基于雙fpga 的多目標(biāo)跟蹤算法研究

《基于雙fpga 的多目標(biāo)跟蹤算法研究 》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。

1、基于雙FPGA的多目標(biāo)跟蹤算法研究劉旭東吉林省經(jīng)濟(jì)管理干部學(xué)院吉林長(zhǎng)春130021【文章】多目標(biāo)跟蹤系統(tǒng)的精度和實(shí)時(shí)性一直是目標(biāo)跟蹤領(lǐng)域的主要研究問題。本文以雙FPGA為主處理芯片，對(duì)卡爾曼濾波和粒子濾波這兩個(gè)常用的濾波算法進(jìn)行有機(jī)結(jié)合，分別利用各自的特點(diǎn)對(duì)目標(biāo)進(jìn)行跟蹤處理。通過兩片F(xiàn)PGA相互配合對(duì)多目標(biāo)進(jìn)行實(shí)時(shí)跟蹤?！娟P(guān)鍵詞】FPGA；卡爾曼濾波；粒子濾波；多目標(biāo)跟蹤:TP391：A0引言隨著目標(biāo)跟蹤背景的復(fù)雜程度增大以及數(shù)字技術(shù)的快速發(fā)展，對(duì)于在干擾背景下雷達(dá)的多目標(biāo)跟蹤能力要求越來越高。多目標(biāo)跟蹤技術(shù)已經(jīng)在軍事、通信、衛(wèi)星導(dǎo)航、

2、遙感等領(lǐng)域中得到廣泛地應(yīng)用，而多目標(biāo)跟蹤的核心為濾波算法。如何提出性能更好的適應(yīng)各種線性、非線性濾波算法，用來應(yīng)對(duì)實(shí)際系統(tǒng)的非線性、非高斯問題，是本領(lǐng)域研究的熱點(diǎn)和難點(diǎn)所在。本文以兩片F(xiàn)PGA為處理器核心，對(duì)卡爾曼濾波算法和粒子濾波算法進(jìn)行融合，使這種新的算法更能對(duì)復(fù)雜環(huán)境下多目標(biāo)進(jìn)行有效的實(shí)時(shí)性跟蹤。1濾波算法的FPGA實(shí)現(xiàn)多目標(biāo)跟蹤就是對(duì)目標(biāo)運(yùn)動(dòng)參數(shù)，如位置、速度、加速度及目標(biāo)分類特征進(jìn)行識(shí)別和跟蹤，將接收機(jī)所接收到的量測(cè)數(shù)據(jù)分解和估計(jì)，最終形成每個(gè)目標(biāo)的運(yùn)動(dòng)軌跡。在整個(gè)系統(tǒng)中，濾波處于至關(guān)重要的地位，濾波效果好壞直接影響整個(gè)系統(tǒng)的

3、跟蹤成敗。所謂濾波是指從當(dāng)前和過去的觀測(cè)值來最優(yōu)估計(jì)信號(hào)的當(dāng)前值；濾波理論就是在對(duì)系統(tǒng)可觀測(cè)信號(hào)進(jìn)行測(cè)量的基礎(chǔ)上,根據(jù)一定的濾波準(zhǔn)則,對(duì)系統(tǒng)的狀態(tài)或參數(shù)進(jìn)行估計(jì)的理論和方法。由于在濾波過程中需要存取和計(jì)算大量的狀態(tài)數(shù)據(jù)，這就要求跟蹤系統(tǒng)中的主處理芯片要有很快的運(yùn)算速度和很大的存儲(chǔ)空間。與此同時(shí)主處理芯片和外圍電路還要有數(shù)據(jù)進(jìn)行通信，這就要求主處理芯片要有很強(qiáng)大的接口通信能力才能保證目標(biāo)跟蹤的實(shí)時(shí)性。Spartan-3A型FPGA是xilinx在SP3基礎(chǔ)上，針對(duì)用戶對(duì)豐富I/O的需求推出的I/O優(yōu)化FPGA。SP3A的優(yōu)勢(shì)在于具有同系列

4、FPGA中最大的I/O密度，能支持最多的I/O標(biāo)準(zhǔn)等，因此，它是多目標(biāo)跟蹤主處理芯片的理想選擇，本設(shè)計(jì)中所有的濾波算法均采用的Spartan-3A型FPGA實(shí)現(xiàn)。對(duì)于多目標(biāo)跟蹤系統(tǒng)來說，濾波算法有多種，如貝葉斯濾波、最優(yōu)估計(jì)濾波、次優(yōu)估計(jì)濾波等。目前比較成熟和常用的有卡爾曼濾波（最優(yōu)估計(jì)濾波的一種）和粒子濾波。本文就針對(duì)這兩種濾波方法進(jìn)行綜合處理。1.1卡爾曼濾波(KalmanFilter，KF)卡爾曼濾波是用狀態(tài)空間法描述系統(tǒng)的，由狀態(tài)方程和量測(cè)方程所組成。卡爾曼濾波用前一個(gè)狀態(tài)的估計(jì)值和最近一個(gè)觀測(cè)數(shù)據(jù)來估計(jì)狀態(tài)當(dāng)前值，并以狀態(tài)變量

5、的估計(jì)值的形式給出。假設(shè)某系統(tǒng)k時(shí)刻的狀態(tài)變量為Xk,狀態(tài)方程和量測(cè)方程表示為（1）（2）其中，k表示時(shí)間，這里指第k步迭代時(shí)，相應(yīng)信號(hào)的取值；輸入信號(hào)ωk是一白噪聲，輸出信號(hào)的觀測(cè)噪聲vk也是一個(gè)白噪聲，輸入信號(hào)到狀態(tài)變量的支路增益等于1；A表示狀態(tài)變量之間的增益矩陣，可以隨時(shí)間發(fā)生變化；C表示狀態(tài)變量與輸出信號(hào)之間的增益矩陣。其信號(hào)模型如圖1所示。當(dāng)狀態(tài)方程中時(shí)間變量k用k-1代替，得到（3）（4）其中，Xk是狀態(tài)變量；ωk-1表示輸入信號(hào)是白噪聲；vk是觀測(cè)噪聲；yk是觀測(cè)數(shù)據(jù)。圖1卡爾曼濾波的信號(hào)模型圖2卡爾曼濾波的FPGA算法

6、流程卡爾曼濾波的在FPGA中的算法如圖2所示。其中，計(jì)算當(dāng)前協(xié)方差和計(jì)算濾波器的增益這兩步是在一個(gè)FPGA中實(shí)現(xiàn)的，而后驗(yàn)狀態(tài)估計(jì)，后驗(yàn)誤差協(xié)方差估計(jì)是在另一個(gè)FPGA中實(shí)現(xiàn)的，這樣兩個(gè)FPGA可以在同時(shí)進(jìn)行一個(gè)算法的計(jì)算和存儲(chǔ)，可以提高實(shí)時(shí)性。對(duì)于線性高斯隨機(jī)系統(tǒng)，卡爾曼濾波能獲得后驗(yàn)概率密度函數(shù)的精確解析解。但在部分情況下獲得精確的后驗(yàn)概率密度函數(shù)是不可能的，這就需要進(jìn)行各種近似次優(yōu)估計(jì)。并且由系統(tǒng)的可觀測(cè)性差、狀態(tài)空間模型的線性程度低，也可導(dǎo)致了卡爾曼濾波算法在收斂精度及收斂時(shí)間上往往滿足不了要求。為了解決這個(gè)問41消費(fèi)警示Con

7、sumer0cm0pt;mso-layout-grid-align:none"class=MsoNormal>質(zhì)量管理題Gordon等人將重采樣算法引入到序貫重要性采樣中，提出序貫重要性重采樣算法，從而使這一技術(shù)趨于完善，序貫重要性重采樣算法也是各種粒子濾波算法的基礎(chǔ)相比于傳統(tǒng)的卡爾曼濾波及其改進(jìn)方法，粒子濾波可以在非線性非高斯環(huán)境下獲得良好的性能，當(dāng)粒子數(shù)足夠多時(shí)，其估計(jì)可逼近最優(yōu)解。1.2粒子濾波(ParticleFilter，PF)粒子濾波是一種基于蒙特卡羅方法(MonteCarloMethods，MCM)和遞推貝葉斯估計(jì)的用于非

8、線性、非高斯系統(tǒng)的濾波方法。粒子濾波的基本思想是：首先依據(jù)系統(tǒng)狀態(tài)向量的經(jīng)驗(yàn)條件分布，在狀態(tài)空間抽樣產(chǎn)生一組隨機(jī)樣本集合，這些樣本集合稱為“粒子”；然后根據(jù)觀測(cè)值不斷地調(diào)整粒子的權(quán)重大小和樣本位置；最后，通