CN106249226A - 一种基于水平鱼探仪数据的运动目标关联算法 - Google Patents
一种基于水平鱼探仪数据的运动目标关联算法 Download PDFInfo
- Publication number
- CN106249226A CN106249226A CN201610549759.4A CN201610549759A CN106249226A CN 106249226 A CN106249226 A CN 106249226A CN 201610549759 A CN201610549759 A CN 201610549759A CN 106249226 A CN106249226 A CN 106249226A
- Authority
- CN
- China
- Prior art keywords
- matrix
- target
- state
- prediction
- rsqb
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
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
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
式中:k=1,2,…;t=1,2,…,T;其中Xt(k)为k时刻目标t的状态向量初值,Xt(0)是均值为协方差的随机向量,且独立于Wt(k);Ft(k)为目标t的状态转移矩阵;Wt(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
(3)回波预测
(4)预测协方差矩阵
Pt(k/k-1)=Ft(k-1)Pt(k-1/k-1)[Ft(k-1)T]+Qt(k-1);
(5)预测新息向量
(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{θi/Zk},i=0,1,2,…,L;
(9)计算关联概率
其中j=0,1,2,…,mk;t=1,2,…,T;
(10)卡尔曼滤波公式
(11)卡尔曼增益矩阵
Kt=Pt(k/k-1)Ht(k)+[St(k)]-1;
(12)滤波器协方差矩阵
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
式中:k=1,2,…;t=1,2,…,T;其中Xt(k)为k时刻目标t的状态向量初值,Xt(0)是均值为协方差的随机向量,且独立于Wt(k);Ft(k)为目标t的状态转移矩阵;Wt(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
(3)回波预测
(4)预测协方差矩阵
Pt(k/k-1)=Ft(k-1)Pt(k-1/k-1)[Ft(k一1)T]+Qt(k-1);
(5)预测新息向量
(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{θi/Zk},i=0,1,2,…,L;
(9)计算关联概率
其中j=0,1,2,…,mk;t=1,2,…,T;
(10)卡尔曼滤波公式
(11)卡尔曼增益矩阵
Kt=Pt(k/k-1)Ht(k)+[St(k)]-1;
(12)滤波器协方差矩阵
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
式中:k=1,2,…;t=1,2,…,T;其中Xt(k)为k时刻目标t的状态向量初值,Xt(0)是均值为协方差的随机向量,且独立于Wt(k);Ft(k)为目标t的状态转移矩阵;Wt(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
(3)回波预测
(4)预测协方差矩阵
Pt(k/k-1)=Ft(k-1)Pt(k-1/k-1)[Ft(k-1)T]+Qt(k-1);
(5)预测新息向量
(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{θi/Zk},i=0,1,2,…,L;
(9)计算关联概率
其中j=0,1,2,…,mk;t=1,2,…,T;
(10)卡尔曼滤波公式
(11)卡尔曼增益矩阵
Kt=Pt(k/k-1)Ht(k)+[St(k)]-1;
(12)滤波器协方差矩阵
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610549759.4A CN106249226A (zh) | 2016-07-13 | 2016-07-13 | 一种基于水平鱼探仪数据的运动目标关联算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610549759.4A CN106249226A (zh) | 2016-07-13 | 2016-07-13 | 一种基于水平鱼探仪数据的运动目标关联算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106249226A true CN106249226A (zh) | 2016-12-21 |
Family
ID=57613646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610549759.4A Pending CN106249226A (zh) | 2016-07-13 | 2016-07-13 | 一种基于水平鱼探仪数据的运动目标关联算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106249226A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111025273A (zh) * | 2019-12-03 | 2020-04-17 | 东南大学 | 一种畸变拖曳阵线谱特征增强方法及系统 |
-
2016
- 2016-07-13 CN CN201610549759.4A patent/CN106249226A/zh active Pending
Non-Patent Citations (5)
Title |
---|
刘枫 等: "一种改进的联合概率数据关联算法", 《数据采集与处理》 * |
张林琳 等: "水下机动目标跟踪技术研究", 《声学技术》 * |
徐一兵 等: "一种改进的IMM-JPDA多目标跟踪算法", 《微计算机信息》 * |
袁俊 等: "基于水平鱼探仪影像的金枪鱼追踪系统", 《江苏农业科学》 * |
袁俊: "基于水平鱼探仪影像的金枪鱼追踪系统研究", 《中国优秀硕士学位论文数据库农业科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111025273A (zh) * | 2019-12-03 | 2020-04-17 | 东南大学 | 一种畸变拖曳阵线谱特征增强方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mehta et al. | Autonomous navigation in dynamic social environments using multi-policy decision making | |
Sukkar et al. | Multi-robot region-of-interest reconstruction with Dec-MCTS | |
Deepak et al. | Advance particle swarm optimization-based navigational controller for mobile robot | |
US9361590B2 (en) | Information processing apparatus, information processing method, and program | |
CN104035083B (zh) | 一种基于量测转换的雷达目标跟踪方法 | |
CN105182311B (zh) | 全向雷达数据处理方法及系统 | |
CN104156984A (zh) | 一种不均匀杂波环境下多目标跟踪的概率假设密度方法 | |
CN104199022B (zh) | 一种基于目标模态估计的临近空间高超声速目标跟踪方法 | |
CN104021519B (zh) | 基于gpu架构的密集杂波条件下机动多目标跟踪方法 | |
CN107192995A (zh) | 一种多层次信息融合的纯方位水下目标跟踪算法 | |
CN109300144A (zh) | 一种融合社会力模型和卡尔曼滤波的行人轨迹预测方法 | |
Meyer et al. | Scalable multitarget tracking using multiple sensors: A belief propagation approach | |
Choi et al. | Risk-conditioned distributional soft actor-critic for risk-sensitive navigation | |
CN106546976A (zh) | 一种基于长周期非均匀采样目标跟踪处理方法及装置 | |
Min et al. | Kernel-based 3-d dynamic occupancy mapping with particle tracking | |
Chen et al. | Navigable space construction from sparse noisy point clouds | |
CN106249226A (zh) | 一种基于水平鱼探仪数据的运动目标关联算法 | |
Chen et al. | Drqn-based 3d obstacle avoidance with a limited field of view | |
CN112356031A (zh) | 一种基于Kernel采样策略在不确定性环境下的在线规划方法 | |
CN105353352B (zh) | 改进搜索策略的mm‑pphdf机动多目标跟踪方法 | |
CN105203108A (zh) | 基于动态威胁状态估计和威胁概率评估的auv在线航路规划方法 | |
CN105353353B (zh) | 多重搜索粒子概率假设密度滤波的多目标跟踪方法 | |
Perico et al. | Vision-based monte carlo localization without measurement: A qualitative approach during update phase | |
US20220198225A1 (en) | Method and system for determining action of device for given state using model trained based on risk-measure parameter | |
CN106443624B (zh) | 一种目标检测与跟踪一体化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161221 |