买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中山大学申请的专利一种基于无迹卡尔曼滤波的目标跟踪方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115146448B 。

龙图腾网通过国家知识产权局官网在2025-11-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210658009.6，技术领域涉及：G06F30/20；该发明授权一种基于无迹卡尔曼滤波的目标跟踪方法及系统是由张艳;张任莉;陈金涛;黄坤设计研发完成，并于2022-06-10向国家知识产权局提交的专利申请。

本一种基于无迹卡尔曼滤波的目标跟踪方法及系统在说明书摘要公布了：本发明公开了一种基于无迹卡尔曼滤波的目标跟踪方法及系统，该方法包括：基于椭圆模型，对跟踪目标的运动状态和形状进行参数化，得到跟踪目标的运动状态参数和形状参数并构建系统模型；根据系统模型，通过无迹卡尔曼滤波器对跟踪目标的运动状态参数和形状参数进行迭代更新处理，得到更新后的运动状态参数和形状参数。通过使用本发明，能够在简化计算过程的同时提高目标的跟踪精度。本发明作为一种基于无迹卡尔曼滤波的目标跟踪方法及系统，可广泛应用于目标跟踪技术领域。

本发明授权一种基于无迹卡尔曼滤波的目标跟踪方法及系统在权利要求书中公布了：1.一种基于无迹卡尔曼滤波的目标跟踪方法，其特征在于，包括以下步骤： S1、基于椭圆模型，对跟踪目标的运动状态和形状进行参数化，得到跟踪目标的运动状态参数和形状参数并构建系统模型；具体包括： S11、基于椭圆模型，对跟踪目标的运动状态和形状并进行参数化，得到跟踪目标的运动状态参数和形状参数，所述跟踪目标的运动状态包括跟踪目标的中心位置和跟踪目标的速度； 所述参数化设置具体如下所示： 上式中，mk表示椭圆模型的中心位置，rk表示椭圆模型的速度，pk表示椭圆模型的形状参数，xk表示椭圆模型的状态变量，k表示时间步长； 其中，椭圆模型的形状参数具体还包括如下参数： 上式中，αk表示时间步长在k时的方向，且αk∈[0,2π]，lk,1表示椭圆半长轴的长度，lk,2表示椭圆半短轴的长度； S12、通过引入乘性噪声并结合跟踪目标的运动状态参数和形状参数构建系统模型；具体为： S121、构建椭圆模型过程中，跟踪目标会产生不同数量的独立笛卡尔量测；所述笛卡尔量测具体如下所示： 上式中，表示在时间步长k时传感器获取的第i个量测值，yk表示在时间步长k时传感器获取的所有量测的集合，nk表示在时间步长k时传感器获取的量测值的个数； 每个单独的量测来源于量测源其中该量测源被协方差为R的加性高斯测量噪声所破坏，每个量测源依赖于跟踪目标的范围，并遵循均匀空间分布； S122、根据高斯分布，引入乘性噪声，结合跟踪目标的运动状态参数和形状参数，构建量测方程和状态方程；采用高斯空间分布近似均匀空间分布，该方法的关键步骤是构建量测方程的公式，它通过一个乘法噪声h来处理量测源和目标状态的关系，然后将其建模为一个位于原点的轴向椭圆，其半轴长度为l1和l2，任何位于椭圆上的多个量测源zi可以写成如下所示： 上式中，l1表示椭圆的半长轴，l2表示椭圆的半短轴，hi表示乘性噪声； 在构建的椭圆模型中，省略了时间步长标志k和测量标志i，目标的位置为m＝[m1,m2]T，目标的形状参数记为pk＝[αk,lk,1,lk,2]T，其中，量测y是被量测噪声v所破坏的量测源z，测量源z与p通过乘性噪声h＝[h1,h2]T进行关联，进一步的，对椭圆模型的坐标系进行旋转一个α角，为了描述椭圆上分布的测量源，假设随机变量hi为零均值，分布在一个单位圆上，通过对zi进行旋转和平移处理，构建量测源方程： 上式中，m表示椭圆模型的中心位置，S表示椭圆模型的运动方向和轴长； 将时间标志和传感器噪声加入量测源方程，得到量测方程，具体如下所示： 上式中，表示量测值，Sj表示椭圆模型的运动方向和轴长，表示乘性噪声，具体地Ch表示乘性噪声的协方差，且表示量测噪声，具体地且R表示量测噪声的协方差； 系统模型的状态方程具体如下表示： xk+1＝Ak*xk+wk 上式中，Ak表示过程矩阵，wk表示零均值高斯过程噪声，其协方差为Q； S2、根据系统模型，通过无迹卡尔曼滤波器对跟踪目标的运动状态参数和形状参数进行更新处理，得到更新后的运动状态参数和形状参数；具体包括： S21、通过传感器获取跟踪目标的量测值； 基于从时间步长k时获取的nk个量测值，并以此加入到量测方程进行迭代更新处理，首先，表示给k-1时刻更新的状态参数加入k时刻的i-1个量测之后，更新得到的参数估计；表示给k-1时刻更新的状态参数协方差矩阵加入k时刻的i-1个量测之后，更新得到的状态参数协方差矩阵；然后将k时刻的测量值加入之前更新的状态参数估计以及相应的协方差矩阵中，以获得更新的估计值根据上述表达方式，对时间k的预测估计相应地记为单次扫描的量测值是以任意顺序进行合并的，对于不同的排序可能会得到略有不同的结果； S22、结合量测值，通过无迹卡尔曼滤波器的量测方程对跟踪目标的运动状态参数和形状参数进行量测更新，得到更新预估值； S221、获取不同时刻下的量测值并通过克罗内克积运算处理构建二次估计器； 通过获取量测值和克罗内克积形成伪量测值来构造二次估计器，其具体如下所示： S222、根据二次估计器构建伪量测方程； 将估计的目标中心点移动到原点，且所有转移不会改变原始的似然函数，因此，构造的伪测量为： 再构建伪量测方程，具体如下所示： 上式中，表示移动前的目标中心位置； S223、对跟踪目标的运动状态参数和形状参数进行参数扩维与离散化处理，得到Sigma点； 将乘性噪声h和量测噪声vk当成考虑参数进行处理，因此，椭圆模型的状态变量参数为： 其对应的协方差矩阵具体表示如下所示： 获取Sigma点，所示Sigma如下所示： 上式中，c表示权重系数； 其中c＝n+λ，参数λ＝α2n+k-n是一个缩放比例参数，用来降低总的预测误差，α的选取控制了采样点的分布状态，一般取α＝1，k为待选参数，其具体取值一般没有什么界限，但通常应确保矩阵为半正定矩阵； S224、将Sigma点代入伪量测方程进行计算，得到Sigma点的观测预测值； S225、基于Sigma点的观测预测值，通过加权计算求和处理，得到运动状态参数和形状参数的均值和协方差值； 将获取到的Sigma点代入伪量测方程，得到Sigma点集的观测预测值，通过加权求和得到预测观测值的均值和协方差，具体的代入过程如下所示： 所述均值如下所示： 上式中，wm表示均值的权重系数，表示系统预测的均值； 所述协方差如下所示： 上式中，wc表示协方差的权重系数，表示状态变量和伪量测的协方差，表示伪量测的协方差； 待选参数β≥0是一个非负的权系数，具体如下所示： S226、基于观测预测值的相关协方差值计算卡尔曼滤波增益，得到卡尔曼滤波增益值；所述卡尔曼滤波增益值具体如下所示： 上式中，Ki表示卡尔曼滤波增益值； S227、基于卡尔曼滤波增益值更新系统模型的运动状态参数和形状参数，得到更新预估值； 所述椭圆模型的状态变量和协方差矩阵的更新公式具体如下所示： 对于11维的状态变量和协方差，取其前7维，并将其中心点加上原来移动的量，即 综上，表达在时间步长k最后更新的状态变量为更新的协方差为 S23、通过无迹卡尔曼滤波器的状态方程对更新预估值进行时间更新处理，得到更新后的运动状态参数和形状参数； S231、基于跟踪目标的运动状态参数和形状参数并结合更新预估值的均值和协方差值获取得到的Sigma点，对Sigma点就进行UT变换处理，得到预测Sigma点； 由于运动状态和形状参数的时间更新均遵循线性模型，通过标准无迹卡尔曼滤波时间更新公式来进行时间更新，获取2n+1个Sigma点，如下所示： 对获取的Sigma点进行UT变换，具体如下所示： S232、基于预测Sigma点，通过无迹卡尔曼滤波器的状态方程对更新预估值进行更新处理，得到更新后的运动状态参数和形状参数； 时间步长k+1的初值状态和协方差更新公式如下所示： S3、基于系统模型实现目标跟踪； 通过改变目标的运动速度来增加目标机动性，并评估算法的优势，最后在不同噪声下，该算法的跟踪精度与误差，采用解耦距离评估方法分别评估目标的位置、方向和长短轴误差，具体通过以下公式进行计算； 位置误差： 方向误差： 轴长误差： 其中，真实椭圆的位置为方向为α，轴长为跟踪的椭圆的位置为方向为轴长为

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中山大学，其通讯地址为：510220 广东省广州市海珠区新港西路135号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。