[发明专利]基于高斯过程回归的变分滤波机动目标跟踪方法

说明书

本发明公开了基于高斯过程回归的变分滤波机动目标跟踪方法，属于目标跟踪领域。所述方法首先采用时间预测方法得到目标状态的预测后验分布、过程噪声协方差的预测后验分布和预测量测值，然后使用变分滤波方法更新目标状态和过程噪声协方差的联合后验分布；本发明使用变分推断技术，通过迭代估计目标状态和过程噪声协方差的联合后验，解决了滤波方法中过程噪声未知的问题，在均方根误差上达到了比使用标准噪声参数的卡尔曼滤波更好的效果；使用高斯过程回归技术，通过高斯模型预测量测和阈值方法去除异常量测，解决了机动目标跟踪中出现异常量测的问题，相较于现有技术取得了更好的跟踪效果。

技术领域

本发明涉及基于高斯过程回归的变分滤波机动目标跟踪方法，属于目标跟踪领域。

背景技术

在机动目标跟踪中，目标可以是各种运动物体，如飞机、车辆、船舶、行人等。由于目标机动的不可预测性，机动目标跟踪技术一直都是目标跟踪领域的难点和热点。在机动目标跟踪的真实工程场景下，很有可能无法得到足够的先验信息，由此会导致跟踪方法的性能大幅下降。

卡尔曼滤波是一种在高斯白噪声背景下处理整个信号过程的方法，用状态转移方程表示线性系统的输入输出关系，并从量测数据中估计所需的信息参数。与其他滤波方法不同，卡尔曼滤波不对整个系统的平稳性提出严格的要求，也不要求存储历史数据。只需要存储当前的瞬时观测值和对以前瞬时状态的估计值，从而降低了内存要求和计算复杂性。因此，卡尔曼滤波在许多应用中得到广泛使用，包括导航控制和目标跟踪。

在卡尔曼滤波所需要的先验信息中，目标所遵循的状态空间模型中的系统过程噪声是决定跟踪方法性能的重要先验信息，系统过程噪声用于描述动态系统中可能的系统干扰和时变信息等。如果跟踪方法的过程噪声信息不准确，会使得跟踪方法的估计误差增大。此外，卡尔曼滤波假定量测值的信息是精确的，然而真实工程场景下，由于环境的变化，无法避免异常量测值的情况，异常量测值极大程度影响卡尔曼滤波类方法的性能，会导致算法估计结果的均方根误差提高，跟踪精度不佳。

发明内容

为了解决上述系统过程噪声未知和异常量测导致卡尔曼滤波方法跟踪效果下降等问题，提高跟踪精度，本发明提供了基于高斯过程回归的变分滤波机动目标跟踪方法，所述技术方案如下：

本发明的第一个目的在于提供一种机动目标跟踪方法，包括：首先采用时间预测方法得到目标状态的预测后验分布、过程噪声协方差的预测后验分布和预测量测值，然后使用变分滤波方法更新目标状态和过程噪声协方差的联合后验分布；

所述时间预测方法包括：采用卡尔曼滤波方法对目标状态和过程噪声协方差进行一步时间预测，得到目标状态和过程噪声协方差的预测后验分布；采用高斯过程回归技术使用历史量测进行建模，对当前时刻进行预测得到预测量测；

所述变分滤波方法包括：首先使用量测阈值处理方法对当前量测进行检测，剔除异常量测并使用预测量测替代；然后使用变分近似方法迭代估计目标状态和过程噪声协方差的联合后验分布，当满足终止条件或达到迭代次数时结束变分近似方法，将此时的结果作为最终的联合后验分布。

可选的，所述时间预测方法得到目标状态的后验分布、过程噪声协方差的后验分布的过程包括：

对于当前时刻k，使用k-1时刻的目标状态均值x_k-1|k-1、目标状态协方差P_k-1|k-1和状态转移矩阵F_k，通过卡尔曼滤波的预测步骤计算预测状态均值x_k|k-1和预测状态协方差Σ_k：

x_k|k-1＝F_kx_k-1|k-1

通过逆Wishart分布表达式计算k时刻的预测自由度和预测尺度矩阵Φ_k|k-1：