Singer-Kalman模型在滤波跟踪中，Matlab源码如何实现机动目标跟踪？

本文共计1046个文字，预计阅读时间需要5分钟。

1. 简介+现实跟踪场景中，运动方式多样、随机性运动和运动规则不确定性是动态目标的典型运动特征。动态目标跟踪的难点主要包括：构建一个准确、通用的先验数学模型来表示动态目标。

1 简介

现实跟踪场景中，运动方式多样性、随机性运动和运动规则不确定性是机动目标的典型运动特征。机动目标跟踪的难点主要有: 建模一个准确的、通用的先验数学模型来表示机动目标的运动特性; 设计基于完善的先验参数信息的自适应滤波算法以抑制系统的不确定性的干扰。机动目标跟踪的本质是递推滤波，即采用先进的自适应滤波技术，根据一定的滤波准则以最大限度地减小各滤波时刻目标的状态估计与真实状态间的偏差。机动目标跟踪过程可简要概括为: 首先由含有噪声的传感器观测和目标预测状态计算得出当前时刻的残差向量，然后基于该残差向量的变化进行目标机动辨识，即跟踪场景中被跟踪目标是否发生了机动运动，最后采用相应的目标滤波技术计算机动目标的状态估计值，至此完成跟踪过程中的一个时刻的滤波; 将当前时刻得出的目标的状态和协方差传递至下一时刻作为下一次滤波的初始值，然后重复上述过程，循环往复，直到遍历所有跟踪时刻。通过以上机动目标跟踪原理的分析可以看出，预测和自适应滤波模块是整个跟踪体系的核心和关键之一。