2.5.3 GUIDE组件和属性 10

2.6 MATLAB GUI的基础设计 11

2.6.1 设计的步骤 11

2.6.2 界面设计工具 11

2.6.3 界面和代码设计 12

2.7 本章小结 12

第三章 目标跟踪 13

3.1 目标跟踪概述 13

3.1.1 单目标跟踪原理与框图 13

3.1.2 多目标跟踪原理与框图 14

3.2 坐标系与跟踪门 14

3.2.1 各种坐标系 14

3.2.2 跟踪门 15

3.3 目标的动态模型 16

3.3.1 目标跟踪的数学模型 16

3.3.2 动态模型 17

3.4 本章小结 20

第四章 基于MATLAB GUI的粒子滤波仿真实现 21

4.1 贝叶斯的估计理论 21

4.2 粒子滤波算法 24

4.2.1 标准的粒子滤波算法 24

4.2.2 重要性采样粒子滤波 26

4.2.3 粒子滤波算法存在的问题 28

4.3 仿真结果与分析 31

4.4 本章小结 34

第五章 基于MATLAB GUI的交互多模型粒子滤波仿真实现 35

5.1 IMMPF算法 35

5.2 仿真结果与分析 37

5.3 本章小结 40

结    论 41

致    谢 42

参考文献 43

第一章 绪论

1.1 选题的目的与背景

在如今的目标跟踪领域，因为现实问题的复杂性，难控制性，所面对的往往更多的是非线性，并非高斯的问题，Hue等人将PF推广至多个目标跟踪的并且与数据关联起来。与卡尔曼滤波(Kalman Filter)比较,粒子滤波(PF: Particle Filter)的思绪是在蒙特卡洛办法(Monte Carlo methods)的基础上改良的，它是经过粒子集来计算它的概率，能够将其用在一切模式的空间状态模型下面。它的中心思想就是从后验概率里选取的随机粒子来表示它的分布，是一种根据顺序的重要性采样方法[1](Sequential Importance Sampling)。简单的说，粒子滤波算法指的是通过找寻一组在状态空间中传播的随机样本对概率密度函数的近似，用采样后的样本的均值来代替积分的运算，最终获得最小状态方差的分布的过程。其中的样本就是指粒子,当粒子的数量 趋近于无穷时可以接近所有形式的概率密度函数的分布。虽然算法中的概率分布不是真实中的分布，而只是实际分布的一种近似，然而因为非参数化的优势，它解决了非线性滤波问题中随机变量必须服从是高斯分布的条件，能够表示比高斯分布适应性更强的分布，并且能够提高变量参数的非线性特性的建模能力。所以，粒子滤波能够比较精准地表示在观测量和控制量基础上的后验概率的分布，可以用来解决SLAM等方面的问题。

1.2 课题的内容