目录
一、kalman滤波简介 (1)
二、kalman滤波基本原理 (1)
三、Kalman滤波在运动跟踪中的应用的建模 (3)
四、仿真结果 (6)
1、kalman的滤波效果 (6)
2、简单轨迹的kalman的预测效果 (7)
3、椭圆运动轨迹的预测 (9)
4、往返运动归轨迹的预测 (10)
五、参数的选取 (11)
附录： (13)
Matlab程序： (13)
C语言程序： (13)
Kalman滤波在运动跟踪中的应用
一、kalman滤波简介
最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Ｋолмогоров等人的研究工作，后人统称为维纳滤波理论。从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。
Kalman滤波是卡尔曼(R.E.kalman)于1960年提出的从与被提取信号的有关的观测量中通过算法估计出所需信号的一种滤波算法。他把状态空间的概念引入到随机估计理论中，把信号过程视为白噪声作用下的—个线性系统的输出，用状方程来描述这种输入—输出关系，估计过程中利用系统状态方程、观测方程和白噪声激励(系统噪声和观测噪声)的统计特性形成滤波算法，由于所用的信息都是时域内的量，所以不但可以对平稳的一维随机过程进估计，也可以对非平稳的、多维随机过程进行估汁。
Kalman滤波是一套由计算机实现的实时递推算法．它所处理的对象是随机信号，利用系统噪声和观测噪声的统计特性，以系统的观测量作为滤波器的输入，以所要估计值(系统的状态或参数)作为滤波器的输出，滤波器的输入与输出之间是由时间更新和观测更新算法联系在一起的，根据系统方程和观测方程估计出所有需要处理的信号。所以，Kalman滤波与常规滤波的涵义与方法不同，它实质上是一种最优估计法。
卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法），对于解决很大部分的问题，他是最优，效率最高甚至是最有用的
二、kalman滤波基本原理
Kalman滤波器是目标状态估计算法解决状态最优估计的一种常用方法具有计算量小、存储量低、实时性高的优点。实际应用中，可以将物理系统的运行过程看作是一个状态转换过程，卡尔曼滤波将状态空间理论引入到对物理系统的数学建模过程中来。其基本思想是给系统信号和噪声的状态空间建立方程和观测方程，只用信号的前一个估计值和最近一个观察值就可以在线性无偏最小方差估计准则下对信号的当前值做出最优估计。
设一系统所建立的模型为：
状态方程：个离散控制过程的系统，
X(k)=A X(k-1)+B U(k)+W(k)
观测方程：系统的测量值
Z(k)=H X(k)+V(k)
上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A 和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H 是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance 分别是Q，R（这里我们假设他们不随系统状态变化而变化）。
对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是最优的信息处理器。下面我们来用他们结合他们的covariances 来估算系统的最优化输出（类似上一节那个温度的例子）。
首先我们要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：
X(k|k-1)=A X(k-1|k-1)+B U(k) (1)
式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。
到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的covariance还没更新。我们用P表示covariance：
P(k|k-1)=A P(k-1|k-1) A’+Q (2)
式(2)中，P(k|k-1)是X(k|k-1)对应的covariance，P(k-1|k-1)是X(k-1|k-1)对应的covariance，A’表示A的转置矩阵，Q是系统过程的covariance。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。
现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k|k)：
X(k|k)= X(k|k-1)+Kg(k)(Z(k)-H X(k|k-1)) (3)
其中Kg为卡尔曼增益(Kalman Gain)：
Kg(k)= P(k|k-1) H’/(H P(k|k-1) H’ + R) (4)
到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。但是为了要使卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的covariance：
P(k|k)=（I-Kg(k)H）P(k|k-1) (5)
其中I为1的矩阵，对于单模型单测量，I=1。当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去。
总结以上内容克制，Kalman滤波器实现的主要五个方程为：
(1)状态向量预报方程
1~'~-=k k X A X (2)状态向量协方差预报方程
1
1'--+=k T k k k k Q A P A P
(3)Kalman 加权矩阵(或增益矩阵)
1
)'('-+=k T k k k T k k k R H P H H P K
(4)状态向量更新方程
)'~('~~k k k k k k X H Z K X X -+= (5)状态向量协方差更新方程
'
)(k k k k P H K I P -=
Kalman 滤波预估计就是用前面两个时间更新方程获得先验估计然后通过后面三个状态更新方程对先验估计矫正获得最优估计。根据这5个公式，可以很容易的实现计算机的程序。
卡尔曼滤波的算法流程为： 1. 预估计
X(k)^= F(k,k-1)·X(k-1) 2. 计算预估计协方差矩阵
C(k)^=F(k,k-1)×C(k)×F(k,k-1)'+T(k,k-1)×Q(k)×T(k,k-1)' Q(k) = U(k)×U(k)' 3. 计算卡尔曼增益矩阵
K(k) = C(k)^×H(k)'×[H(k)×C(k)^×H(k)'+R(k)]^(-1) R(k) = N(k)×N(k)' 4. 更新估计
X(k)~=X(k)^+K(k)×[Y(k)-H(k)×X(k)^] 5. 计算更新后估计协防差矩阵
C(k)~ = [I-K(k)×H(k)]×C(k)^×[I-K(k)×H(k)]'+K(k)×R(k)×K(k)' 6. X(k+1) = X(k)~
C(k+1) = C(k) 重复以上六个步骤。
三、 Kalman 滤波在运动跟踪中的应用的建模
卡尔曼滤波器是一个对动态系统的状态序列进行线性最小误差估计的算法，一般用于线性系统。一般在运动跟踪领域中摄像机相对于目标物体运动有时属于
非线性系统，但由于在一般运动跟踪问题中图像采集时间间隔较短，可近似将单位时间内目标在图像中的运动看作匀速运动，采用卡尔曼滤波器可以实现对目标运动参数的估计。
对于复杂背景下运动目标识别与跟踪问题，要实现实时控制，对算法的实时性和准确性都有较高的要求。如果目标识别算法都是基于像素的全局搜索，则存在显著缺点：1)全局搜索计算量大、耗时，实时性无法满足；2)全局搜索抗干扰能力差，容易受到背景中相似特征物体的干扰。基于卡尔曼滤波器预测功能的运动目标快速跟踪算法可以通过预测目标物体在下一帧中的位置，将全局搜索问题转化为局部搜索，缩小搜索范围，提高算法的实时性。
在跟踪运动目标的过程中，由于目标物体单位时间内在图像中的运动可以看作匀速运动，所以可以采用目标某一时刻在图像中的位置和速度来表示目标的运动状态。为了简化算法的计算复杂度，可以设计2个卡尔曼滤波器分别描述目标在X 轴和Y 轴方向上位置和速度的变化。下面仅讨论X 轴方向上卡尔曼滤波器的实现过程，Y 轴方向上同理。
目标物体运动方程为：
??
?+=+=++T a v v T
v x x k k k k k k 11
式中
k
x ，k v ，k a
分别为目标在t=k 时刻的X 轴方向的位置、速度和加速
度；T 为k 帧图像和k+1帧图像之间的时间间隔，T
a k 可以当作白噪声处理。写
成矩阵形式如下：
系统状态方程为：
?
??? ??+???? ?????? ?
?=???? ??++T a v x T v x k k k k k 010111 卡尔曼滤波器系统状态矢量为：
T
k k k v x X ][+=
状态转移矩阵为：
?
???
??=101)(T k H
系统动态噪声矢量为：
?
???
??=T a w k k 0
系统观测方程为：
()?
???
??=+k k k v x x 011
卡尔曼滤波器系统观测矢量为：
k
k x Z =
观测系数矩阵为：
[]
01=k H
由观测方程可知，观测噪声为0，所以k
R =0。
建立了上述系统状态方程和观测方程之后，就可以利用卡尔曼滤波方程
式通过递推方法，不断预测目标在下一帧中的位置。在t=k 时刻，对第k 帧图像利用目标识别算法识别出的目标位置记为
k
x ，当目标首次出现时，根据此时目
标的观测位置初始化滤波器0'~
X =[0x ，0]。
系统初始状态向量协方差矩阵可以在对角线上取较大值，取值根据实际测量情况来获得，但在滤波启动一段时间后影响就不大了。取：
?
???
??=1000100P 。 系统动态噪声协方差为
Q ，可取为：
?
??? ??=1000100Q 。
通过公式(1)，计算得到目标在下一帧图像中的预测位置1'~
X 。在该位置附近，
对下一帧图像进行局部搜索，识别出的目标质心位置即为1Z ，通过公式(2)至公式(5)完成对状态向量和状态向量协方差矩阵的更新，为目标位置的下一步预测
做好准备，得出新的预测位置2'~X ，采用图像处理算法，在该位置进行局部搜索，从而得出新的目标质心位置2Z ，一直迭代计算下去，从而实现对目标物体的跟踪。
简化计算的到以下的实际编程公式： (1)状态向量预报方程
1~
'~-=k k X A X
简化： Xy=Xb1+ Vb1*T ;
Vy=Vb1 ;
(2)状态向量协方差预报方程
11'--+=k T
k k k k Q A P A P
简化：
Py=????
??4321Py Py Py Py =???? ??101T *???? ??----4)1(3)1(2)1(1)1(b P b P b P b P *?
??
?
??101T +Q Py1= (Pbb1+ Pbb3*T)+(Pbb2+Pbb4) *T; Py2= Pbb2+Pbb4*T; Py3= Pbb3+Pbb4*T;
Py4= Pbb4;
(3)Kalman 加权矩阵(或增益矩阵)
1)'('-+=k T
k k k T k k k R H P H H P K
简化： Kg=???
?
??Kg2Kg1
Kg1=Py1/( Py1+R)
Kg2= Py3/( Py1+R)
(4)状态向量更新方程 )'~
('~~k k k k k k X H Z K X X -+=
简化： Xb=Xy+ Kg1(Xnew+ Xy) ;
b=Vy+ Kg2(Xnew+ Xy) ;
(5)状态向量协方差更新方程
')(k k k k P H K I P -=
简化： Pb1=(1- Kg1)* Py1- Kg1 Py3; Pb2=(1- Kg1)* Py2- Kg1 Py4; Pb3=(1- Kg1)* Py3- Kg1 Py1;
Pb3=(1- Kg1)* Py4- Kg1 Py2;
四、 仿真结果
1、kalman 的滤波效果
对一个定值函数y=25，加高斯白噪声噪声之后，经卡拉曼滤波可得到的检测对比加噪声的之后的信号（测量信号）和经过kalman 滤波后的信号（滤波后的信号），对比两个信号。从图1的滤波结果中可以看出，经过kalman 滤波之后，信号基本上与加高斯白噪声之前的信号一直，误差大大减少，由此可以看出，kalaman 滤波对于白噪声有比较好的滤除作用。
图1 kalaman滤波滤除信号中的白噪声
2、简单轨迹的kalman的预测效果
使用基本的kalman滤波方法，预测下一个x的位置。建立模型的方法是：将目标物体在T时间内的运动可以看作匀速运动，采用目标某一时刻在图像中的位置和速度来表示目标的运动状态。为了简化算法的计算复杂度，使用两个个卡尔曼滤波器分别描述目标在X轴和Y轴方向上位置和速度的变化，两个滤波器的原理相同。
仿真的结果如下：左边的运动的轨迹，右边的是kalman的预测的误差。
图2 简单轨迹的kalman的预测效果
可以看出当物体匀速运动的时候，kalman的预测比较准确；当物体改变速度的幅度比较大的时候，这是因为速度变化较大的时候，表明加速度的变化比较大，这样用之前的参数预测就会有较大的偏差，所以kalman的误差会比较明显。
3、椭圆运动轨迹的预测
下面是物体运动作椭圆运动的一个预测：蓝色为实际轨迹，绿色为预测的轨迹，从x方向误差看，kalman的效果比较明显，y方向的预测效果就一般了，这个主要是跟kalman的的滤波参数选取有关，kalman是将运动的加速度看做白噪声处理的，参数的选取与加速度的方差有关。现在用的参数是参考一些论文的设置，然后自己经过测试选取的。速度变化大的时候就会预测不太准确，
现在写的kalman还不能对速度变化自适应。
图3 椭圆运动轨迹的预测
4、往返运动归轨迹的预测
kalman在窗口缩小情况下的跟踪效果，为了效果明显，将运动的轨迹做了调整，在改变速度、改变窗口大小的情况下，做了多组跟踪测试，下面是将其中一组测试速度变化较快、开窗较小的数据，轨迹如下图所示。
结果分析：在速度变化比较大，开窗比较小的情况下，用kalman的丢帧次数会减少一些，（硬件测试观测的结果）；比较matlab分析的结果，用kalman 的预测误差（绿线）比原始的帧间误差（蓝线）要小一些，遇到速度变化比较剧烈的时候，误差较大，易造成丢帧。整体来说，经过kalman处理，预测数据与真实数据之间的误差有所减小，而且在运动不突变的情况下，预测也相对准确，这是kalman的优势。
（1）运动轨迹
（2）局部放大的轨迹
（3） X方向的误差分析
（4） Y方向的误差分析
图4 kalman对往返运动的预测
五、参数的选取
建立模型，状态方程X(k)=A X(k-1)+B U(k)+W(k) 和观测方程Z(k)=H X(k)+V(k)。式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H 是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量
的噪声。他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance 分别是Q ，R （这里我们假设他们不随系统状态变化而变化）。
需要选取的参数主要是一下三个：
初始观测位置：当目标首次出现时，根据此时目标的观测位置初始化滤波器
0'~
X =[0x ，0]。初始位置的选取会影响到kalman 在多少次运算之后才趋向于准确，因为kalman 是迭代收敛来逐渐趋向于真实值的，如果开始的初始化位置与实际的位置相差比较大，就需要多迭代几次，这时需要注意的是前几帧的数据将会有较大的误差。
初始状态向量协方差矩阵：系统初始状态向量协方差矩阵可以在对角线上取较大值，取值根据实际测量情况来获得，但在滤波启动一段时间后影响就不大了。因为kalman 会自行迭代产生新的向量协方差矩阵，直至达到最优。取：
?
??? ??=1000100P 。
系统动态噪声协方差矩：系统动态噪声协方差矩阵为
Q ，这个矩阵主要是
表征了噪声的特性，也就是加速度的变化特性，这里要根据实际的运动模型来选
取，不同的状态下噪声的特性也不同。可以一般来说，可取为：?
???
??=1000100Q 。也可以根据效果修改的到一个较好的参数。
附录：
Matlab程序：
function [X_next]= kalman_f(D_y,N,A,T,Q,H,I,R,Pb1,Xb1);
for k=1:N-1;
Y=D_y(k);%Y=S(k); %测量值Y 更新输入数据Y=[S(k),V(k)]';
Xy=A*Xb1; %系统的预测值前一时刻X的相关系数??
Py=A*Pb1*A'+Q; %Py(k)为X(k\k-1)状态的协方差
Kg=(Py*H')*inv(H*Py*H'+R); %卡尔曼增益Kg=(Py+H')/(H*Py*H'+R); R=0;
Xb=Xy+Kg*(Y-H*Xy); %系统的最佳估计值即经过滤波后的信号
Pb=(I-Kg*H)*(Py); %Pb(k)为X(k\k)状态的协方差即t状态下x(t|t)的相关系数
Xb1=Xb; % 更新最佳估计值
Pb1=Pb; % 更新误差
Sb(k+1)=Xb(1,1);
Vb(k+1)=Xb(2,1);
x_next=A*Xb1;
X_next(k+1)=x_next(1,1);
End
C语言程序：
/* 基本的kalman滤波，预测下一个x的位置；将目标物体在T时间内的运动可以看作匀速运动，采用目标某一时刻在图像中的位置和速度来表示目标的运动状态。设计2个卡尔曼滤波器分别描述目标在X轴和Y轴方向上位置和速度的变化，为了简化算法的计算复杂度。下面是讨论X轴方向上卡尔曼滤波器的实现过程，y轴方向上的相同.*/
#include
#include
#include "math.h"
//初始化参数
#define T 1 //帧与帧间的时间间隔
#define R 0 //观测误差矩阵
#define Q0 0.002 //系统动态噪声协方差
#define Q1 0
#define Q2 0
#define Q3 0.002
int i;
int X_new;
float X;
float X_best,V_best;//预测值
float X_y,V_y; //估计值
float X_next;
int X_next1;
float Py[4]; //协方差预测矩阵
float Pb[4]={10,0,0,10}; //状态向量协方差更新方程//初始化协方差矩阵
// volatile int Pbb[4];
float Kg[2];
int kalman_1( int X_new, int V_new, int flag)//flag=0,第一次进入kalman {
if(flag==0) //updata the new number
{ //initialization
X_best=X_new;//可设置为常数，则V_new就不需要传输了
V_best=V_new;
}
else
{
//状态向量预报方程
X_y=X_best+V_best*T; //iteration
V_y=V_best;
//协方差预测
Py[0]= (Pb[0]+ Pb[2]*T) + (Pb[1]+Pb[3]*T)*T + Q0;
Py[1]= Pb[1]+Pb[3]*T+Q1;
Py[2]= Pb[2]+Pb[3]*T+Q2;
Py[3]= Pb[3]+Q3;
//kalman增益矩阵
Kg[0]=Py[0]/(Py[0]+R);// Kg[0]=1;//
Kg[1]= Py[2]/ (Py[0]+R );// Kg[1]=1;//
//状态向量更新方程
X_best=X_y+Kg[0]*(X_new-X_y);//forcast the best x
V_best=V_y+Kg[1]*(X_new-X_y);
//状态向量协方差更新方程
Pb[0]=(1-Kg[0])* Py[0]-Kg[0]*Py[2]; //Pb1=(1- Kg1)* Py1- Kg1 Py3;
Pb[1]=(1-Kg[0])* Py[1]-Kg[0]*Py[3]; //Pb2=(1- Kg1)* Py2- Kg1 Py4;
Pb[2]=(1-Kg[0])* Py[2]-Kg[0]*Py[0]; //Pb3=(1- Kg1)* Py3- Kg1 Py1;
Pb[3]=(1-Kg[0])* Py[3]-Kg[0]*Py[1]; //Pb3=(1- Kg1)* Py4- Kg1 Py2;
}
X_next=X_best+V_best*T;
X_next =(int)(X_next+0.5); //四舍五入转化为整型数
if(X_next<0) //设定边界值，因为预测的值有可能超出边界，需要{ //约束一下范围
X_next=0;
}
return X_next;
}
目录 一、kalman滤波简介 (1) 二、kalman滤波基本原理 (1) 三、Kalman滤波在运动跟踪中的应用的建模 (3) 四、仿真结果 (6) 1、kalman的滤波效果 (6) 2、简单轨迹的kalman的预测效果 (7) 3、椭圆运动轨迹的预测 (9) 4、往返运动归轨迹的预测 (10) 五、参数的选取 (11) 附录： (13) Matlab程序： (13) C语言程序： (13)
Kalman滤波在运动跟踪中的应用 一、kalman滤波简介 最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Ｋолмогоров等人的研究工作，后人统称为维纳滤波理论。从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。 Kalman滤波是卡尔曼(R.E.kalman)于1960年提出的从与被提取信号的有关的观测量中通过算法估计出所需信号的一种滤波算法。他把状态空间的概念引入到随机估计理论中，把信号过程视为白噪声作用下的—个线性系统的输出，用状方程来描述这种输入—输出关系，估计过程中利用系统状态方程、观测方程和白噪声激励(系统噪声和观测噪声)的统计特性形成滤波算法，由于所用的信息都是时域内的量，所以不但可以对平稳的一维随机过程进估计，也可以对非平稳的、多维随机过程进行估汁。 Kalman滤波是一套由计算机实现的实时递推算法．它所处理的对象是随机信号，利用系统噪声和观测噪声的统计特性，以系统的观测量作为滤波器的输入，以所要估计值(系统的状态或参数)作为滤波器的输出，滤波器的输入与输出之间是由时间更新和观测更新算法联系在一起的，根据系统方程和观测方程估计出所有需要处理的信号。所以，Kalman滤波与常规滤波的涵义与方法不同，它实质上是一种最优估计法。 卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法），对于解决很大部分的问题，他是最优，效率最高甚至是最有用的 二、kalman滤波基本原理 Kalman滤波器是目标状态估计算法解决状态最优估计的一种常用方法具有计算量小、存储量低、实时性高的优点。实际应用中，可以将物理系统的运行过程看作是一个状态转换过程，卡尔曼滤波将状态空间理论引入到对物理系统的数学建模过程中来。其基本思想是给系统信号和噪声的状态空间建立方程和观测方程，只用信号的前一个估计值和最近一个观察值就可以在线性无偏最小方差估计准则下对信号的当前值做出最优估计。 设一系统所建立的模型为：
目录一、kalman滤波简介 1 二、kalman滤波基本原理 (1) 三、Kalman滤波在运动跟踪中的应用的建模 (3) 四、仿真结果 (6) 1、kalman的滤波效果 (6) 2、简单轨迹的kalman的预测效果 (7) 3、椭圆运动轨迹的预测 (9) 4、往返运动归轨迹的预测 (10) 五、参数的选取 (11) 附录： (13) Matlab程序： (13) C语言程序： (13)
Kalman滤波在运动跟踪中的应用 一、kalman滤波简介 最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Ｋолмогоров等人的研究工作，后人统称为维纳滤波理论。从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。 Kalman滤波是卡尔曼(R.E.kalman)于1960年提出的从与被提取信号的有关的观测量中通过算法估计出所需信号的一种滤波算法。他把状态空间的概念引入到随机估计理论中，把信号过程视为白噪声作用下的—个线性系统的输出，用状方程来描述这种输入—输出关系，估计过程中利用系统状态方程、观测方程和白噪声激励(系统噪声和观测噪声)的统计特性形成滤波算法，由于所用的信息都是时域内的量，所以不但可以对平稳的一维随机过程进估计，也可以对非平稳的、多维随机过程进行估汁。 Kalman滤波是一套由计算机实现的实时递推算法．它所处理的对象是随机信号，利用系统噪声和观测噪声的统计特性，以系统的观测量作为滤波器的输入，以所要估计值(系统的状态或参数)作为滤波器的输出，滤波器的输入与输出之间是由时间更新和观测更新算法联系在一起的，根据系统方程和观测方程估计出所有需要处理的信号。所以，Kalman滤波与常规滤波的涵义与方法不同，它实质上是一种最优估计法。 卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法），对于解决很大部分的问题，他是最优，效率最高甚至是最有用的 二、kalman滤波基本原理 Kalman滤波器是目标状态估计算法解决状态最优估计的一种常用方法具有计算量小、存储量低、实时性高的优点。实际应用中，可以将物理系统的运行过程看作是一个状态转换过程，卡尔曼滤波将状态空间理论引入到对物理系统的数学建模过程中来。其基本思想是给系统信号和噪声的状态空间建立方程和观测方程，只用信号的前一个估计值和最近一个观察值就可以在线性无偏最小方差估计准则下对信号的当前值做出最优估计。 设一系统所建立的模型为：
随机数字信号处理期末大作业（报告） 基于卡尔曼滤波器的雷达目标跟踪 Radar target tracking based on Kalman filter 学院（系）：创新实验学院 专业：信息与通信工程 学生姓名：李润顺 学号：21424011 任课教师：殷福亮 完成日期：2015年7月14日 大连理工大学 Dalian University of Technology
摘要 雷达目标跟踪环节的性能直接决定雷达系统的安全效能。由于卡尔曼滤波器在状态估计与预测方面具有强大的性能，因此在目标跟踪领域有广泛应用，同时也是是现阶段雷达中最常用的跟踪算法。本文先介绍了雷达目标跟踪的应用背景以及研究现状，然后在介绍卡尔曼滤波算法和分析卡尔曼滤波器性能的基础上，将其应用于雷达目标跟踪，雷达在搜索到目标并记录目标的位置数据，对测量到的目标位置数据（称为点迹）进行处理，自动形成航迹，并对目标在下一时刻的位置进行预测。最后对在一个假设的情境给出基于卡尔曼滤波的雷达目标跟踪算法对单个目标航迹进行预测的MATLAB仿真，对实验的效果进行评估，分析预测误差。 关键词：卡尔曼滤波器；雷达目标跟踪；航迹预测；预测误差；MATLAB仿真 - 1 -
1 引言 1.1 研究背景及意义 雷达目标跟踪是整个雷达系统中一个非常关键的环节。跟踪的任务是通过相关和滤波处理建立目标的运动轨迹。雷达系统根据在建立目标轨迹过程中对目标运动状态所作的估计和预测，评估船舶航行的安全态势和机动试操船的安全效果。因此，雷达跟踪环节工作性能的优劣直接影响到雷达系统的安全效能[1]。 鉴于目标跟踪在增进雷达效能中的重要作用，各国在军用和民用等领域中一直非常重视发展这一雷达技术。机动目标跟踪理论有了很大的发展，尤其是在跟踪算法的研究上，理论更是日趋成熟。在跟踪算法中，主要有线性自回归滤波、两点外推滤波、维纳 α-滤波和卡尔曼滤波，其中卡尔曼滤波算法在目标跟踪滤波、加权最小二乘滤波、β 理论中占据了主导地位。 雷达跟踪需要处理的信息种类多种多样。除了目标的位置信息外，一般还要对目标运动速度进行估计，个别领域中的雷达还要对目标运动姿态进行跟踪。雷达跟踪的收敛速度、滤波精度和跟踪稳定度等是评估雷达跟踪性能的重要参数。因此提高雷达跟踪的精度、收敛速度和稳定度也就一直是改善雷达跟踪性能的重点。随着科技的发展，各类目标的运动性能和材质特征有了大幅度的改善和改变，这就要求雷达跟踪能力要适应目标特性的这种变化。在不断提高雷达跟踪性能的前提下，降低雷达跟踪系统的成本也是现代雷达必须考虑的问题。特别是在民用领域中由于雷达造价不能过高，对目标跟踪进行快收敛性、高精度和高稳定性的改良在硬件上是受到一些制约的，因此雷达跟踪算法的研究就越来越引起学者们的关注。通过跟踪算法的改进来提高雷达的跟踪性能还有相当大的挖掘潜力。考虑到雷达设备的造价，民用雷达的跟踪系统首要的方法就是对于雷达的跟踪算法进行开发。
卡尔曼滤波在目标跟踪中的应用 摘要：机动卡尔曼算法(VD 算法)在扩展卡尔曼滤波诸算法中原理较为简单，目标跟踪效果也较好。 一． 模型建立 (1) 非机动模型（匀速直线运动） 系统模型 )()()1(k GW k X k X +Φ=+ 其中 ?????? ????? ???=)()()()()(k V k y k V k x k X y x ； ? ? ??????????=Φ10001000010001 T T ； ????? ? ? ???? ???=10200102T T G ? ?? ???=)()()(k W k W k W y x ； 0)]([=k W E ； kj T Q j W k W E δ=)]()([ 测量模型为: )()()(k V k HX k Z +=; 其中 ?? ? ???=01000001H )(k V 为零均值,协方差阵为R 白噪声,与)(k W 不相关。 (2) 机动模型 系统模型 );(*)()1(k W G k X k X m m m m m +Φ=+ 其中
?? ? ? ??? ? ?? ??????????=)()()()()()()(k a k a k V k y k V k x k X m y m y m y m m x m m ；??? ???????????? ?????=Φ100 00 00100000100020100000100200 122 T T T T T T m ；??? ???????????????????=10012040020422T T T T G m 0)]([=k W E m , kj m m m Q j W k W E T δ=)]()([ 观测模型与机动模型的相同,只是H 矩阵为m H 。 ?? ? ???=000100000001m H 二．Kalman 滤波算法 作为一般的Kalman 滤波算法其算法可以描述如下： )1/1(?)1/(?--Φ=-k k X k k X T T G k GQ k k P k k P )1()1/)1()1/(-+Φ--Φ=- 1])1/([)1/()(-+--=R H k k HP H k k P k K T T )]1/()()[()1/(?)/(?--+-=k k HX k Z k K k k X k k X )1/()()1/()/(---=k k HP k K k k P k k P 起始估计值为 ()()()()()()()221/?2/2221/x x x y y y z z z T z z z T ????-??????=????????-???? X 起始估计的估计误差为 (2)(1)(2)(1)2(2/2)(2) (1)(2)(1)2x x x x y y y y v v v T u T v v v T u T -?? ??-?? ?+?? =??-?? -???+???? X 起始估计的估计误差协方差矩阵为
毕业设计 设计题目：基于卡尔曼滤波的目标跟踪研究 姓名 院系信息与电气工程学院 专业电气工程及其自动化 年级 学号 指导教师 2012年4月24 日
独创声明 本人郑重声明：所呈交的毕业论文(设计)，是本人在指导老师的指导下，独立进行研究工作所取得的成果，成果不存在知识产权争议。尽我所知，除文中已经注明引用的内容外，本论文（设计）不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明。 此声明的法律后果由本人承担。 作者签名: 二〇一年月日 毕业论文（设计）使用授权声明 本人完全了解鲁东大学关于收集、保存、使用毕业论文（设计）的规定。 本人愿意按照学校要求提交论文（设计）的印刷本和电子版，同意学校保存论文（设计）的印刷本和电子版，或采用影印、数字化或其它复制手段保存论文（设计）；同意学校在不以营利为目的的前提下，建立目录检索与阅览服务系统，公布论文（设计）的部分或全部内容，允许他人依法合理使用。 （保密论文在解密后遵守此规定） 论文作者（签名）： 二〇一年月日
目录 引言 1.绪论 1.1研究背景 1.1.1卡尔曼滤波提出背景 1.1.2 应用范围 1.2本文研究的主要内容 2 2．初步认识卡尔曼滤波 2 2.1关于卡尔曼 2.2滤波及滤波器问题浅谈 2 2.3 卡尔曼滤波起源及发展 3.估计原理和卡尔曼滤波 2 4．卡尔曼滤波的实现 4.1卡尔曼滤波的基本假设 5 4.2卡尔曼滤波的特点 5 4.3卡尔曼滤波基本公式 6 4.4卡尔曼滤波参数的估计和调整 5．卡尔曼滤波的相关知识 5.1 8 5.2 8 5.3 9 6．卡尔曼滤波器的设计 7．目标跟踪模型的建立 8．结合数学模型进行matlb编程 9．目标跟踪仿真 10．结论11 11.参考文献11 12.致谢12 13 15 16
卡尔曼滤波在目标跟踪中的应用 ［摘要］机动卡尔曼算法(VD 算法)在扩展卡尔曼滤波诸算法中原理较为简单，目标跟踪效 果也较好． 一．模型建立 （１） 非机动模型（匀速直线运动） 系统模型 )()()1(k GW k X k X +Φ=+ 其中 ??????????? ???=)()()()()(k V k y k V k x k X y x ; ? ? ?? ????????=Φ10001000010001T T ; ??????????????=10200102T T G ; ? ? ????=)()()(k W k W k W y x ; 0)]([=k W E ; kj T Q j W k W E δ=)]()([。 测量模型为: )()()(k V k HX k Z +=; 其中 ? ? ? ? ??=01000001H ; )(k V 为零均值,协方差阵为R 白噪声,与)(k W 不相关。 （２） 机动模型 系统模型 );(*)()1(k W G k X k X m m m m m +Φ=+ 其中
?? ? ? ??? ? ?? ??????????=)()()()()()()(k a k a k V k y k V k x k X m y m y m y m m x m m ;??? ???????????? ?????=Φ100 00 0010000010002010000 010*******T T T T T T m ;??? ???????????????????=10012040020422T T T T G m ; 0)]([=k W E m , kj m m m Q j W k W E T δ=)]()([。 观测模型与机动模型的相同,只是H 矩阵为m H , ?? ? ???=000100000001m H 二．kalman 滤波算法 作为一般的kalman 滤波算法其序贯算法可以描述如下： )1/1(?)1/(?--Φ=-k k X k k X T T G k GQ k k P k k P )1()1/)1()1/(-+Φ--Φ=- 1])1/([)1/()(-+--=R H k k HP H k k P k K T T )]1/()()[()1/(?)/(?--+-=k k HX k Z k K k k X k k X )1/()()1/()/(---=k k HP k K k k P k k P 起始估计值为 ()()()()()()()221/?2/2221/x x x y y y z z z T z z z T ?? ??-??????=????????-???? X 起始估计的估计误差为