预测方法
CN111563918B (zh) 一种多卡尔曼滤波器数据融合的目标跟踪方法
CN112633314A (zh) 一种基于多层采样的主动学习溯源攻击方法
CN109764876B (zh) 无人平台的多模态融合定位方法
CN111652263B (zh) 一种基于多滤波器信息融合的自适应目标跟踪方法
CN113030940B (zh) 一种转弯机动下的多星凸型扩展目标跟踪方法
CN112699536B (zh) 一种自适应目标船舶轨迹预测与锁定方法
CN111076724B (zh) 三维激光定位方法及系统
Xue et al. Digital twinning of construction objects: Lessons learned from pose estimation methods
Li et al. Simultaneous Coverage and Mapping of Stereo Camera Network for Unknown Deformable Object
CN111208506A (zh) 一种简化的交互式多模型跟踪方法
CN112016243B (zh) 一种基于响应曲面的交通流量预测模型参数标定方法
Zhao Architecture and Integrated System of Autonomous Intelligent Robot Based on Multi-perception
CN117621090B (zh) 一种工业机器人的控制方法、系统及工业机器人
CN116047495B (zh) 一种用于三坐标雷达的状态变换融合滤波跟踪方法
CN114627557B (zh) 基于时空流形轨迹建图的3d骨架动作识别方法
CN111474909A (zh) 触发式工业制造系统及方法
CN117785970A (zh) 定位数据处理方法、装置及设备
Liu et al. An optimized fusion positioning algorithm based on BP neural network
Hu et al. Human Motion Position Prediction for Human-Robot Collaboration in Manufacturing Considering Point Cloud Completion Of Human Joint
Xu et al. Three sub-swarm discrete particle swarm optimization algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant