基于自適應卡爾曼粒子濾波的目標跟蹤算法的研究.pdf

1、粒子濾波(Particle Filter)是近些年來發(fā)展起來的一種有效的濾波處理技術，因其在解決非線性動態(tài)系統(tǒng)方面具有極大優(yōu)勢，在目標跟蹤、圖像處理等很多領域都有廣泛的應用。粒子濾波是一種新的用來求解貝葉斯概率的方法，一般來說，它借助于非參數(shù)蒙特卡羅模擬的方法來實現(xiàn)遞推貝葉斯濾波算法。近幾年時間里，有關的理論和算法研究都得到了較快的發(fā)展，并且提出了許多有效地改進算法。目前粒子濾波已經(jīng)成為國際上濾波理論的一個研究熱點。
　　首先，本

2、文介紹了基于非線性動態(tài)系統(tǒng)的擴展卡爾曼濾波(Extended Kalman Filter)算法和無跡卡爾曼濾波(Unscented Kalman Filter)算法的基本理論以及遺傳算法和粒子濾波算法的基本原理和實現(xiàn)步驟，這些濾波算法在目標跟蹤領域都取得了較好的跟蹤效果，但同時它們都存在著在高機動、非高斯、強噪聲背景下精度不夠、對模型不適應等缺點。
　　其次，無跡卡爾曼濾波算法具有對濾波初始值和狀態(tài)模型誤差比較敏感的特點，本文在U

3、KF算法的基礎上引入了強跟蹤的自適應算法，用于解決載體運動規(guī)律與濾波模型不匹配的問題。
　　最后，以粒子濾波為基礎，提出了基于自適應卡爾曼粒子濾波算法并和常規(guī)方法進行了對比分析。首先是為克服傳統(tǒng)粒子濾波算法采用狀態(tài)轉(zhuǎn)移先驗概率作為粒子濾波提議分布的缺點，采用改進的自適應強跟蹤UKF生成粒子濾波的提議分布，并從中抽樣粒子，使得粒子的分布更加接近狀態(tài)的后驗概率分布。其次，在粒子濾波的重采樣過程中加入自適應GA-MCMC算法，利用遺傳算