基于序列Monte Carlo方法的非線性濾波技術研究.pdf

1、現實世界中的隨機動態(tài)系統大都是非線性非高斯的，因此非線性濾波問題是極為普遍的，許多領域都涉及到，目標跟蹤是其重要應用之一。目標跟蹤是基于具有不確定性測量的傳感器數據，對來自未知目標的運動學特征做出估計。近年來粒子濾波，也稱序列Monte Carlo方法，在目標跟蹤方面得到廣泛關注，其原因可以理解為這種方法的簡潔性、處理復雜情況的魯棒性及易操作性，更重要的是它對非線性非高斯估計問題的強大處理能力。這種非線性濾波技術是一種基于仿真的數值方法

2、，其利用離散隱馬爾可夫鏈建模，通過系統模型描述目標未知狀態(tài)隨時間的演化規(guī)律，通過測量模型把可利用的目標觀測值與狀態(tài)聯系起來，并鑒于過去和目前的測量值，在先驗信息已知的基礎上，進行預測和更新，提供一個目標狀態(tài)的近似分布。 本文對基于貝葉斯框架下的序列Monte Carlo方法及目標跟蹤原理進行了綜述，對粒子濾波的改進方法進行了全面的概括，分析了粒子濾波方法的收斂性，其收斂特性保證了收斂率獨立于狀態(tài)空間的維數，而且是Lp收斂的。通過

3、仿真實驗，表明了對于線性高斯系統，精確的估計方法比粒子濾波的跟蹤效果要好；但對于非線性非高斯模型，粒子濾波具有較大的優(yōu)勢，可以顯著提高濾波的效果，并應用語音增強的實例進行了比較說明。 針對多傳感器目標跟蹤問題，本文論述了數據融合技術，提出了一種交叉?zhèn)鞲衅鹘徊嫣卣鳎–SCM）數據融合算法，可以對種類不同、模型不同的多個傳感器數據進行融合，并應用粒子濾波來進行非線性估計，完成一移動機器人目標跟蹤任務，為準確地定義目標位置的狀態(tài)，我們

4、分別采用最佳粒子、加權均值和魯棒均值三種估計方法，并對三種基本的重采樣策略進行了比較，實驗結果證明了這種數據融合算法的可行性和有效性。 在視覺跟蹤方面，本文論述了視覺跟蹤技術、攝像機系統以及顏色分布的相關內容，提出一種基于顏色直方圖的粒子濾波算法用來跟蹤運動目標，所提出的方法可以處理旋轉、尺寸變換和光照條件的變化以及目標的部分遮擋等問題，從而可以魯棒地跟蹤目標。這種方法是把顏色直方圖結合到粒子濾波的觀測模型中，應用二階自回歸模型

5、作為系統模型，跟蹤的目標既可以是剛性目標，也可以是非剛性目標，并且跟蹤算法可以實時實現。針對復雜背景環(huán)境下的多目標跟蹤問題，本文論述了主要的數據關聯技術，將目標檢測算法和粒子濾波結合起來，利用顏色直方圖作為觀測模型，利用GNN算法進行數據關聯，提出了一種基于粒子濾波的多目標跟蹤算法，實現了視頻場景中的多個目標跟蹤。該算法對目標在場景中的頻繁出現和消失、相似外表、交叉運動和短暫遮擋等有較好的處理效果。 關于粒子濾波目標跟蹤的性能評