基于粒子滤波的目标跟踪算法研究

近年来随着计算机处理能力的快速发展,使得粒子滤波器作为序列信号处理的一种非常有效的方法成为研究领域的一个热点。它在处理复杂的非线性或非高斯问题的潜力,引起了信号处理,统计学,经济计量学等不同领域的专家学者的关注。尤其是来自国防的关注,因为它已经成为研究目标跟踪问题的一个十分有效的方法。 本文首先讨论了几种经典的滤波(卡尔曼滤波、网格滤波、扩展卡尔曼滤波和近似网格滤波)所存在的问题。接着针对非线性非高斯系统的状态滤波问题,阐述了粒子滤波的原理;然后在分析采样-重要性-重采样算法的基础上,讨论了粒子滤波算法存在的主要问题和改进手段。给出了各种粒子滤波算法的伪代码,对几种常见的粒子滤波器(SIR、ASIR、RPF)进行比较,分析了各自算法的优缺点。 一般的粒子滤波器所产生的预测样本没有考虑系统状态的最新值,由此产生的样本同真实的后验概率产生的样本相比偏差较大,有一定的盲目性。特别是当观测数据出现在转移概率分布的尾部或似然函数同转移概率分布相比过于集中(呈尖峰型)时,一般的粒子滤波器可能失效。因此本文以似然函数为基础选择重要密度函数,对此密度函数进行抽样,从而提出了一种新的粒子滤波器,通过仿真,把该滤波算法与扩展卡尔曼滤波和粒子滤波相比较,发现改进了的算法在目标跟踪性能上确实优于扩展卡尔曼滤波和一般的粒子滤波。