[发明专利]当前统计模型的概率假设密度粒子滤波器的设计及滤波器

说明书

技术领域

本发明涉及粒子滤波器的设计方法及硬件电路，尤其是涉及一种当前统计模型的概率假设密度粒子滤波器的设计及滤波器。

背景技术

机动目标跟踪是指利用测量设备得到的目标测量信息，通过建立合理准确的目标运动模型，使用随机过程、估计与检测理论、滤波算法等现代信号处理技术，对机动目标的运动状态（位置、速度、加速度等）进行估计和检测。经过几十年的研究发展，机动目标跟踪已经在军事和国民经济上都得到了广泛的应用，如军事上的精确制导、反弹道导弹防御、卫星侦察等方面，民用上的民航飞机的空中交通管制、机器人定位、汽车防撞和导航系统等方面。由于目标机动的复杂性、随机性和多样性，对机动目标的可靠精确跟踪一直是国际上的研究难点和热点，国内外众多学者都致力于研究满足实时性和精度要求的有效机动目标跟踪方法。

粒子滤波作为一种基于贝叶斯估计的非线性滤波算法，在处理非线性运动目标跟踪问题方面有独到的优势。但粒子滤波的框架中并没有包含数据关联的机制,当对多个目标进行跟踪,目标数发生变化或目标相互遮挡时,会出现跟踪目标的丢失。此外,多个目标之间的干扰也会影响跟踪的准确性。而近年来提出的概率假设密度算法用于跟踪多目标，不仅不需要做数据关联，而且可以跟踪目标数目不定的多个目标。它传递多目标联合后验概率分布的一阶矩，在保证跟踪精度的同时，极大地减少了计算量。在应用粒子滤波进行多目标跟踪的基础上，将粒子滤波和概率假设密度相结合来处理多目标跟踪问题的技术框架，为解决杂波环境下多目标跟踪的问题提供了一个很好的方法。                

对于目标机动问题，在建立机动目标模型时，一般的原则是所建立的模型既要符合机动实际，又要便于数学处理，其中，由我国周宏仁博士提出的当前统计模型的优点在于，当目标正以某一加速度进行机动时，下一时刻的加速度取值是有限制的，即只能在“当前”加速度的领域内取值，无需考虑所有可能的机动加速度值。其实质是自适应调整均值的Singer模型，目标机动加速度的当前概率密度用修正的瑞利分布表示，该算法跟踪精度高，实时性好。  

由于粒子滤波与概率假设密度相结合在硬件上的可实现性，和当前统计模型对跟踪机动目标能达到较好的性能，因此，将概率假设密度粒子滤波器和当前统计模型方法应用到实际的多机动目标跟踪，将会有很大的现实意义，这也使得研究将算法转化成硬件电路实现成为需要。

发明内容

为了研究将当前统计模型和概率假设密度粒子滤波器同时应用于多机动目标跟踪，本发明的目的在于提供一种当前统计模型的概率假设密度粒子滤波器的设计及滤波器。

本发明采用的技术方案是：

一、一种基于当前统计模型的概率假设密度粒子滤波器的设计方法：

1) 在预测电路中，为了跟踪机动多目标，采用当前统计模型对目标的后验概率分布进行采样得到粒子分布；

2) 对于每一个观测值，所有粒子都需要参与一个观测值处理电路。由于选取的观测值过多会带来时延从而影响实时性，所以综合考虑性能和实时性，选择使用m个观测值参与更新电路的运算，其中机动多目标的最大数为n，杂波数目通过泊松过程产生，均值为p，以小概率事件计算，杂波的最大数目为m–n，所用到的观测值处理电路小于等于m；

3) 考虑到系统重采样算法必须在获得所有粒子的权值及其权值之和才开始运行，不利于流水运行，从而影响实时性，因此考虑选择固定的阈值T，使用简化重采样算法，在获得粒子及其权值时即刻开始运行重采样操作，而无需等待所有粒子的生成，且易于并行实现；

4) 在状态估计电路中，需要计算机动目标当前加速度均值，并将其返回到预测电路，用于下一时刻利用当前统计模型对目标的后验概率分布进行采样； 

5) 滤波器使用粒子来表征目标的后验概率分布，由于粒子滤波器的性能和粒子的数目成正比，但是在硬件电路中，粒子数目过多会带来延时从而影响实时性，所以综合考虑性能和实时性，选择使用1024个粒子用于存活粒子，另外1024个粒子用于新生粒子；

6) 在滤波器设计方法中，估计目标的状态值需要用到聚类算法，这一步骤将使用软件计算或者DSP处理，硬件电路不做具体处理。

二、一种基于当前统计模型的概率假设密度粒子滤波器：