CN106249226A - 一种基于水平鱼探仪数据的运动目标关联算法 - Google Patents

Abstract

本发明公开了一种基于水平鱼探仪数据的运动目标关联算法，给定初始值，分别进行状态预测、回波预测、协方差矩阵预测、新息向量预测，根据有效回波集合，生成有效矩阵，由有效矩阵生成可行联合事件，计算可行联合事件概率以及关联概率，通过卡尔曼滤波公式进行计算卡尔曼增益矩阵以及滤波器协方差矩阵。本发明采用的联合概率数据关联算法，在杂波环境下对多目标进行数据互联，可以有效的对多个目标进行关联。

Description

一种基于水平鱼探仪数据的运动目标关联算法

技术领域

本发明涉及鱼群追踪技术领域，具体是一种基于水平鱼探仪数据的运动目标关联算法。

背景技术

鱼类的运动轨迹存在重叠和交错的可能，水平鱼探仪的数据图像中包含了多个运动鱼类目标，图像数据中噪音多，而且水平鱼探仪受到波束高度限制，所以要求对落入预测测量周围的一个区域内的测量数据进行关联，在多目标跟踪的过程中，数据关联是最重要的又是最困难的方面。确定模型是为了跟踪每一帧中的目标运动状态，而数据关联则是把每一帧中相同的金枪鱼目标联系起来，生成各自的运动轨迹。

发明内容

本发明的目的在于提供一种基于水平鱼探仪数据的运动目标关联算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于水平鱼探仪数据的运动目标关联算法，其目标的状态方程和测量方程分别表示为

$\left\{\begin{array}{c}{X}^t\left(k\right)=F^t(k-1)+W^t(k-1)\\ Z(k-1)=H(k-1)X^t(k-1)+V(k-1)\end{array}\right.$

式中：k＝1，2，…；t＝1，2，…，T；其中X^t(k)为k时刻目标t的状态向量初值，X^t(0)是均值为协方差的随机向量，且独立于W^t(k)；F^t(k)为目标t的状态转移矩阵；W^t(k)为状态噪声，其均值为零的高斯白噪声；Z(k)为k时刻目标的测量值；H(k)为测量矩阵；V(k)为测量噪声，其均值为零的高斯白噪声；

其特征在于，具体实施步骤如下：

(1)给定初始值t＝1，2，...，T，递推公式由k＝1开始；

(2)预测状态

${\hat{X}}^t(k/k-1)=F^t(k-1){\hat{X}}^t(k-1/k-1);$

(3)回波预测

${\hat{Z}}^t(k/k-1)=H\left(k\right){\hat{X}}^t(k/k-1);$

(4)预测协方差矩阵

P^t(k/k-1)＝F^t(k-1)P^t(k-1/k-1)[F^t(k-1)^T]+Q^t(k-1)；

(5)预测新息向量

$V_j^t\left(k\right)=Z_j\left(k\right)-{\hat{Z}}_t(k/k-1);$

(6)根据有效回波集合，生成有效矩阵Ω，其中

其中j＝0，1，2，…，m_k；t＝1，2，…，T；

(7)由有效矩阵生成可行联合事件θ，i＝0，1，2，…，L，L为可行联合事件总和；

(8)计算可行联合事件概率P{θ_i/Z^k}，i＝0，1，2，…，L；

(9)计算关联概率

${\mathrm{\β}}_{jt}=\underset{i=1}{\overset{L}{\Σ}}P\{\mathrm{\θ}/Z^k\}{\widehat{\mathrm{\ω}}}_t\left(\mathrm{\θ}\right)$

其中j＝0，1，2，…，m_k；t＝1，2，…，T；

(10)卡尔曼滤波公式

${\hat{X}}^t(k/k)={\hat{X}}^t(k/k-1)+K^t\left(k\right)V^t\left(k\right);$

(11)卡尔曼增益矩阵

K^t＝P^t(k/k-1)H^t(k)+[S^t(k)]^-1；

(12)滤波器协方差矩阵

$P^t(k/k)=P^t(k/k-1)(1-\mathrm{\β}0t)K^t\left(k\right)S^t\left(k\right){\[K^t\left(k\right)\]}^T+K^t\left(k\right)\{\underset{j}{\mathrm{\Σ}}{\mathrm{\β}}_{jt}{V}_j^t\left(k\right){\[V_j^t\left(k\right)\]}^T-V^t\left(k\right){\[V^t\left(k\right)\]}^T{\[K^t\left(k\right)\]}^T\}$

其中β0t为先验概率；

(13)令k＝k+1，转步骤(2)，计算出所有金枪鱼的量测值和每条鱼之间相互关联的概率。

与现有技术相比，本发明的有益效果是：本发明采用的联合概率数据关联算法，在杂波环境下对多目标进行数据互联，可以有效的对多个目标进行关联。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于水平鱼探仪数据的运动目标关联算法，其目标的状态方程和测量方程分别表示为

$\left\{\begin{array}{c}{X}^t\left(k\right)=F^t(k-1)+W^t(k-1)\\ Z(k-1)=H(k-1)X^t(k-1)+V(k-1)\end{array}\right.$

式中：k＝1，2，…；t＝1，2，…，T；其中X^t(k)为k时刻目标t的状态向量初值，X^t(0)是均值为协方差的随机向量，且独立于W^t(k)；F^t(k)为目标t的状态转移矩阵；W^t(k)为状态噪声，其均值为零的高斯白噪声；Z(k)为k时刻目标的测量值；H(k)为测量矩阵；V(k)为测量噪声，其均值为零的高斯白噪声；

其特征在于，具体实施步骤如下：

(1)给定初始值t＝1，2，...，T，递推公式由k＝1开始；

(2)预测状态

${\hat{X}}^t(k/k-1)=F^t(k-1){\hat{X}}^t(k-1/k-1);$

(3)回波预测

${\hat{Z}}^t(k/k-1)=H\left(k\right){\hat{X}}^t(k/k-1);$

(4)预测协方差矩阵

P^t(k/k-1)＝F^t(k-1)P^t(k-1/k-1)[F^t(k一1)^T]+Q^t(k-1)；

(5)预测新息向量

$V_j^t\left(k\right)=Z_j\left(k\right)-{\hat{Z}}_t(k/k-1);$

(6)根据有效回波集合，生成有效矩阵Ω，其中

其中j＝0，1，2，…，m_k；t＝1，2，…，T；

(7)由有效矩阵生成可行联合事件θ，i＝0，1，2，…，L，L为可行联合事件总和；

(8)计算可行联合事件概率P{θ_i/Z^k}，i＝0，1，2，…，L；

(9)计算关联概率

${\mathrm{\β}}_{jt}=\underset{i=1}{\overset{L}{\Σ}}P\{\mathrm{\θ}/Z^k\}{\widehat{\mathrm{\ω}}}_t\left(\mathrm{\θ}\right)$

其中j＝0，1，2，…，m_k；t＝1，2，…，T；

(10)卡尔曼滤波公式

${\hat{X}}^t(k/k)={\hat{X}}^t(k/k-1)+K^t\left(k\right)V^t\left(k\right);$

(11)卡尔曼增益矩阵

K^t＝P^t(k/k-1)H^t(k)+[S^t(k)]^-1；

(12)滤波器协方差矩阵

$P^t(k/k)=P^t(k/k-1)(1-\mathrm{\β}0t)K^t\left(k\right)S^t\left(k\right){\[K^t\left(k\right)\]}^T+K^t\left(k\right)\{\underset{j}{\mathrm{\Σ}}{\mathrm{\β}}_{jt}{V}_j^t\left(k\right){\[V_j^t\left(k\right)\]}^T-V^t\left(k\right){\[V^t\left(k\right)\]}^T{\[K^t\left(k\right)\]}^T\}$

其中β0t为先验概率；

(13)令k＝k+1，转步骤(2)。

此为递推公式，首先令k＝1，根据初始值预测状态，通过预测状态算其回波预测，以及预测出协方差矩阵和新息向量，再根据有效回波集合，生成有效矩阵，由有效矩阵生成可行联合事件，并计算出概率，并得到关联概率，最后通过卡尔曼滤波公式计算出金枪鱼的预测位置。再令k＝2，如此反复。步骤1-9计算出所有金枪鱼的量测值和每条鱼之间相互关联的概率，随后利用卡尔曼滤波器进行下一帧目标的预测和更新，再返回到JPDA算法中去，步骤9-13实现了金枪鱼跟踪的有效循环。

对目标进行跟踪后，能够得到目标的移动速度、运动方向和运动轨迹等运动状态参数。根据这些参数对目标的运动进行分析，能够就各个感兴趣的方面进行应用。例如可以对目标进行识别分类，观察鱼类对某些刺激的应激反应，鱼群运动观察，空间分布与游泳状态变化，鱼群中个体计数等多方面的综合运用。在鱼类行为学、渔业资源调查中都有很重要的参考价值和实用价值。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

Claims (1)

1.一种基于水平鱼探仪数据的运动目标关联算法，其目标的状态方程和测量方程分别表示为

$\left\{\begin{array}{c}{X}^t\left(k\right)=F^t(k-1)+W^t(k-1)\\ Z(k-1)=H(k-1)X^t(k-1)+V(k-1)\end{array}\right.$

式中：k＝1，2，…；t＝1，2，…，T；其中X^t(k)为k时刻目标t的状态向量初值，X^t(0)是均值为协方差的随机向量，且独立于W^t(k)；F^t(k)为目标t的状态转移矩阵；W^t(k)为状态噪声，其均值为零的高斯白噪声；Z(k)为k时刻目标的测量值；H(k)为测量矩阵；V(k)为测量噪声，其均值为零的高斯白噪声；

其特征在于，具体实施步骤如下：

(1)给定初始值t＝1，2，...，T，递推公式由k＝1开始；

(2)预测状态

${\hat{X}}^t(k/k-1)=F^t(k-1){\hat{X}}^t(k-1/k-1);$

(3)回波预测

${\hat{Z}}^t(k/k-1)=H\left(k\right){\hat{X}}^t(k/k-1);$

(4)预测协方差矩阵

P^t(k/k-1)＝F^t(k-1)P^t(k-1/k-1)[F^t(k-1)^T]+Q^t(k-1)；

(5)预测新息向量

$V_j^t\left(k\right)=Z_j\left(k\right)-{\hat{Z}}_t(k/k-1);$

(6)根据有效回波集合，生成有效矩阵Ω，其中

其中j＝0，1，2，…，mk；t＝1，2，…，T；

(7)由有效矩阵生成可行联合事件θ，i＝0，1，2，…，L，L为可行联合事件总和；

(8)计算可行联合事件概率P{θ_i/Z^k}，i＝0，1，2，…，L；

(9)计算关联概率

其中j＝0，1，2，…，m_k；t＝1，2，…，T；

(10)卡尔曼滤波公式

${\hat{X}}^t(k/k)={\hat{X}}^t(k/k-1)+K^t\left(k\right)V^t\left(k\right);$

(11)卡尔曼增益矩阵

K^t＝P^t(k/k-1)H^t(k)+[S^t(k)]^-1；

(12)滤波器协方差矩阵

$P^t\left(k/k\right)=P^t\left(k/k-1\right)-\left(1-\mathrm{\β}0t\right)K^t\left(k\right)S^t\left(k\right){\[K^t\left(k\right)\]}^T+K^t\left(k\right)\left\{\underset{j}{\mathrm{\Σ}}{\mathrm{\β}}_{jt}{V}_j^t\left(k\right){\[V_j^t\left(k\right)\]}^T-V^t\left(k\right){\[V^t\left(k\right)\]}^T{\[K^t\left(k\right)\]}^T\right\}$

其中β0t为先验概率；

(13)令k＝k+1，转步骤(2)，计算出所有金枪鱼的量测值和每条鱼之间相互关联的概率。