[发明专利]模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置

说明书

本发明公开了一种模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置，该模糊粒子滤波方法包括：利用高斯和方法构建上一目标时刻的状态后验概率密度函数、观测噪声概率密度函数和状态噪声概率密度函数，利用高斯‑厄米特积分规则和蒙特卡罗原理获取当前时刻目标状态的预测概率密度函数，利用模糊聚类原理获取当前目标观测时刻的粒子权值和积分点权值，并计算各高斯项的权值，以计算每个高斯分布的均值和协方差，并对高斯项重采样获取G个权值较大的高斯项，然后利用高斯和原理得到当前目标观测时刻的状态后验概率密度函数，完成粒子滤波。通过上述方式，本发明能够有效提高滤波精度以及目标状态的估计性能。

技术领域

本发明涉及非线性滤波领域，特别是涉及一种模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置。

背景技术

在飞机、航空飞行器、车辆等目标的运动过程中，常常需要对目标的实时状态进行估计以实现对目标的跟踪，飞机等目标的运动系统模型一般属于非线性随机系统。非线性滤波技术为非线性随机系统中进行状态估计的常用手段。

根据应用背景的不同，现有技术非线性滤波技术主要分为两类：第一类是针对非线性高斯环境下的状态估计问题，如扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF)、积分卡尔曼滤波(QKF)、截断无迹卡尔曼滤波(IUKF)，这类方法主要是利用泰勒级数展开或数值计算等线性近似技术对非线性的系统模型进行近似，忽略近似高阶项对滤波性能的影响。第二类是针对非线性非高斯环境下的状态估计问题，如高斯和滤波器(GSF)、高斯和积分卡尔曼滤波器(GS-QKF)，这类高斯和方法主要是利用多个混合高斯将状态的后验概率密度函数近似成单个高斯函数，然而，与上述EKF等方法类似，这类高斯和方法都必须进行线性化，对于强非线性非高斯系统，此类滤波器的滤波精度并不高，且滤波器的高斯混合项的数量随着时间快速增长。

此外，为了对非线性非高斯噪声进行处理，现有技术还采用另一种非线性滤波方法：高斯和粒子滤波方法，对于大规模被动传感器系统中观测信息有限、数据丢失率高、具有非周期、非线性、非高斯特征的观测数据，现有技术所采用的一类高斯和粒子滤波方法由于在时间更新时只是简单地采用状态转移函数进行粒子采样，粒子的多样性以及准确性较差，粒子并不能有效表示目标的后验概率分布，从而降低粒子滤波的性能。

发明内容

本发明主要解决的技术问题是提供一种模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置，能够增强粒子的多样性和准确性，有效提高滤波精度以及目标状态的估计性能。

为解决上述技术问题，本发明的第一方面是：提供一种模糊高斯和粒子滤波方法，包括：利用高斯和构建上一目标观测时刻的状态后验概率密度函数、观测噪声概率密度函数以及状态噪声概率密度函数；根据所述上一目标观测时刻的状态后验概率密度函数和所述状态噪声概率密度函数，利用高斯-厄米特积分和蒙特卡罗原理获取当前目标观测时刻的目标状态预测概率密度函数；根据所述当前目标观测时刻的目标状态预测概率密度函数和所述观测噪声概率密度函数获取状态粒子集；利用模糊聚类原理获取当前目标观测时刻的粒子权值和积分点权值，并计算各高斯项的权值；根据所述状态粒子集和所述粒子权值、所述积分点权值计算每个高斯分布的均值和协方差；根据所述高斯项的权值对高斯项进行重采样，获取G个权值较大的高斯项，G为正整数；以及根据获取的G个高斯项，利用高斯和原理得到当前目标观测时刻的状态后验概率密度函数，完成粒子滤波。

其中，所述根据上一目标时刻的状态后验概率密度函数和状态噪声概率密度函数，利用高斯-厄米特积分规则和蒙特卡罗原理获取当前时刻目标状态的预测概率密度函数的步骤包括：利用高斯-厄米特积分构建上一目标观测时刻的多个积分点概率密度函数；根据所述多个积分点概率密度函数获取所述积分点的近似粒子集；其中，所述积分点的近似粒子集为N；获取所述近似粒子集中每个近似粒子的预测粒子集；以及根据所述预测粒子集获取当前目标观测时刻的目标状态预测概率密度函数。