粒子滤波算法(PF)在疲劳驾驶检测系统中的应用研究.docVIP

粒子滤波算法(PF)在疲劳驾驶检测系统中的应用研究 　　摘要:目前,实现定位跟踪的算法有很多,如卡尔曼滤波算法、扩展卡尔曼滤波算法、粒子滤波算法等。由于我们实际生活中的系统基本上都是非线性的,因此本文研究的是专门用于非线性非高斯系统跟踪的粒子滤波算法(PF)的基本原理及其具体应用。 　　Abstract: At present, there are many algorithms to achieve position tracking, such as the Kalman filter algorithm, extended Kalman filter algorithm, particle filter algorithm and so on. Since the real life systems basically are nonlinear, so this paper study the basic principles and specific applications of Particle Filter (PF) specially used for non-linear non-Gaussian tracking. 　　关键词: 粒子滤波算法;蒙特卡罗方法;非线性非高斯;扩展卡尔曼算法(EKF) 　　Key words: particle filter;Monte Carlo method;non-linear non-Gaussian;extended Kalman algorithm (EKF) 　　中图分类号:TP27 文献标识码:A文章编号:1006-4311(2010)31-0134-02 　　 　　0引言 　　对疲劳驾驶的检测方法有很多种,在本系统中我们采取对眼部区域信息的目标跟踪来实现对疲劳驾驶情况的检测。目标跟踪的目的是在连续的时间序列中,对用户所感兴趣的目标定位。目标是由自身状态来描述的,例如对目标的空间位置、运动的速度、尺度等等状态进行估计,因此,跟踪问题等价于对目标状态的求解,这个求解过程可以用估计理论来实现。而状态的估计是通过对目标的观测来进行的,例如对目标的灰度、纹理、轮廓等等特征的观测。 　　对目标状态进行预测最常用的方法是卡尔曼滤波。常规的卡尔曼滤波算法要求系统是线性高斯型的。对于非线性、非高斯系统而言,卡尔曼滤波不能直接用来解决目标跟踪问题。为此人们开发出各种非线性滤波算法。一种是扩展卡尔曼算法(EKF),它对非线性系统进行局部线性化,从而间接利用卡尔曼算法进行滤波与估算,该方法只适用于滤波误差和预测误差很小的情况;另一种是蒙特卡罗方法,即粒子滤波器(PF),它是最近出现的解决非线性问题的有效算法。粒子滤波技术通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型以及传统的卡尔曼滤波表示的非线性系统,精度可以逼近最优估计。因而粒子滤波比传统贝叶斯滤波器(卡尔曼滤波器、网格滤波器等)更具有实用价值。 　　1粒子滤波的基本原理 　　粒子滤波(Particle Filter)是一种基于蒙特卡罗仿真的贝叶斯概率滤波算法,这里的粒子是形容尺度极小的滤波器,可认为是一个滤波器代表了目标状态中的一个点。所谓滤波,是指可以“滤出”目标的当前状态,在估计理论中也指由当前和以前的观测值来估计目标当前的状态。粒子滤波的含义是指目标状态传播的后验概率可以用若干个粒子来近似表示。它的基本原理为:解决数学问题从相反关系出发,当所要求解的问题是某种事件出现的概率,或者是某个随机变量的期望值时,它们可以通过某种“试验”的方法(做许多次随机抽样试验),得到这种事件出现的频率,或者这个随机变数的平均值,并用它们作为问题的近似解。求解过程如下: 　　1.1 构造或描述概率过程对于本身就具有随机性质的问题,主要是正确描述和模拟这个概率过程;对于本来不是随机性质的确定性问题,比如计算定积分,就必须事先构造一个人为的概率过程,它的某些参量正好是所要求问题的解。即要将不具有随机性质的问题转化为随机性质的问题。 　　1.2 实现从已知概率分布抽样构造了概率模型以后,由于各种概率模型都可以看作是由各种各样的概率分布构成的,因此产生已知概率分布的随机变量(或随机向量),就成为实现蒙特卡罗方法模拟实验的基本手段,这也是蒙特卡罗方法被称为随机抽样的原因。 　　1.3 建立各种估计量一般说来,构造了概率模型并能从中抽样后,即实现模拟实验后,我们就要确定一个随机变量,作为所要求的问题的解,我们称它为无偏估计。建立各种估计量,相当于对模拟实验的结果进行考察和登记,从中得到问题的解。 　　2粒子滤波算法在系统中的具体应用 　　粒子滤波基本算法包括两个基本部分:①顺序重要性采样算法S