卡尔曼滤波
卡尔曼滤波器是在贝叶斯理论框架下,对贝叶斯滤波器的迭代求解.贝叶斯方法是将未知参数看
做随机变量,使用先验概率和当前观测信息计算后验概率.后验概率包含了未知参数全部的统计信息,并可以根据某些准则计算目标状态,得到后验概率即是得到估计的最优解.根据贝叶斯定理,未知量
x
x
x的条件概率分布为
(
1
)
p
(
x
∣
y
)
=
p
(
y
∣
x
)
p
(
x
)
p
(
y
)
(1)\qquad\boldsymbol{p(x | y)}=\frac{p(y | x) p(x)}{p(y)}
(1)p(x∣y)=p(y)p(y∣x)p(x)
式中:
p
(
x
∣
y
)
p(x|y)
p(x∣y)为后验概率分布,
p
(
x
)
p(x)
p(x)为随机变量
x
x
x的先验概率分布,
p
(
y
∣
x
)
p(y|x)
p(y∣x)为测量
Y
=
y
Y=y
Y=y的似然度函数,
p
(
y
)
p(y)
p(y)为测量
y
y
y的概率分布,是一常数.通过似然度函数
p
(
y
∣
x
)
p(y|x)
p(y∣x),用测量数据对先验信息
p
(
y
)
p(y)
p(y)进行修正,从而得到 随 机 变 量x 的 后 验 概 率 分 布
p
(
x
∣
y
)
p(x|y)
p(x∣y)
卡尔曼滤波器是基于贝叶斯最大后验概率(Maximum a posteriori estimation,MAP)推论 和最小均 方误差准则,对 高 斯-马尔科夫随机过程中的不确定量进行估计。动态系统目标状态空间模型
包括状态模型和测量模型:
(
2
)
X
k
=
f
k
(
X
k
−
1
,
V
k
)
(
3
)
Y
k
=
h
k
(
X
k
,
W
k
)
}
\left.\begin{array}{l} (2)\qquad\boldsymbol{X}_{k}=f_{k}\left(\boldsymbol{X}_{k-1}, \boldsymbol{V}_{k}\right) \\(3)\qquad \boldsymbol{Y}_{k}=h_{k}\left(\boldsymbol{X}_{k}, \boldsymbol{W}_{k}\right) \end{array}\right\}
(2)Xk=fk(Xk−1,Vk)(3)Yk=hk(Xk,Wk)}
式中:
f
k
f_k
fk和
h
k
h_k
hk分别为状态模型和测量模型,
X
k
\boldsymbol{X}_k
Xk表示
k
k
k时刻的系统状态向量,
Y
k
\boldsymbol{Y}_k
Yk表示
k
k
k时刻的测量向量,
V
k
\boldsymbol{V}_k
Vk 与
W
k
\boldsymbol{W}_k
Wk分别代表过程噪声和测量噪声,成像系统中的这种噪声都是线性高斯白噪声,
p
(
v
)
∼
N
(
0
,
Q
)
p(v) \sim N(0, Q)
p(v)∼N(0,Q),
Q
Q
Q是
V
k
\boldsymbol{V}_k
Vk 的协方差,
p
(
w
)
∼
N
(
0
,
R
)
p(w) \sim N(0, R)
p(w)∼N(0,R),
R
R
R是
W
k
\boldsymbol{W}_k
Wk 的协方差. 式(2)中描述了状态随时间的转移概率
p
(
x
k
∣
x
k
−
1
)
p(x_k|x_{k-1})
p(xk∣xk−1) , 式2-2) 表明与系统状态关联的带噪声的测量的似然度
p
(
y
k
∣
x
k
)
p(y_k|x_k)
p(yk∣xk), 当噪声分布为高斯分布, 且状态方程与测量方程为线性时,卡尔曼滤波可得到估计问题的最优解.
卡尔曼滤波是“一种最优化自回归数据处理算法”。对于解决很大部分的问题,他是最优,效率最高甚至是最有用的。他的广泛应用已经超过30年,包括机器人导航,控制,传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理,例如头脸识别,图像分割,图像边缘检测