[发明专利]基于渐消记忆指数加权的卡尔曼滤波跟踪方法

摘要

本发明提供的一种基于渐消记忆指数加权的卡尔曼滤波跟踪方法，包括以下步骤：获取状态误差协方差矩阵P和系统过程噪声矩阵；计算运动目标在第k时刻的预测状态参量估计值计算第k时刻的新息协方差C_0,k；计算第k时刻新息γ_k，计算第k时刻新息协方差的估计值计算第k时刻的加权系数β_k，进一步计算第k时刻的渐消因子λ_k；计算第k时刻的预测状态误差协方差矩阵P_k|k‑1、卡尔曼增益K_k，进一步计算第k时刻的状态估计值以及状态误差协方差矩阵P_k；其中，计算第k时刻新息协方差的估计值的计算方法为其中，加权系数{β_i}呈负指数规律衰减。本发明克服了传统的利用加窗平均的方法计算新息残差矢量估计的精度较差的问题，有效提升新息残差的估计精度，从而使本发明方法具有更高的精确性和鲁棒性。

主权项

1.一种基于渐消记忆指数加权的卡尔曼滤波跟踪方法，所述跟踪方法采用卡尔曼滤波器进行误差预测，其特征在于，包括以下步骤：步骤一：建立运动目标的状态模型以及观测模型，根据所述状态模型获取状态误差协方差矩阵P；步骤二：获取第k‑1时刻的状态参量X_k‑1以及状态误差协方差矩阵P_k‑1，根据所述第k‑1时刻的状态参量X_k‑1以及状态误差协方差矩阵P_k‑1按照卡尔曼递推公式计算运动目标在第k时刻的预测状态参量估计值进一步计算第k时刻的新息协方差C_0,k；步骤三：获取第k时刻的目标的观测参量Z_k，根据所述第k时刻的目标的观测参量Z_k计算第k时刻新息γ_k，进一步计算第k时刻新息协方差的估计值步骤四：计算第k时刻的加权系数β_k，根据所述第k时刻的加权系数β_k、所述第k时刻新息γ_k以及所述第k时刻新息协方差的估计值计算第k时刻的渐消因子λ_k；步骤五：通过所述第k时刻的渐消因子λ_k计算第k时刻的预测状态误差协方差矩阵P_k|k‑1、卡尔曼增益K_k，进一步计算得到第k时刻的状态估计值以及状态误差协方差矩阵P_k；其中，计算第k时刻新息协方差的估计值的计算方法为其中，所述加权系数{βi}呈负指数规律衰减。