基于序列Monte Carlo方法的非线性滤波技术研究

摘要

现实世界中的随机动态系统大都是非线性非高斯的，因此非线性滤波问题是极为普遍的，许多领域都涉及到，目标跟踪是其重要应用之一。目标跟踪是基于具有不确定性测量的传感器数据，对来自未知目标的运动学特征做出估计。近年来粒子滤波，也称序列Monte Carlo方法，在目标跟踪方面得到广泛关注，其原因可以理解为这种方法的简洁性、处理复杂情况的鲁棒性及易操作性，更重要的是它对非线性非高斯估计问题的强大处理能力。这种非线性滤波技术是一种基于仿真的数值方法，其利用离散隐马尔可夫链建模，通过系统模型描述目标未知状态随时间的演化规律，通过测量模型把可利用的目标观测值与状态联系起来，并鉴于过去和目前的测量值，在先验信息已知的基础上，进行预测和更新，提供一个目标状态的近似分布。 本文对基于贝叶斯框架下的序列Monte Carlo方法及目标跟踪原理进行了综述，对粒子滤波的改进方法进行了全面的概括，分析了粒子滤波方法的收敛性，其收敛特性保证了收敛率独立于状态空间的维数，而且是Lp收敛的。通过仿真实验，表明了对于线性高斯系统，精确的估计方法比粒子滤波的跟踪效果要好；但对于非线性非高斯模型，粒子滤波具有较大的优势，可以显著提高滤波的效果，并应用语音增强的实例进行了比较说明。 针对多传感器目标跟踪问题，本文论述了数据融合技术，提出了一种交叉传感器交叉特征（CSCM）数据融合算法，可以对种类不同、模型不同的多个传感器数据进行融合，并应用粒子滤波来进行非线性估计，完成一移动机器人目标跟踪任务，为准确地定义目标位置的状态，我们分别采用最佳粒子、加权均值和鲁棒均值三种估计方法，并对三种基本的重采样策略进行了比较，实验结果证明了这种数据融合算法的可行性和有效性。 在视觉跟踪方面，本文论述了视觉跟踪技术、摄像机系统以及颜色分布的相关内容，提出一种基于颜色直方图的粒子滤波算法用来跟踪运动目标，所提出的方法可以处理旋转、尺寸变换和光照条件的变化以及目标的部分遮挡等问题，从而可以鲁棒地跟踪目标。这种方法是把颜色直方图结合到粒子滤波的观测模型中，应用二阶自回归模型作为系统模型，跟踪的目标既可以是刚性目标，也可以是非刚性目标，并且跟踪算法可以实时实现。针对复杂背景环境下的多目标跟踪问题，本文论述了主要的数据关联技术，将目标检测算法和粒子滤波结合起来，利用颜色直方图作为观测模型，利用GNN算法进行数据关联，提出了一种基于粒子滤波的多目标跟踪算法，实现了视频场景中的多个目标跟踪。该算法对目标在场景中的频繁出现和消失、相似外表、交叉运动和短暂遮挡等有较好的处理效果。 关于粒子滤波目标跟踪的性能评价方面，本文提出了定量化的解决方案，以度量跟踪算法的品质。这种方案以精度和召回率为理论基础，相互补充，可以对视频目标跟踪的性能作出较合理的判断，通过设计实验，我们可以选择出最佳的参数，虽然所有的实验是在单目标跟踪的环境下完成的，但可以推广到多目标跟踪的场合。