[发明专利]基于分治采样粒子滤波的三维机动目标跟踪方法

说明书

一种基于分治采样粒子滤波的三维机动目标跟踪方法，包括：1、通过量测信息预处理模块对传感器测得的当前时刻观测数据进行坐标转换，从球坐标系转换到笛卡尔坐标系；2、对步骤1所测得的观测数据进行分治采样，将三维运动空间分解为相互独立的一维子空间，各子空间内独立抽样粒子，获取样本子集；3、降维处理目标机动，结合观测数据对步骤2所分解的每个一维子空间中的样本子集进行粒子滤波，得到该子空间中的预测子状态；4、合并步骤3所得到的各子空间中预测的子状态，得到下一时刻目标的预测状态，缓解因空间中粒子分布稀疏造成算法迭代时粒子加剧退化，导致样本多样性降低，算法性能下降，无法保证跟踪实时性和跟踪精度等技术问题。

技术领域

本公开涉及机动目标跟踪领域，尤其涉及一种基于分治采样粒子滤波的三维机动目标跟踪方法。

背景技术

机动目标跟踪是雷达跟踪、视频监控、移动机器人等许多实际应用中的一项基础性和关键性任务，本质是利用传感器的离散量测值来估计目标的连续状态，主要包括目标机动模型的建模、机动检测或机动辨识以及滤波算法。目前国内外大量研究都集中在二维平面，当目标在三维空间各方向都出现强度不一致的高机动，通过二维模型和算法的扩展已无法准确描述目标运动，因此三维空间机动目标跟踪已成为该类问题的难点之一。

粒子滤波通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似，该算法不需要对系统做任何先验假设，适用于强非线性非高斯系统，具有很好的算法可扩展性和普适性，常被作为机动目标跟踪过程中的滤波算法。但粒子滤波本身存在粒子退化问题和粒子匮乏现象，且算法复杂度很大程度上依赖于粒子数目。

为解决该问题，通常基于传统重采样机制改进粒子重采样步骤，如分层重采样、自适应重采样、确定性重采样等；另一种新的发展方向是通过引入群智能优化思想增加样本多样性，如遗传算法、萤火虫算法、蝙蝠算法等优化重采样。以上方法通过改进粒子重采样环节能一定程度上增加样本多样性，降低粒子退化程度。但当处理三维空间中的机动目标跟踪问题时，由于目标不同方向上机动方式和强度不一致，状态空间会出现某些区域的粒子分布稀疏，难以均匀覆盖，致使算法迭代时粒子加剧退化，导致样本多样性降低。随着目标运动模型复杂度增加，算法性能下降的更为明显，常需增加粒子数量来保证覆盖范围，运算时间较长，无法保证跟踪实时性和良好的跟踪精度。

公开内容

(一)要解决的技术问题

本公开提供了一种基于分治采样粒子滤波的三维机动目标跟踪方法，以缓解现有技术由于三维空间中粒子分布稀疏问题造成的算法迭代时粒子加剧退化，导致样本多样性降低，算法性能下降的更为明显，无法保证跟踪实时性和良好的跟踪精度等技术问题。

(二)技术方案

本公开提供一种基于分治采样粒子滤波的三维机动目标跟踪方法，包括：步骤1：通过量测信息预处理模块对传感器测得的当前时刻观测数据进行坐标转换，从球坐标系转换到笛卡尔坐标系；步骤2：对步骤1所测得的观测数据进行分治采样，将三维运动空间分解为相互独立的一维子空间，各子空间内独立抽样粒子，获取样本子集；步骤3：降维处理目标机动，结合观测数据对步骤2所分解的每个一维子空间中的样本子集进行粒子滤波，得到该子空间中的预测子状态；以及步骤4：合并步骤3所得到的各子空间中预测的子状态，得到下一时刻目标的预测状态。

在本公开实施例中，所述步骤1中传感器所测得的当前时刻数据为机动目标的观测数据，包括径向距离，方位角，以及俯仰角，记为Z＝[r，b，e]^T，由球座标系转换为笛卡尔坐标系，得出笛卡尔坐标系中的观测数据：

其中，r为径向距离，b为方位角，e为俯仰角。