[发明专利]一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法

说明书

本发明提供一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法，采用MCAUPF完成目标跟踪过程中的状态估计问题。在目标跟踪过程中，首先将目标跟踪的状态方程和量测方程重构成非线性递归模型，然后在无迹粒子滤波的框架中采用最大互相关熵无迹卡尔曼滤波产生粒子滤波中所需的重要性概率密度函数，然后采用Kullback–Leibler距离重采样方法对产生的粒子进行重采样，最后按照UPF的算法流程获取对跟踪目标状态的估计，从而实现对目标的实时跟踪。将MCAUPF方法应用在量测噪声出现野值的目标跟踪中，能够获得比现有的PF、改进PF以及鲁棒滤波更高的精度，并且计算复杂度低于现有的改进粒子滤波算法。

技术领域

本发明涉及一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法，适用于具有厚尾量测噪声的非线性系统，属于非线性鲁棒滤波及目标跟踪技术领域。

背景技术

使用粒子滤波(Particle Filter,PF)对目标进行跟踪时，由于目标的机动转弯、测量数据的异常突变点、传感器故障、量测丢失以及故意干扰等原因会导致量测噪声出现野值，这使雷达对目标的跟踪精度受到严重的影响。针对这个问题，人们提出使用Huber无迹粒子滤波(Huber Unscented Particle Filter,HRUPF)进行处理，但由于HRUPF中影响函数在影响参数γ超过1.345之后不会回降，导致估计性能下降。针对这一问题，人们提出了基于Student's t方法的野值鲁棒容积卡尔曼滤波(Outlier Robust Cubature KalmanFilter,ORCKF)，但是此方法只适用于系统噪声协方差和量测噪声协方差较小的情况，在其他条件下性能会降低。

为了解决量测噪声出现野值情况下的目标跟踪问题，研究人员提出一类新的用于解决量测噪声野值问题的方法，即基于最大互相关熵的滤波方法，例如最大互相关熵卡尔曼滤波(Maximum Correntropy Kalman Filter,MCKF)和最大互相关熵无迹卡尔曼滤波(Maximum Correntropy Unscented Kalman Filter,MCUKF)。与传统方法相比，互相关熵可以捕获更高阶的统计信息而不是通常的二阶统计信息，因此能获得更好的估计结果。

此外，在使用传统的PF进行计算时计算量很大，所以在对于实时性要求较高的场合不再适用。为此，人们提出了基于Kullback–Leibler距离(Kullback–Leibler Distance，KLD)采样的PF算法，但是这种方法假设粒子全部来自真实的后验密度函数，在实际应用中难以实现。

发明内容

本发明的目的是为了提供一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法，在无迹粒子滤波(Unscented Particle Filter,UPF)的基础上，利用最大互相关熵准则对UPF的量测更新过程进行修正，并将KLD方法应用于重采样过程，使其在量测噪声出现野值的情况下具有鲁棒性，并且能实时地调整粒子的个数，降低计算复杂度，提高计算效率。。

本发明的目的是这样实现的：步骤如下：

步骤一：建立描述目标跟踪系统的非线性离散状态方程：