基于EKF的粒子滤波器的目标跟踪算法研究
基于EKF的粒子滤波器的目标跟踪算法研究
1. 介绍了一些常用的目标跟踪算法的滤波理论，如扩展卡尔曼滤波、无味卡尔曼滤波等。
2. 以粒子滤波为基础，提出几种改进的粒子滤波算法并进行了对比分析。
首先，是在粒子滤波的基础上融合了扩展卡尔曼滤波算法，融合后的新算法在计算提议概率密度分布时，粒子的产生充分考虑当前时刻的量测，使得粒子的分布更加接近状态的后验概率分布。201908062008958
其次，采用 UKF、EKF生成粒子滤波的提议分布，并从中抽样粒子。基于此，提出了基于无味、扩展卡尔曼粒子滤波的目标跟踪算法。
最后，采用其它重采样方法的粒子滤波算法与标准重采样算法进行分析与比较。
关键词：目标跟踪，粒子滤波
粒子滤波是一种基于 Monte Carlo 仿真的最优回归贝叶斯滤波算法，该方法基于大量的量测，通过一组加权粒子的演化与传播来递推近似状态的后验概率密度函数，从而获得状态的统计量，该方法可以得到具有递推形式的重要性权值公式。粒子滤波对解决非线性问题所表现出来的良好特性使得研究人员不断地提出基于粒子滤波的新算法，如一些文献提出的基于优化组合重采样的粒子滤波法、SIS 滤波器等。但是一般的粒子滤波算法没有充分考虑每个采样时刻量测带来的新息，为了提高滤波效果，本节在粒子滤波的基础上融合EKF算法，该方法利用扩展卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数，使重要性密度函数能够融入最新观测信息的同时，更加符合真实状态的后验概率分布。PF 与 EKF 融合后的算法如下：
4.2 基于 UKF 的粒子滤波
目前普遍认为粒子滤波器的设计关键就是选择合理的参考分布。最常见的选取办法是令，显然这种选取方法丢失k时刻的量测值，使得 在很大程度上依赖于模型。如果模型不准确，或者量测噪声突然增大，则这种参考分布不能有效表示真实分布；同时在这种分布下，计算权重时没有考虑系统的模型噪声，因此考虑在样本产生后，先用本拍的量测对样本进行更新，然后再进行重采样。可以使用UKF算法对每个粒子点进行局部线性化来完成样本更新，但这使得PF 算法没有从根本上绕开线性化的问题，所以可将UKF 算法和PF算法相结合，利用UKF 算法对非线性问题的处理能力，产生更好的参考分布。
下面是无味粒子滤波的算法描述：
摘要 I
ABSTRACT II
第1章 绪论 1
1.1课题背景及意义 .1
1.2国内外研究发展现状 .2
1.3本文研究的主要内容 .4
1.4本文的组织结构 .4
第2章 目标跟踪算法基础6
2.1滤波理论的发展现状 6
2.2 线性动态系统的滤波理论与算法 8
2.2.1离散时间线性系统状态估计问题的一般描述 8
2.2.2基本卡尔曼滤波器 .9
2.3 非线性动态系统的滤波理论与算法 .9
2.3.1扩展卡尔曼滤波器 . 10
2.3.2无味卡尔曼滤波器 11
2.4 本章小结 .12
第3章 粒子滤波器.14
3.1 蒙特卡罗方法 14
3.1.1蒙特卡罗方法的发展历史 15
3.1.2蒙特卡罗方法的基本原理及思想 15
3.1.3蒙特卡罗解题步骤 16
3.1.4蒙特卡罗方法的特点 17
3.2 粒子滤波算法 .18
3.2.1粒子滤波器基本原理 19
3.2.2序贯粒子滤波算法 20
3.2.3粒子集的退化和重采样 22
3.2.4标准粒子滤波算法 24
3.3 粒子滤波的应用 25
3.3.1机动目标跟踪 25
3.3.2语音信号增强 26
3.3.3人脸跟踪 26
3.3.4状态监视与故障诊断 26
3.4 本章小结 .27
第4章 改进的粒子滤波.28
4.1 基于 EKF 的粒子滤波 28
4.2 基于 UKF 的粒子滤波 29
4.3 基于重采样技术的粒子滤波.31
4.3.1多项式重采样算法.31
4.3.2残差重采样算法.32
4.3.3分层重采样算法.32
4.3.4系统重采样算法.32
4.4 本章小结 .32
第5章 算法仿真分析.34
5.1算法模型及参数 34
5.2仿真分析 34
5.3本章小结 . 38
第6章 总结与展望 .39
参考文献41
致 谢43
1. 介绍了一些常用的目标跟踪算法的滤波理论，如扩展卡尔曼滤波、无味卡尔曼滤波等。
2. 以粒子滤波为基础，提出几种改进的粒子滤波算法并进行了对比分析。
首先，是在粒子滤波的基础上融合了扩展卡尔曼滤波算法，融合后的新算法在计算提议概率密度分布时，粒子的产生充分考虑当前时刻的量测，使得粒子的分布更加接近状态的后验概率分布。201908062008958
其次，采用 UKF、EKF生成粒子滤波的提议分布，并从中抽样粒子。基于此，提出了基于无味、扩展卡尔曼粒子滤波的目标跟踪算法。
最后，采用其它重采样方法的粒子滤波算法与标准重采样算法进行分析与比较。
关键词：目标跟踪，粒子滤波
粒子滤波是一种基于 Monte Carlo 仿真的最优回归贝叶斯滤波算法，该方法基于大量的量测，通过一组加权粒子的演化与传播来递推近似状态的后验概率密度函数，从而获得状态的统计量，该方法可以得到具有递推形式的重要性权值公式。粒子滤波对解决非线性问题所表现出来的良好特性使得研究人员不断地提出基于粒子滤波的新算法，如一些文献提出的基于优化组合重采样的粒子滤波法、SIS 滤波器等。但是一般的粒子滤波算法没有充分考虑每个采样时刻量测带来的新息，为了提高滤波效果，本节在粒子滤波的基础上融合EKF算法，该方法利用扩展卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数，使重要性密度函数能够融入最新观测信息的同时，更加符合真实状态的后验概率分布。PF 与 EKF 融合后的算法如下：
4.2 基于 UKF 的粒子滤波目前普遍认为粒子滤波器的设计关键就是选择合理的参考分布。最常见的选取办法是令，显然这种选取方法丢失k时刻的量测值，使得 在很大程度上依赖于模型。如果模型不准确，或者量测噪声突然增大，则这种参考分布不能有效表示真实分布；同时在这种分布下，计算权重时没有考虑系统的模型噪声，因此考虑在样本产生后，先用本拍的量测对样本进行更新，然后再进行重采样。可以使用UKF算法对每个粒子点进行局部线性化来完成样本更新，但这使得PF 算法没有从根本上绕开线性化的问题，所以可将UKF 算法和PF算法相结合，利用UKF 算法对非线性问题的处理能力，产生更好的参考分布。
下面是无味粒子滤波的算法描述：
摘要 I
ABSTRACT II
第1章 绪论 1
1.1课题背景及意义 .1
1.2国内外研究发展现状 .2
1.3本文研究的主要内容 .4
1.4本文的组织结构 .4
第2章 目标跟踪算法基础6
2.1滤波理论的发展现状 6
2.2 线性动态系统的滤波理论与算法 8
2.2.1离散时间线性系统状态估计问题的一般描述 8
2.2.2基本卡尔曼滤波器 .9
2.3 非线性动态系统的滤波理论与算法 .9
2.3.1扩展卡尔曼滤波器 . 10
2.3.2无味卡尔曼滤波器 11
2.4 本章小结 .12
第3章 粒子滤波器.14
3.1 蒙特卡罗方法 14
3.1.1蒙特卡罗方法的发展历史 15
3.1.2蒙特卡罗方法的基本原理及思想 15
3.1.3蒙特卡罗解题步骤 16
3.1.4蒙特卡罗方法的特点 17
3.2 粒子滤波算法 .18
3.2.1粒子滤波器基本原理 19
3.2.2序贯粒子滤波算法 20
3.2.3粒子集的退化和重采样 22
3.2.4标准粒子滤波算法 24
3.3 粒子滤波的应用 25
3.3.1机动目标跟踪 25
3.3.2语音信号增强 26
3.3.3人脸跟踪 26
3.3.4状态监视与故障诊断 26
3.4 本章小结 .27
第4章 改进的粒子滤波.28
4.1 基于 EKF 的粒子滤波 28
4.2 基于 UKF 的粒子滤波 29
4.3 基于重采样技术的粒子滤波.31
4.3.1多项式重采样算法.31
4.3.2残差重采样算法.32
4.3.3分层重采样算法.32
4.3.4系统重采样算法.32
4.4 本章小结 .32
第5章 算法仿真分析.34
5.1算法模型及参数 34
5.2仿真分析 34
5.3本章小结 . 38
第6章 总结与展望 .39
参考文献41
致 谢43
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/2257.html
