[发明专利]一种基于连续扩展卡尔曼滤波的目标跟踪方法

说明书

本发明涉及目标跟踪技术领域，具体涉及一种基于连续扩展卡尔曼滤波的目标跟踪方法，包括基于连续扩展卡尔曼滤波建立物体运动模型的状态空间方程，使得克服了传统的连续扩展卡尔曼滤波处理非线性系统时，在泰勒展开时，由于雅克比矩阵式仅仅考虑了泰勒展开式的一阶信息，所以误差会被引入，这会大大降低目标位置的精确度。换句话说，预估精度无法得到保证。根据在离散EKF的基础上，从改进的离散EKF得到启发，这种改进的离散EKF同样包含高阶信息，大大提高位置精度。

技术领域

本发明涉及目标跟踪技术领域，具体涉及一种基于连续扩展卡尔曼滤波的目标跟踪方法。

背景技术

现在安防与监控中，通过深度学习识别目标，都需要对目标进行跟踪。

卡尔曼滤波(Kalman filter)利用一系列观测到的测量值通常包括统计噪声和其他一些误差，对系统状态进行最优估计。卡尔曼滤波器在现实生产生活中有许多应用。常见的应用是对交通工具特别是航天飞行器的导航和控制。此外，卡尔曼滤波是一种在时间序列分析中广泛使用的概念，如信号处理和计量经济学。卡尔曼滤波器也是机器人运动规划和控制领域中的一个重要课题，有时也涉及轨迹优化的课题。

卡尔曼滤波器是以Rudolf Emil Kalman命名的。研究伊始，卡尔曼研究的是可控性问题。在上世纪60年代中期，通过科学家施密特(Schmidt)的影响，卡尔曼滤波成为为C5A航空运输所建立的Northrop导航系统的一部分。Stanley Schmidt是第一个应用卡尔曼滤波的人。当卡尔曼(Rudolf E.Kalman)访问美国宇航局艾姆斯研究中心(NASA AmesResearch Center)，他发现他的方法在解决阿波罗计划的轨道预测是有用的，阿波罗导航计算机使用了此过滤器。卡尔曼滤波器在技术上有许多应用。

传统方案，类似于离散时间的情况下，连续时间随机过程x(t)和观测值z(t)由以下公式给出：

z(t)＝H(t)x(t)+v(t)

Ew(t)＝Ev(t)＝0

Ew(t₁)w^T(t₂)＝Q(t)δ(t₂-t₁)

Ev(t₁)v^T(t₂)＝R(t)δ(t₂-t₁)

Ew(t)v^T(η)＝0

其中F(t),G(t),H(t),Q(t)和R(t)分别是n×n,n×n,l×n,n×n和l×l维数的矩阵。协方差矩阵Q和R是正定矩阵。

传统的卡尔曼滤波不能考虑非线性的情况，而连续扩展卡尔曼滤波在将非线性系统线性化时往往只考虑了泰勒展开式的一阶信息，即用雅克比矩阵计算表示时实际上忽略了二阶以及以上高阶信息，将会产生较大的误差。

发明内容

本发明的目的在于克服现有技术中存在的问题，提供一种基于连续扩展卡尔曼滤波的目标跟踪方法，它可以实现至少一定程度上解决现有技术的问题。

为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现的：

一种基于连续扩展卡尔曼滤波的目标跟踪方法，包括建立物体运动模型的状态空间方程，其中，

非线性动态模型：

w(t)～N(0,Q(t))；

非线性测量模型：

z(t)＝h(x(t),t)+v(t)v(t)～N(0,R(t))，