[发明专利]一种基于Kalman协方差的机动目标快速跟踪方法

说明书

本发明公开了一种基于Kalman协方差的机动目标快速跟踪方法。本发明在Kalman滤波算法的基础上增加了机动检测。在机动检测时，进行协方差矩阵观测窗内的异常检测。当协方差数值大于观测窗内阈值，认为目标发生机动，初始化滤波算法，对目标进行快速跟踪。解决了传统算法由于协方差矩阵增大而导致估计值发生大的偏差，跟踪效果会严重滞后的问题。本发明在机动目标实时跟踪滤波中具有较大的实用价值。

技术领域

本发明属于态势处理领域，尤其涉及一种基于Kalman协方差的机动目标快速跟踪方法。

背景技术

现代态势处理日益复杂，因区域中目标多存在机动，态势处理过程中要实时监控的目标轨迹情况复杂多变。面对重点关注的机动目标，如何在发生机动时能快速调整跟踪算法，实时跟踪其轨迹，提升态势处理时效性，显得越来越迫切。

卡尔曼滤波器(Kalman Filter)(以下简称Kalman算法)是一种基于最小方差意义下的时域滤波方法，通过状态空间方程描述系统状态，递推估计系统状态输出，具备数据存储量小、易实现等优点，是工程上最常用的跟踪滤波算法。然而Kalman算法是不进行机动检测的跟踪算法，对机动明显的目标，当运动模型与实际不一致时，由于算法协方差矩阵增大而导致估计值发生大的偏差，跟踪效果会严重滞后。Yaakov Bar-Shalom等介绍的机动检测方法，以滤波新息建立的检测统计量为依据，通过设定阈值来判断目标是否发生机动。范红旗等分析说明了由于滤波器Q效应的约束，基于跟踪滤波器信息的机动检测无法同时获得快速的机动检测性能和良好的机动检测概率。

发明内容

发明目的：在对目标进行实时跟踪滤波时，对机动明显的目标，当运动模型与实际不一致时，由于协方差矩阵增大而导致估计值发生大的偏差，跟踪效果会严重滞后。为避免Q效应对机动检测的影响，并且能快速识别出机动情况，本发明在传统Kalman算法增加了机动检测，对协方差矩阵观测窗采用平均值减法累积算法，对时间序列进行异常检测，当协方差数值大于观测窗内阈值，认为目标发生机动，初始化滤波算法，对目标进行快速跟踪。本发明在机动目标实时跟踪滤波中具有较大的实用价值。

为了解决上述技术问题，本发明公开了一种基于Kalman协方差的机动目标快速跟踪方法，包括如下步骤：

步骤1，选择匀速CV模型作为Kalman算法的滤波器，对滤波器进行状态估计，获得滤波器的状态向量和状态协方差矩阵P(k|k)，所述状态协方差矩阵P(k|k)第一行第一列的元素P_k|k(1,1)表示x轴距离误差方差；

步骤2，计算状态协方差矩阵P(k|k)观测窗口内x轴距离误差方差P_k|k(1,1)的均值m_δr，标准差δ_δr；

步骤3，当(P_k|k(1,1)-m_δr)＞3*δ_δr时，x轴距离误差方差P_k|k(1,1)变化较大，判定目标为机动，执行步骤1对滤波器进行初始化；否则跟踪效果好，继续对目标进行跟踪滤波；

步骤4，输出Kalman算法的滤波值。

在一种实现方式中，步骤1包括如下步骤：

步骤1-1，设置目标运动状态为匀速(Constant Velocity，CV)，σ_v为运动模型过程噪声标准差，σ_r为量测噪声标准差，T为采样时间间隔。选择匀速CV模型为Kalman算法的滤波器。为了矩阵运算的维数一致，令CV模型状态向量为4维。CV模型状态向量：其中，表示匀速CV模型状态向量，k表示时刻，x_k-1为k-1时刻的x轴的坐标值，为k-1时刻的x轴的速度，y_k-1为k-1时刻的y轴的坐标值，为k-1时刻的y轴的速度；

CV模型状态转移矩阵F为：