kalman滤波目标跟踪

第十一章 模糊和KALMAN滤波目标跟踪系统

学生：卢宗庆 指导老师：高新波

内容提要1.模糊和数学模型控制器2.目标实时跟踪系统

3.模糊控制器4. KALMAN滤波控制器 5. 仿真结果 6. 总结在第九章我们比较了模糊和神经网 络在倒车控制中的应用，在本章着 重比较模糊系统和KALMAN滤波系 统在实时跟踪上的比较。

一 模糊和数学模型控制器1.模糊控制器 模糊控制器不同于传统的数学模型控制器，模糊系统不需精确 的数学模型既：不需根据输入来函数式地描述输出；同时模糊 系统对于所描述状态和怎样描述状态并不是不确定的。 模糊控制器是一个模糊系统，是一个单位立方体间的映 F :In I p 射： I n 包含属于空间 X {x1 ,..., xn } 的所有模糊子集； I p 包含 F 属于空间的所有模糊子集。模糊系统 将模糊子集 X 映射 成模糊子集 Y 。通常 X 和 Y 可以是连续的、离散的、或集 合的。

模糊控制器有一系列的FAM(模糊自联想记忆)“规 则”,它描述模糊的专家知识或学习训练好的输入到 输出的转变。一个FAM可以总结概括一个特定的数学 模型的动作。模糊系统可以非线性地将一个确定的或 模糊化的输入转变成一个模糊集输出。这个输

卡尔曼滤波：以陀螺仪测量的角速度作为预测值的控制量，加速度传感器测量的角度作为观测值。下面程序中angle_m为测量角度，gyro_m为测量角速度，gyro_m*dt为控制量。 以下程序是按卡尔曼滤波的五个公式来编写的。 X(k|k-1)=A X(k-1|k-1)+B U(k) ……….. (1) P(k|k-1)=A P(k-1|k-1) A’+Q ……… (2)

X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) ……… (3) Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ……… (4) P(k|k)=（I-Kg(k) H）P(k|k-1) ……… (5)

对于单输入单输出系统，A、B、H、I不为矩阵且值都为1。

卡尔曼滤波参数的调整：其参数有三个，p0是初始化最优角度估计的协方差（初始化最优角度估计可设为零），它是一个初值。Q是预测值的协方差，R是测量值的协方差。对Q和R的设定只需记住，Q/(Q+R)的值就是卡尔曼增益的收敛值，比如其值为0.2，那么卡尔曼增益会向0.2收敛（对于0.2的含义解释一下，比如预测角度值是5度，角度测量值是10度，那么最优化角度为：5+0.2

粒子滤波的一些文献

ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用２００８，４４（１１）６１

基于粒子滤波和均值漂移的目标跟踪

何文媛，韩

斌，徐

之，宋敬海

ＨＥＷｅｎ－ｙｕａｎ，ＨＡＮＢｉｎ，ＸＵＺｈｉ，ＳＯＮＧＪｉｎｇ－ｈａｉ

江苏科技大学电信学院，江苏镇江２１２００２

ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎ，ＪｉａｎｇｓｕＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｚｈｅｎｊｉａｎｇ，Ｊｉａｎｇｓｕ２１２００２，ＣｈｉｎａＥ－ｍａｉｌ：ｂｅｃｋｙ＿１９８３＠１６３．ｃｏｍ

ＨＥＷｅｎ－ｙｕａｎ，ＨＡＮＢｉｎ，ＸＵＺｈｉ，ｅｔａｌ．Ｏｂｊｅｃｔｔｒａｃｋｉｎｇｂａｓｅｄｏｎｐａｒｔｉｃｌｅｆｉｌｔｅｒａｎｄｍｅａｎ－ｓｈｉｆｔ．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ

（１１）：６１－６４．ａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００８，４４

Ａｂｓｔｒａｃｔ：Ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｅｍｂｅｄｓｍｅａｎ－ｓｈｉｆｔｉｎｔｏｔｈｅｔｒａｃｋｉｎｇｆｒａｍｅｏｆｔｈｅｐａｒｔｉｃｌｅｆｉｌｔｅｒａｌｇｏｒｉｔｈｍ．Ｔｈｅａｕｔｈｏｒｓｒｅｇａｒｄｃｏｌｏｒｄｉｓｔｒｉｂｕ

clear N=200; w(1)=0; w=randn(1,N) x(1)=0; a=1; for k=2:N;

x(k)=a*x(k-1)+w(k-1); end

V=randn(1,N); q1=std(V); Rvv=q1.^2; q2=std(x); Rxx=q2.^2; q3=std(w); Rww=q3.^2; c=0.2; Y=c*x+V; p(1)=0; s(1)=0; for t=2:N;

p1(t)=a.^2*p(t-1)+Rww; b(t)=c*p1(t)/(c.^2*p1(t)+Rvv); s(t)=a*s(t-1)+b(t)*(Y(t)-a*c*s(t-1)); p(t)=p1(t)-c*b(t)*p1(t); end t=1:N;

plot(t,s,'r',t,Y,'g',t,x,'b');

function [x, V, VV, loglik] = kalman_filter(y, A, C, Q, R, init_x, init_V, varargin) % Kalman filter.

Kalman滤波原理及仿真手册

KF/EKF/UKF原理+应用实例+MATLAB程序

本手册的研究内容主要有Kalman滤波，扩展Kalman滤波，无迹Kalman滤波等，包括理论介绍和MATLAB源程序两部分。本手册所介绍的线性滤波器，主要是Kalman滤波和α-β滤波，交互多模型Kalman滤波，这些算法的应用领域主要有温度测量、自由落体，GPS导航、石油地震勘探、视频图像中的目标检测和跟踪。

EKF和UKF主要在非线性领域有着重要的应用，目标跟踪是最主要的非线性领域应用之一，除了讲解目标跟踪外，还介绍了通用非线性系统的EKF和UKF滤波处理问题，相信读者可以通过学习本文通用的非线性系统，能快速掌握EKF和UKF滤波算法。

本文所涉及到的每一个应用实例，都包含原理介绍和程序代码（含详细的中文注释）。

一、四维目标跟踪Kalman线性滤波例子

在不考虑机动目标自身的动力因素，将匀速直线运动的船舶系统推广到四

?(k)维，即状态X(k)??x(k)xy(k)?(k)?T包含水平方向的位置和速度和纵向y的位置和速度。则目标跟踪的系统方程可以用式（3.1）和（3.2）表示，

X(k?1)??X(k)??u(k)

毕业设计（论文）任务书

学生姓名： 学 号： 班 级： 专 业：□自动化

□测控技术与仪器

所在 系：□控制科学与工程

□仪器科学与技术

设计(论文)题目： 滤波算法在目标跟踪中的应用

起 迄 日 期： 2012 年 3 月 26日~ 6 月 15日 设计(论文) 地点： 校内 指 导 教 师： 王秋平

发任务书日期: 2012年 1 月 13 日

毕 业 设 计（论 文）任 务 书

毕 业 设 计（论 文）任 务 书

任务书填写要求

1．毕业设计（论文）任务书由指导教师根据各课题的具体情况填写，经学生所在专业的负责人审查、系领导签字后生效。此任务书应在毕业设计（论文）开始前一周内填好并发给学生；

2．任务书内容必须用黑墨水笔工整书写或按教务处统一设计的电子文档标准格式打印，不得随便涂改或潦草书写，禁止打印在其它纸上后剪贴；

3．任务书内填写的内容，必须和学生毕业设计（论文）完成的情况相一致，若有变更，必须经过所在系主管领导审批后方可重新填写；

4．任务书内有关“系”

参赛密码 （由组委会填写）

第十一届华为杯全国研究生数学建模竞赛

学 校 参赛队号

空军工程大学 90045035 1.唐 茂

队员姓名

2.史 密 3.李世杰

参赛密码 （由组委会填写）

第十一届华为杯全国研究生数学建模竞赛

题 目 机动目标的跟踪与反跟踪

摘 要：

为解决机动目标的跟踪与反跟踪问题，本文综合运用航迹拟合、数据关联、滤波原理，建立了目标的运动模型，并基于自适应卡尔曼滤波原理建立了目标跟踪模型。运用所建立的模型进行仿真，估计和预测了目标机动情况，提出了跟踪与反跟踪策略。

针对问题一，首先将雷达量测数据按照坐标转换公式统一到地心地固坐标系中，采用多项式拟合方法估计目标初始状态；其次综合考虑，确定建立Singer模型来跟踪目标运动状况；最后设计了卡尔曼滤波器估计目标的状态信息，得到目标的航迹。

针对问题二，进行降维处理简化模型，通过数据关联算法分离测量信息，确定测量数据属于哪个目标；依据两个目标的测量数据分别进行卡尔曼

针对目标跟踪系统出现的观测量野值问题,在分析Kalman滤波新息序列样本统计量及其抽样分布函数的基础上,引入一种活化函数对新息序列进行修正,并提出了基于x^2检验模型和基于t检验模型的两种Kalman滤波抗野值方法。仿真实验表明,所提方法有效改善了野值对Kalman滤波器性能的影响,尤其是对于出现连续野值的情况。

20笫 5划 0820 N 5 0 8. o.

} _乜 r

刈抗

总笫 l2期 2S r s No 1 2 ei .2 e

1 C I ) C、 AR}仆 . 'R1NI 、 E、 ’ Al

基于抽样分布函数的 K la a n滤波抗野值方法研究 m王博黄鹏安玮周一宇( .国防科技大学电子科学与工程学院， 1长沙 4 0 7; .军工程大学电讯工程学院， 10 3 2空西安 7 0 7 ) 10 7

摘

要

针对目标跟踪系统出现的观测量野值问题，分析 K l a波新息序列样本统在 a n滤 m

计量及其抽样分布函数的基础上，引入一种活化函数对新息序列进行修正，并提出了基于检验模型和基于 t验模型的两种 K l a波抗野值方法。仿真实验表明，检 a n滤 m所提方法

有效改善了野值对 K l a波器性能的影响， a n滤 m尤其是对于出现连续野值的

广西科技大学（筹） 毕业设计（论文）说明书

课题名称： 基于kalman滤波的直流伺服电机

模糊PID位置控制仿真研究

院 别： 电气与信息工程学院 专 业： 自动化 班 级： 081 学 号： 200800301040 姓 名： 林剑强 指导教师： 高远

2012年 5月 28日

摘 要

直流伺服系统的作用是使输出的机械位移可以准确的跟随着输入的位移。目前控制方法有PWM控制、PID控制方法等等。传统PID控制具有稳定性好、结构简单、可靠性高等优点。对于可建立精确数学模型的确定性系统特别适用。但由于它适应性较差，对于非线性和时变系统容易出现整定不良，超调量较大等现象，很难取得理想的控制效果。模糊PID控制器可以根据输入误差e和误差变化率ec对PID控制器参数进行实时自动调整，超调

博 士 学 位 论 文 第五章 基于粒子滤波与联合概率数据联想的多视觉目标跟踪

在复杂场景中，多视觉目标交互是常见的，多目标跟踪是分析场景中多视觉目标交互信息的有效方法。多目标跟踪一直都是视觉跟踪研究的热点和难点。多目标跟踪的关键是排除虚假目标干扰和有效区分各跟踪目标——数据联想。数据联想的实质就是把从视频信号中获取的受噪声干扰的多视觉观测与目标状态假设相关联。解决数据联想的方法很多，比如最近邻滤波器[47]、多假设滤波方法[64,139]、概率数据联想滤波（PDAF）和联合概率数据联想滤波（JPDAF)[27,47,65,67,115,140-142]等。由粒子滤波原理（见2.3节）和贝叶斯意义下视觉跟踪定义（见定义3.2）可知，粒子滤波本身可以直接用来实现多目标的跟踪，但其效率比较低，只实用于目标数目较少的场景。在非高斯、非线性情况下为了稳健的、有效的跟踪多目标，一些学者提出了将粒子滤波与联合概率数据联想结合，从而实现有效的多目标跟踪[27,67,140-142]。在视觉跟踪研究领域，粒子滤波已开始应用于多视觉目标跟踪[66,143-145]。而且，Rasmussen等提出将概率数据联想方法应用于复杂视觉目标跟踪问题[115]。在此，主要