专利名称：一种高机动目标跟踪算法的制作方法
技术领域：
本发明涉及信息技术领域，可用于在军事和民用领域中对高机动目标的实时跟踪中，特别涉及一种高机动目标跟踪算法。
背景技术：
在军事和民用领域，譬如反导和空中交通管制中，可靠而精确的跟踪目标始终是目标跟踪系统设计的主要目的。机动目标的跟踪问题一直是人们研究的重点，实现机动目标精确跟踪，首要解决的问题就是使所建立的目标运动模型与实际的目标运动模型匹配。在机动目标模型的建立过程中，探测器所得到的机动目标的运动状态存在着误差并且还存在一些不可预测的情况，如主观操作及周围环境的变化等因素，因此需要在机动目标模型中引入状态噪声和观测噪声，其中，引入的观测噪声与所采用探测器的精度有一定的关系，观测噪声可以通过大量的实验得到其统计特性，然而，状态噪声的统计特性则较难进行准确的估计，这需要进行人为的假设。例如，如果目标作勻速直线运动，可假设此时其状态噪声为服从零均值白色高斯分布。但上述假设对做非勻速直线机动的目标则不尽合理。机动目标跟踪基本原理如
图1所示。经过国内外学者几十年来的不断研究，提出了很多的目标模型和跟踪算法，归纳起来主要有以下几种针对勻速直线运动的CV模型和针对勻加速度运动的CA模型是时常系统下提出的机动目标模型，这两种模型是最早也是比较简单和常见的两种运动模型， 同时这两种模型还具有计算简单的优点，但是适用性较差，尤其是在目标的机动性能不断增强和机动方式多样性不断的增多的今天；七十年代R. A. Singer提出了零均值、一阶时间相关的机动加速度模型(Singer模型)，机动加速度模型将目标的机动加速度表示为随机状态噪声驱动的结果，与CV/CA模型不同，机动加速度模型用有色噪声而不是用白噪声描述机动控制项更加的切合实际。但机动加速度模型也存在一些局限性，它只适用于等速至等加速范围内的目标运动，如果目标的机动性能超过这个范围，此时采用这种模型将引起较大的模型误差，从而使目标的跟踪性能降低，周宏仁教授于八十年代提出了机动目标的“当前”统计(CS)模型，“当前”统计模型与Singer模型相比主要做了两方面的改进，首先增加了加速度的均值项，其次目标机动加速度的统计特性采用修正的瑞利-马尔科夫过程描述，与Singer模型相比，“当前”统计模型考虑到当前时刻的具体机动，目标机动范围和强度变化得到更加真实地反映，比较适合于目标的机动实际；1984-1989年Blom 和Bar-Shalom提出了交互式多模型(I匪)算法，该算法具有Markov转移概率，交互式多模型算法中有多个模型并行工作，多个滤波器交互作用得到目标状态估计的结果，由于该算法达到全面自适应的能力，是一种比较理想的算法；1997年，机动目标的Jerk模型被 K. Mehrotra和P. R. Mahapatra等人提出。借助于Singer模型思想，Jerk模型假设目标Jerk 服从零均值、平稳的一阶时间相关过程，而且时间相关函数为指数衰减形式，与Singer相比，该模型在状态向量中增加了目标的加速度变化率(Jerk)，Jerk模型是现在已知的模型阶数较高也是比较精确的模型；近年来，还有一些基于不敏kalman滤波、粒子滤波等非线性滤波的机动目标跟踪算法相继被很多学者提出，这些方法不受线性误差或高斯噪声的假定限制，但计算量比较大；此外为了克服单一模型的不足，还有很多学者提出了一些改进的以-β、^-β-γ滤波算法以及一些多种方法的组合算法。Singer模型提出比较早，但对强机动目标的跟踪效果相对较差。与Singer模型相比，“当前”统计模型不仅能够实时地正确估计目标状态，计算量相差不大，并且不存在估计修正和时间滞后问题，由于它依赖于目标的机动频率和最大加速度等相关因素，限制了它的使用范围。相比之下，虽然Jerk模型仅仅在Singer模型的基础上增加一维向量即加速度变化率(简称Jerk机动)，却将目标的加速度引入到模型中，能够更加精确的描述目标的模型，该模型也具有一些不足，在跟踪具有阶跃加速度变化率的目标时，Jerk模型存在稳态确定性误差问题。交互式多模型(IMM)算法是目前较好的目标跟踪算法，具有可调制性，但它也存在一些不足，由于交互式多模型中用到多个并行的Kalman滤波器，跟踪机动性能的提高是以较大的计算资源来换取的；同时由于模型之间的准确转换概率在验前无法获得，IMM 算法的使用和跟踪精度也因为事先确定模型之间的转换概率导致受限。目前尽管在目标跟踪技术领域已经取得了很多的成果，并且已有很多目标跟踪算法已经在工程应用中得到了很好的实现，但是在这些研究成果中，专门研究高机动目标的跟踪算法并不太多。在目前机动目标的速度以及机动性不断的提高的情况下，如何提高机动目标的跟踪性能尤其是如何提高跟踪算法的实时性具有很大的研究价值和现实意义。在上述方法中，采用交互式多模型(I匪)目标跟踪算法，对机动目标运动状态(如位置、速度及加速度等)进行准确的估计和预测，并具有可调制性，可用于机动目标跟踪。但是这种技术，由于交互式多模型中用到多个并行的Kalman滤波器，跟踪机动性能的提高是以较大的计算资源来换取的；同时由于模型之间的准确转换概率在验前无法获得，IMM算法的使用和跟踪精度也因为事先确定模型之间的转换概率导致受限。
发明内容
本发明的目的是，在原有技术的基础上，在有色噪声条件下建立目标运动模型和观测模型，采用基于交互多模算法(IMM)的卡尔曼滤波器对机动目标进行跟踪，并且在IMM 算法中将加速度自适应调整的“当前”统计模型与CV、CA模型相结合，改善整体I匪算法性能，利用隐含在当前量测中的系统模式信息，在线实时计算马尔科夫转移概率，从而获得较准确的后验估计，提高模型融合的精度。基于以上阐述，本发明所采用的技术方案是，一种高机动目标跟踪算法，其特征在于步骤如下
1)建立系统基本运动模型，①根据残差d的变化进行机动辨识或者机动检测，②按照某一逻辑或准则调整滤波增益、协方差矩阵以及未知参数，并且实时辨识出目标机动特性， ③由滤波算法得到目标的状态估计值和预测值，从而完成机动目标跟踪功能；
2)量测噪声相关下的卡尔曼滤波器，考虑在量测噪声相关情况下的滤波估计问题，设
权利要求
1.一种高机动目标跟踪算法，其特征在于步骤如下1)建立系统基本运动模型，①根据残差d的变化进行机动辨识或者机动检测，②按照某一逻辑或准则调整滤波增益、协方差矩阵以及未知参数，并且实时辨识出目标机动特性， ③由滤波算法得到目标的状态估计值和预测值，从而完成机动目标跟踪功能；2)量测噪声相关下的卡尔曼滤波器，考虑在量测噪声相关情况下的滤波估计问题，设立卡尔曼滤波器基本的信号模型是
2.根据权利要求1所述的高机动目标跟踪算法，其特征在于，所述卡尔曼滤波的基本步骤是D根据前一次滤波值(或初值i(o/o))经计算预测值；2)根据前次得到的滤波误差方差阵Pr。0-1M-1)(或初值Ρτ。(0/0))计算预测误差方差阵；3)计算卡尔曼增益；4)计算滤波估计；5)计算滤波误差方差阵。
全文摘要
本发明公开了一种高机动目标跟踪算法。在有色噪声条件下建立目标运动模型和观测模型，采用基于交互多模算法(IMM)的卡尔曼滤波器对机动目标进行跟踪，并且在IMM算法中将加速度自适应调整的“当前”统计模型与CV、CA模型相结合，改善整体IMM算法性能，利用隐含在当前量测中的系统模式信息，在线实时计算马尔科夫转移概率，从而获得较准确的后验估计，提高模型融合的精度。
文档编号G06T7/20GK102568004SQ20111043342
公开日2012年7月11日 申请日期2011年12月22日 优先权日2011年12月22日
发明者李忠民, 贾杰 申请人:南昌航空大学