CN113701758A - 一种基于生物搜索算法的多目标数据关联方法及系统 - Google Patents

一种基于生物搜索算法的多目标数据关联方法及系统 Download PDF

Info

Publication number
CN113701758A
CN113701758A CN202110969982.5A CN202110969982A CN113701758A CN 113701758 A CN113701758 A CN 113701758A CN 202110969982 A CN202110969982 A CN 202110969982A CN 113701758 A CN113701758 A CN 113701758A
Authority
CN
China
Prior art keywords
target
data association
candidate
individual
measurement
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
Application number
CN202110969982.5A
Other languages
English (en)
Inventor
王超
曲承志
李斌
贲驰
张艳
陈金涛
张鑫
苏东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China North Industries Corp
Original Assignee
China North Industries Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China North Industries Corp filed Critical China North Industries Corp
Priority to CN202110969982.5A priority Critical patent/CN113701758A/zh
Publication of CN113701758A publication Critical patent/CN113701758A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于生物搜索算法的多目标数据关联方法及系统，属于多目标跟踪领域。本发明结合初始条件并建立数据关联等效量测代价函数模型；根据所有量测点中每个量测点与前一时刻目标一步预测点的马氏距离及波门从所有量测点中筛选出目标对应的门内候选量测点；设定种群数量，将与该目标对应的所有候选量测点的一组关联概率作为种群个体；通过共生生物搜索算法对代价函数模型寻优，根据寻优个体包含的候选量测关联概率获得种群数量的等效量测点；将等效量测点作为等效候选量测点与目标建立关联，通过标准联合概率数据关联算法进行数据关联；重复寻优和关联，完成航迹关联。解决局部最优和组合爆炸问题，实现多目标关联，提高搜索计算能力。

Description

一种基于生物搜索算法的多目标数据关联方法及系统
技术领域
本发明属于多目标跟踪技术领域，具体涉及一种基于生物搜索算法的多目标数据关联方法及系统，适用于密集杂波环境下多目标跟踪数据关联。
背景技术
多目标跟踪的主要目的是将传感器接受的测量数据分解为对应于不同信息源所产生的不同观测集合或航迹。数据关联是多目标跟踪的核心部分，在防空反导、空间攻防等任务中，由于多目标密集分布或存在强背景杂波干扰，目标测量跟踪门内可能混有虚假测量，破坏了测量与目标源间的对应关系，使得多目标跟踪的数据关联问题日益突出。在密集杂波环境下多目标跟踪数据关联的研究方面，联合概率数据关联方法(JPDA)根据假设将所有的目标和量测组合为联合事件计算关联概率，能够很好地解决杂波环境下多目标量测关联问题，但JPDA方法随着目标数和杂波数的增长，其关联概率的计算会出现组合爆炸的情况。因此在JPDA的改进方面已存在许多方法，元启发式优化算法是其中重要的一类方法。目前常用的应用于数据关联的元启发式优化算法有：粒子群算法、蚁群算法等。这些算法通过模仿生物体的社会行为和生活习性来完成最优解的搜索。但是这些算法极易陷入局部最优解，很难满足数据关联的实际需要。
为了克服上述方法的缺点，不断有一些新的元启发式算法被提出。Cheng等人在“Symbiotic Organisms Search:A new metaheuristic optimization algorithm”【Computers&Structures，2014，139:98-112】中提出了一种新的元启发式优化算法——共生生物搜索算法。共生生物搜索算法容易实现，而且最显著的优点是探索能力强快。但基本的共生生物搜索算法的互利因子设置不合理，同时也存在陷入局部最优的缺点，不适合应用于多目标跟踪数据关联领域。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何提供一种基于生物搜索算法的多目标数据关联方法及系统，用于克服现有技术中难于满足数据关联实际需要且多目标量测关联概率计算易导致组合爆炸等缺陷，克服局部最优的缺陷，加速搜索能力，实现多目标跟踪数据关联。
(二)技术方案
为了解决上述技术问题，本发明提供一种基于生物搜索算法的多目标跟踪数据关联方法，包括：
步骤S1，结合初始条件并根据最近邻代价函数和运动匹配度函数建立数据关联等效量测代价函数模型；
步骤S2，根据所有量测点中每个量测点与前一时刻目标一步预测点的马氏距离及波门从所有量测点中筛选出目标对应的门内候选量测点；
步骤S3，设定种群数量，所述种群数量小于门内候选量测点数量；将目标与该目标对应的所有候选量测点的一组关联概率作为种群的一个个体；
步骤S4，对于每个个体通过共生生物搜索算法对代价函数模型进行寻优，根据寻优个体包含的候选量测关联概率获得种群数量的等效量测点；
步骤S5，将等效量测点作为等效候选量测点与目标建立关联，通过标准联合概率数据关联算法进行数据关联；
步骤S6，重复上述步骤S4寻优和步骤S5关联过程，直到完成航迹关联。
为实现上述目的，本发明还提供一种基于生物搜索算法的多目标跟踪数据关联系统，包括存储器和处理器，所述存储器存储有基于生物搜索算法的多目标跟踪数据关联程序，所述处理器在运行所述基于生物搜索算法的多目标跟踪数据关联程序时执行上述方法的步骤。
(三)有益效果
本发明提出一种基于生物搜索算法的多目标数据关联方法及系统，利用所提出的改进共生生物搜索算法对建立的代价函数模型寻优获得指定数量的等效量测，在杂波密集的环境中不需要建立每个量测与目标的关联事件，只需建立每个等效量测与目标的关联事件，使得该算法能够避免了维度爆炸问题；本发明方法利用自适应互益因子可以确保共生搜索算法的互利操作可以平滑地加速整个收敛过程，同时改进以增强算法局部搜索能力，有效提高了共生搜索算法的优化能力。
附图说明
图1为本发明实施例一提供的基于生物搜索算法的多目标跟踪数据关联方法的流程图。
图2为杂波较多时两目标真实航迹与杂波区示意图。
图3为杂波较多时两目标真实航迹与估计航迹对比仿真示意图。
图4为杂波密集时两目标真实航迹与杂波区示意图。
图5为杂波密集时两目标真实航迹与估计航迹对比仿真示意图。
具体实施方式
为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接，还可以是物理连接或无线通信连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
实施例一
如附图1-5所示，本发明实施例提供一种基于生物搜索算法的多目标跟踪数据关联方法，包括：
步骤S1，结合初始条件并根据最近邻代价函数和运动匹配度函数建立数据关联等效量测代价函数模型；
步骤S2，根据所有量测点中每个量测点与前一时刻目标一步预测点的马氏距离及波门从所有量测点中筛选出目标对应的门内候选量测点；
步骤S3，设定种群数量，所述种群数量小于门内候选量测点数量；将目标与该目标对应的所有候选量测点的一组关联概率作为种群的一个个体；
步骤S4，对于每个个体通过共生生物搜索算法对代价函数模型进行寻优，根据寻优个体包含的候选量测关联概率获得种群数量的等效量测点；
在杂波密集的情况下，不必建立每个杂波量测点与目标之间的关联事件，而通过设定数量较少的种群数量，每个种群的个体由目标与该目标对应的所有候选量测点的关联概率形成，通过搜索算法对每个种群个体(即关联概率)进行优化，最后通过对应的量测及优化后的关联概率获得等效量测，等效量测相当于结合对数量较多的杂波点位置及其与目标的关联概率通过计算等效为数量较少的量测点；在下面的关联计算过程中由于参与计算的等效量测点相对于原始杂波点数量大大减少，由此防止组合爆炸的发生，进而提高计算能力。
步骤S5，将等效量测点作为等效候选量测点与目标建立关联，通过标准联合概率数据关联算法进行数据关联；这里的标准联合概率数据关联算法为公知技术，参见背景技术中介绍的JPDA。
步骤S6,重复上述步骤S4寻优和步骤S5关联过程，直到完成航迹关联。
具体地：首先建立包含马氏距离和运动匹配度的代价函数模型；根据跟踪门在所有量测点中筛选出目标对应候选量测点，设定种群数量，种群中的每个个体代表目标与其对应的所有候选量测点的一组关联概率，利用改进共生生物搜索算法对建立的代价函数模型进行寻优，寻优后根据个体包含的候选量测关联概率获得种群数量的等效量测，将等效量测带入标准联合概率数据关联算法进行数据关联；在基本共生搜索算法的基础上，采用自适应的互益因子更新种群中个体的位置，改进片利操作以增强其局部搜索能力。本发明在杂波密集的环境中不需要建立每个量测与目标的关联事件，只需建立每个等效量测与目标的关联事件，使得该算法能够避免了维度爆炸问题；本发明方法利用自适应互益因子可以确保共生搜索算法的互利操作可以平滑地加速整个收敛过程，同时改进以增强算法局部搜索能力，有效提高了共生搜索算法的优化能力。
优选地，建立数据关联等效量测代价函数模型的步骤S1包括：
步骤S11：确定数据关联初始条件；
确定k时刻目标t的状态转移矩阵Ft(k)、观测矩阵Ht(k)、过程噪声协方差矩阵Qt(k)和观测噪声协方差矩阵Rt(k)，计算k时刻目标t的一步状态预测值
Figure BDA0003225578450000051
一步观测预测值
Figure BDA0003225578450000052
一步状态协方差预测值
Figure BDA0003225578450000053
和新息协方差矩阵St(k)；
所述k时刻目标t的一步状态预测值
Figure BDA0003225578450000061
一步观测预测值
Figure BDA0003225578450000062
一步状态协方差预测值
Figure BDA0003225578450000063
和新息协方差矩阵St(k)的计算表达式为：
Figure BDA0003225578450000064
Figure BDA0003225578450000065
Figure BDA0003225578450000066
Figure BDA0003225578450000067
其中，Ft(k)表示k时刻目标t的状态转移矩阵，Ht(k)表示k时刻目标t的观测矩阵，Qt(k)表示k时刻目标t的过程噪声协方差矩阵，Rt(k)表示k时刻目标t的观测噪声协方差矩阵。
步骤S12：构建数据关联代价函数模型；
则数据关联等效量测的最近邻代价函数为：
Figure BDA0003225578450000068
其中，
Figure BDA0003225578450000069
为k时刻目标t的等效候选量测值，M为种群数量上限。
Figure BDA00032255784500000610
的计算方式为：
Figure BDA00032255784500000611
其中，
Figure BDA00032255784500000612
为k时刻目标t的门内候选量测值，
Figure BDA00032255784500000613
代表目标t与该目标对应的候选量测j的关联概率；
计算k-3时刻目标t点迹Xt(k-3|k-3)的三步状态预测值
Figure BDA00032255784500000614
Figure BDA00032255784500000615
将k时刻目标t的等效候选量测值与三步观测预测值
Figure BDA00032255784500000616
的马氏距离视为运动匹配代价函数：
Figure BDA00032255784500000617
Figure BDA0003225578450000071
则数据关联代价函数模型为：
Figure BDA0003225578450000072
优选地，所述步骤S2中初始化种群的步骤包括：
根据每个量测点与前一时刻目标一步预测点的马氏距离及波门确定门内候选量测点；
计算k时刻每个量测值Z(k)与目标t一步预测量测值
Figure BDA0003225578450000073
的马氏距离gt(k)：
Figure BDA0003225578450000074
若gt(k)满足下式条件则保留为目标t的候选量测，记为
Figure BDA0003225578450000075
gt(k)≤ζ (12)；
其中ζ为波门门限。
优选地，所述步骤S3包括：
步骤S31，初始化种群中的个体变量及相关参数，个体变量包括种群个数M，相关参数包括搜索空间的上限ub(概率上限为1)、搜索空间的下限lb(概率下限为0)、及最大迭代次数MaxFE；
步骤S32，其中随机初始化产生的种群位置为：
Figure BDA0003225578450000076
其中，种群中的每个个体
Figure BDA0003225578450000077
代表一组候选量测点与目标的关联概率，rand0,1(1,mk)代表1×mk维矩阵，其每个元素为0和1间的随机数。
优选地，所述S4中利用改进共生生物搜索算法对建立的代价函数模型进行寻优的步骤包括：
步骤S41，改进共生生物搜索算法；
互利操作是共生搜索算法的组成部分之一，其模仿了自然界中生物体间的互利行为。个体
Figure BDA0003225578450000078
代表种群中的第i个生物体；个体
Figure BDA0003225578450000079
是种群中随机选择的个体，用于与个体
Figure BDA0003225578450000081
进行信息交流，互相受益。由
Figure BDA0003225578450000082
和
Figure BDA0003225578450000083
产生的新个体为：
Figure BDA0003225578450000084
Figure BDA0003225578450000085
Figure BDA0003225578450000086
其中，Mutual_Vector表示生物体
Figure BDA0003225578450000087
和
Figure BDA0003225578450000088
间的联系，
Figure BDA0003225578450000089
代表当前种群中最优的个体，BF1和BF2表示互益因子，被随机定义为1或2，rand0，1表示0和1间的随机数。
步骤S42，在改进共生生物搜索算法中，互益因子将根据当前个体适应度值和当前最优个体适应值之差自适应改变。若差值较大，互益因子将取较小值以增强当前最优个体的影响力；反之，互益因子将取较大值以削弱当前最优个体的影响力。自适应互益因子可以确保互利操作可以平滑地加速整个算法的收敛过程，并且增强了该操作的局部开发能力。自适应互益因子BF1和BF2定义如下：
Figure BDA00032255784500000810
Figure BDA00032255784500000811
其中，fbest表示当前最优个体的适应度值，fi表示个体
Figure BDA00032255784500000812
的适应度值，fj表示个体
Figure BDA00032255784500000813
的适应度值，σ表示切换参数；适应度值通过将个体作为等效候选量测输入代价函数模型获得的函数值；
Figure BDA00032255784500000814
其中
Figure BDA00032255784500000815
Figure BDA00032255784500000816
其中
Figure BDA00032255784500000817
Figure BDA00032255784500000818
其中
Figure BDA00032255784500000819
片利操作模仿了自然界中的生物体间的片利行为：一方受益，一方不受影响。其中受益个体
Figure BDA0003225578450000091
的位置受种群中随机选择的个体
Figure BDA0003225578450000092
影响，并产生新个体：
Figure BDA0003225578450000093
其中，rand-1,1表示-1到1间的随机数。
在改进共生生物搜索算法中，对个体
Figure BDA0003225578450000094
采取同样的操作，以加强算法的开发能力：
Figure BDA0003225578450000095
寄生操作模仿了自然界中生物体间的寄生行为：损他利己。通过复制生物体
Figure BDA0003225578450000096
产生一个寄生体Parasite_Vector，使寄生体Parasite_Vector的位置随机移动，并从种群中随机选择一个生物体
Figure BDA0003225578450000097
作为Parasite_Vector的宿主。若寄生体Parasite_Vector的适应度值优于
Figure BDA0003225578450000098
则寄生成功，个体
Figure BDA0003225578450000099
将被杀死且被寄生体Parasite_Vector替代；否则寄生失败，寄生体Parasite_Vector将被消灭。
步骤S43：对建立的代价函数模型进行寻优；
将目标与其对应的所有候选量测点的关联概率作为寻优种群的一个个体，利用共生生物搜索算法对建立的数据关联代价函数模型进行寻优。循环上述搜索算法，直到完成所有寻优种群中每个个体的优化。上述搜索算法通过互益因子的自适应性能够确保共生搜索算法的互利操作可以平滑地加速整个收敛过程，同时改进以增强算法局部搜索能力，有效提高了共生搜索算法的优化能力。
寻优结束后，根据个体包含的候选量测关联概率根据公式(6)获得种群数量的等效量测
Figure BDA00032255784500000910
优选地，所述S5中将等效量测带入标准联合概率数据关联算法进行数据关联的步骤包括：
建立确认矩阵以描述每个目标和每个等效量测值之间的关系：
Ω＝[wit],i＝1,2,...,M (21)；
其中，wit为：
Figure BDA0003225578450000101
互联矩阵
Figure BDA0003225578450000102
表示联合事件θ(k)所包含的目标t和等效候选量测i关联关系的集合。互联矩阵由确认矩阵根据两个基本假设分割生成：
A.同一量测不对应多个目标。
B.每个目标最多只有一个量测。
计算联合事件的后验概率P(θ(k)/Zk)：
Figure BDA0003225578450000103
其中，
Figure BDA0003225578450000104
是1到k时刻候选量测的累积，
Figure BDA0003225578450000105
为归一化常数，φ为杂波数，
Figure BDA0003225578450000106
表示量测的概率密度函数，τi表示联合事件中的量测j是否与一个真实的目标关联，V表示跟踪门体积，δt表示联合事件中是否存在量测与目标关联(δt＝1)，或者无量测与目标关联(δt＝0)，PD为目标的检测概率。
因此，根据联合事件的后验概率和互联矩阵，可以计算每个量测i与目标t关联的概率：
Figure BDA0003225578450000107
计算k时刻目标t的卡尔曼增益Kt(k)：
Figure BDA0003225578450000108
计算k时刻目标t的状态一步估计值
Figure BDA0003225578450000109
Figure BDA00032255784500001010
Figure BDA00032255784500001011
计算k时刻目标t的状态协方差一步估计值
Figure BDA00032255784500001012
Figure BDA00032255784500001013
Figure BDA0003225578450000111
完成数据关联，重复步骤S2～S5,直到完成航迹关联，并输出目标航迹。
至此，本发明的一种改进共生生物搜索算法的多目标跟踪数据关联方法结束。
通过以下仿真实验对本发明效果作进一步验证说明。
(一)仿真实验数据说明。
为了验证本发明方法的准确性，通过仿真实验予以证明；实验数据参数如下：
Figure BDA0003225578450000112
(二)仿真结果及分析
本发明的仿真结果分别如图2、图3、图4和图5所示，图2和图4为杂波较多和密集时两目标真实航迹与杂波区示意图，图3和图5为杂波较多和密集时两目标真实航迹与估计航迹对比仿真示意图，其中横坐标与纵坐标均为X和Y方向位置，单位均为m。从图2中可以看出，在两个目标交叉且杂波区量测紧密聚集，依靠常规的数据关联算法很难将目标航迹进行准确关联估计，由图3可以看出，运用本发明方法能够将目标量测与杂波精确分离，保证了较高的关联准确度。
从图4可以看出，随着杂波数量的进一步增多，目标量测点迹周围杂波分布十分密集。此时，如果采用常规的联合概率数据关联算法将会出现维度爆炸的情况，进而导致关联失败。本发明方法能够通过利用改进共生生物搜索算法计算关联概率获得指定数量等效量测，避免维度爆炸问题，而且图5的仿真实验结果验证了该处理方法的有效性。
综上所述，仿真实验验证了本发明的正确性，有效性和可靠性。
实施例二
基于上述实施例一，本发明提供一种基于生物搜索算法的多目标跟踪数据关联系统，包括存储器和处理器，所述存储器存储有基于生物搜索算法的多目标跟踪数据关联程序，所述处理器在运行所述基于生物搜索算法的多目标跟踪数据关联程序时执行上述实施例一方法的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于生物搜索算法的多目标数据关联方法，其特征在于，该方法包括如下步骤：
步骤S1，结合初始条件并根据最近邻代价函数和运动匹配度函数建立数据关联等效量测代价函数模型；
步骤S2，根据所有量测点中每个量测点与前一时刻目标一步预测点的马氏距离及波门从所有量测点中筛选出目标对应的门内候选量测点；
步骤S3，设定种群数量，所述种群数量小于门内候选量测点数量；将目标与该目标对应的所有候选量测点的一组关联概率作为种群的一个个体；
步骤S4，对于每个个体通过共生生物搜索算法对代价函数模型进行寻优，根据寻优个体包含的候选量测关联概率获得种群数量的等效量测点；
步骤S5，将等效量测点作为等效候选量测点与目标建立关联，通过标准联合概率数据关联算法进行数据关联；
步骤S6,重复上述步骤S4寻优和步骤S5关联过程，直到完成航迹关联。
2.如权利要求1所述的基于生物搜索算法的多目标跟踪数据关联方法，其特征在于，所述步骤S1中：
所述最邻近代价函数指每个等效候选量测点与前一时刻目标一步预测点的马氏距离；
所述运动匹配度代价函数指每个等效候选量测点与前一时刻目标三步预测点的马氏距离。
3.如权利要求2所述的基于生物搜索算法的多目标跟踪数据关联方法，其特征在于，所述步骤S1中构建代价函数模型的步骤包括：
步骤S11,确定数据关联初始条件；具体包括：
确定k时刻目标t的状态转移矩阵Ft(k)、观测矩阵Ht(k)、过程噪声协方差矩阵Qt(k)和观测噪声协方差矩阵Rt(k)，计算k时刻目标t的一步状态预测值
Figure FDA0003225578440000011
一步观测预测值
Figure FDA0003225578440000012
一步状态协方差预测值
Figure FDA0003225578440000013
和新息协方差矩阵St(k)；
所述k时刻目标t的一步状态预测值
Figure FDA0003225578440000021
一步观测预测值
Figure FDA0003225578440000022
一步状态协方差预测值
Figure FDA0003225578440000023
和新息协方差矩阵St(k)的计算表达式为：
Figure FDA0003225578440000024
Figure FDA0003225578440000025
Figure FDA0003225578440000026
Figure FDA0003225578440000027
其中，Ft(k)表示k时刻目标t的状态转移矩阵，Ht(k)表示k时刻目标t的观测矩阵，Qt(k)表示k时刻目标t的过程噪声协方差矩阵，Rt(k)表示k时刻目标t的观测噪声协方差矩阵；
步骤S12，构建数据关联的代价函数；具体包括：
数据关联的最近邻代价函数为：
Figure FDA0003225578440000028
其中，
Figure FDA0003225578440000029
为k时刻目标t的等效候选量测值，M为种群数量上限；
Figure FDA00032255784400000210
的计算方式为：
Figure FDA00032255784400000211
其中，
Figure FDA00032255784400000212
为k时刻目标t的门内候选量测值，
Figure FDA00032255784400000213
代表目标t与该目标对应的候选量测j的关联概率；
计算k-3时刻目标t点迹Xt(k-3|k-3)的三步状态预测值
Figure FDA00032255784400000214
Figure FDA00032255784400000215
将k时刻目标t的所有候选量测值与三步观测预测值
Figure FDA00032255784400000216
的马氏距离视为运动匹配代价函数为：
Figure FDA00032255784400000217
Figure FDA0003225578440000031
步骤S13，构建数据关联的代价函数模型为：
Figure FDA0003225578440000032
4.如权利要求3所述的基于生物搜索算法的多目标跟踪数据关联方法，其特征在于，所述步骤S2包括：
步骤S21，计算k时刻每个量测值Z(k)与目标t一步预测量测值
Figure FDA0003225578440000033
的马氏距离gt(k)：
Figure FDA0003225578440000034
步骤S22，若gt(k)满足下式条件则保留为目标t的候选量测，记为
Figure FDA0003225578440000035
gt(k)≤ζ (12)；
其中ζ为波门门限。
5.如权利要求4所述的基于生物搜索算法的多目标跟踪数据关联方法，其特征在于，所述步骤S3包括：
步骤S31，初始化种群中的个体变量及相关参数，包括种群个数M、搜索空间的上限ub、搜索空间的下限lb、及最大迭代次数MaxFE；
步骤S32，其中随机初始化产生的种群位置为：
Figure FDA0003225578440000036
其中，个体
Figure FDA0003225578440000037
代表一组候选量测点与目标的关联概率，rand0，1(1，mk)代表1×mk维矩阵，矩阵中每个元素为0和1间的随机数。
6.如权利要求5所述的基于生物搜索算法的多目标跟踪数据关联方法，其特征在于，搜索空间的上限为1，搜索空间的下限为0。
7.如权利要求5所述的基于生物搜索算法的多目标跟踪数据关联方法，其特征在于，所述步骤S4包括：
步骤S41，改进共生生物搜索算法；
个体
Figure FDA0003225578440000041
代表种群中的第i个生物体；个体
Figure FDA0003225578440000042
是种群中随机选择的个体，用于与个体
Figure FDA0003225578440000043
进行信息交流，由
Figure FDA0003225578440000044
和
Figure FDA0003225578440000045
产生的新个体为：
Figure FDA0003225578440000046
Figure FDA0003225578440000047
Figure FDA0003225578440000048
其中，Mutual_Vector表示生物体
Figure FDA0003225578440000049
和
Figure FDA00032255784400000410
间的联系，
Figure FDA00032255784400000411
代表当前种群中最优的个体，BF1和BF2表示自适应互益因子，被随机定义为1或2，rand0，1表示0和1间的随机数；
步骤S42，自适应互益因子根据当前个体适应度值和当前最优个体适应值之差自适应改变；若差值较大，自适应互益因子将取较小值以增强当前最优个体的影响力；反之，自适应互益因子将取较大值以削弱当前最优个体的影响力；自适应互益因子BF1和BF2定义如下：
Figure FDA00032255784400000412
Figure FDA00032255784400000413
其中，fbest表示当前最优个体的适应度值，fi表示个体
Figure FDA00032255784400000414
的适应度值，fj表示个体
Figure FDA00032255784400000415
的适应度值，σ表示切换参数；适应度值通过将个体作为等效候选量测输入代价函数模型获得的函数值；
其中受益个体
Figure FDA00032255784400000416
的位置受种群中随机选择的个体
Figure FDA00032255784400000417
影响，并产生新个体：
Figure FDA00032255784400000418
其中，rand-1，1表示-1到1间的随机数；
对个体
Figure FDA00032255784400000419
采取同样的操作，以加强算法的开发能力：
Figure FDA00032255784400000420
通过复制生物体
Figure FDA0003225578440000051
产生一个寄生体Parasite_Vector，使寄生体Parasite_Vector的位置随机移动，并从种群中随机选择一个生物体
Figure FDA0003225578440000052
作为Parasite_Vector的宿主；若寄生体Parasite_Vector的适应度值优于
Figure FDA0003225578440000053
则寄生成功，个体
Figure FDA0003225578440000054
将被杀死且被寄生体Parasite_Vector替代；否则寄生失败，寄生体Parasite_Vector将被消灭；
步骤S43，对建立的代价函数模型进行寻优；寻优结束后，结合公式(6)根据每个个体包含的一组候选量测关联概率获得种群数量的等效量测
Figure FDA0003225578440000055
8.如权利要求6所述的基于生物搜索算法的多目标跟踪数据关联方法，其特征在于，所述适应度值的计算方法为：
Figure FDA0003225578440000056
其中
Figure FDA0003225578440000057
Figure FDA0003225578440000058
其中
Figure FDA0003225578440000059
Figure FDA00032255784400000510
其中
Figure FDA00032255784400000511
9.如权利要求6所述的基于生物搜索算法的多目标跟踪数据关联方法，其特征在于，所述步骤S5包括：
建立确认矩阵Ω以描述每个目标和每个等效量测值之间的关系：
Ω＝[wit]，i＝1，2，...，M (21)；
其中，wit为：
Figure FDA00032255784400000512
互联矩阵
Figure FDA00032255784400000513
表示联合事件θ(k)所包含的目标t和等效候选量测i关联关系的集合；互联矩阵由确认矩阵根据两个基本假设A、B分割生成：
A.同一量测不对应多个目标；
B.每个目标最多只有一个量测；
计算联合事件的后验概率P(θ(k)/Zk)：
Figure FDA0003225578440000061
其中，
Figure FDA0003225578440000062
是1到k时刻候选量测的累积，ζ为归一化常数，φ为杂波数，
Figure FDA0003225578440000063
表示量测的概率密度函数，τi表示联合事件中的量测j是否与一个真实的目标关联，V表示跟踪门体积，δt表示联合事件中是否存在量测与目标关联，有量测与目标关联时δt＝1，无量测与目标关联时δt＝0，PD为目标的检测概率；
因此，根据联合事件的后验概率和互联矩阵，可以计算每个量测i与目标t关联的概率：
Figure FDA0003225578440000064
计算k时刻目标t的卡尔曼增益Kt(k)：
Figure FDA0003225578440000065
根据每个量测i与目标t关联的概率
Figure FDA0003225578440000066
及目标t的卡尔曼增益Kt(k)计算k时刻目标t的状态一步估计值
Figure FDA0003225578440000067
Figure FDA0003225578440000068
Figure FDA0003225578440000069
计算k时刻目标t的状态协方差一步估计值
Figure FDA00032255784400000610
Figure FDA00032255784400000611
Figure FDA00032255784400000612
10.一种基于生物搜索算法的多目标跟踪数据关联系统，包括存储器和处理器，所述存储器存储有基于生物搜索算法的多目标跟踪数据关联程序，其特征在于，所述处理器在运行所述基于生物搜索算法的多目标跟踪数据关联程序时执行权利要求1～9所述方法的步骤。
CN202110969982.5A 2021-08-23 2021-08-23 一种基于生物搜索算法的多目标数据关联方法及系统 Pending CN113701758A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110969982.5A CN113701758A (zh) 2021-08-23 2021-08-23 一种基于生物搜索算法的多目标数据关联方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110969982.5A CN113701758A (zh) 2021-08-23 2021-08-23 一种基于生物搜索算法的多目标数据关联方法及系统

Publications (1)

Publication Number Publication Date
CN113701758A true CN113701758A (zh) 2021-11-26

Family

ID=78654198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110969982.5A Pending CN113701758A (zh) 2021-08-23 2021-08-23 一种基于生物搜索算法的多目标数据关联方法及系统

Country Status (1)

Country Link
CN (1) CN113701758A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109782270A (zh) * 2018-12-29 2019-05-21 中国电子科技集团公司第二十研究所 一种多传感器多目标跟踪条件下的数据关联方法
CN110516556A (zh) * 2019-07-31 2019-11-29 平安科技（深圳）有限公司 基于Darkflow-DeepSort的多目标追踪检测方法、装置及存储介质
CN110824467A (zh) * 2019-11-15 2020-02-21 中山大学 一种多目标跟踪数据关联方法及系统
CN111007495A (zh) * 2019-12-10 2020-04-14 西安电子科技大学 一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法
CN111679251A (zh) * 2020-06-16 2020-09-18 上海航天控制技术研究所 一种基于雷达红外双模融合的抗雷达型干扰方法
CN111737384A (zh) * 2020-05-29 2020-10-02 惠州市德赛西威智能交通技术研究院有限公司 一种基于缓存空间的航迹管理系统及方法
CN111932588A (zh) * 2020-08-07 2020-11-13 浙江大学 一种基于深度学习的机载无人机多目标跟踪系统的跟踪方法
CN112098993A (zh) * 2020-09-16 2020-12-18 中国北方工业有限公司 一种多目标跟踪数据关联方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109782270A (zh) * 2018-12-29 2019-05-21 中国电子科技集团公司第二十研究所 一种多传感器多目标跟踪条件下的数据关联方法
CN110516556A (zh) * 2019-07-31 2019-11-29 平安科技（深圳）有限公司 基于Darkflow-DeepSort的多目标追踪检测方法、装置及存储介质
WO2021017291A1 (zh) * 2019-07-31 2021-02-04 平安科技（深圳）有限公司 基于Darkflow-DeepSort的多目标追踪检测方法、装置及存储介质
CN110824467A (zh) * 2019-11-15 2020-02-21 中山大学 一种多目标跟踪数据关联方法及系统
CN111007495A (zh) * 2019-12-10 2020-04-14 西安电子科技大学 一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法
CN111737384A (zh) * 2020-05-29 2020-10-02 惠州市德赛西威智能交通技术研究院有限公司 一种基于缓存空间的航迹管理系统及方法
CN111679251A (zh) * 2020-06-16 2020-09-18 上海航天控制技术研究所 一种基于雷达红外双模融合的抗雷达型干扰方法
CN111932588A (zh) * 2020-08-07 2020-11-13 浙江大学 一种基于深度学习的机载无人机多目标跟踪系统的跟踪方法
CN112098993A (zh) * 2020-09-16 2020-12-18 中国北方工业有限公司 一种多目标跟踪数据关联方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
胡婷;雷宏;: "基于数字化X射线摄影图像的运动目标三维轨迹测量", 光学学报, no. 04, 10 April 2016 (2016-04-10) *
龚轩;乐孜纯;王慧;武玉坤;: "多目标跟踪中的数据关联技术综述", 计算机科学, no. 10 *
龚轩;乐孜纯;王慧;武玉坤;: "多目标跟踪中的数据关联技术综述", 计算机科学, no. 10, 15 October 2020 (2020-10-15) *

Similar Documents

Publication Publication Date Title
US11308334B2 (en) Method and apparatus for integration of detected object identifiers and semantic scene graph networks for captured visual scene behavior estimation
Kreucher et al. A comparison of task driven and information driven sensor management for target tracking
CN110824467B (zh) 一种多目标跟踪数据关联方法及系统
Zhang et al. Sequential particle swarm optimization for visual tracking
Clark et al. Multi-target state estimation and track continuity for the particle PHD filter
O'Callaghan et al. Contextual occupancy maps using Gaussian processes
CN107861123A (zh) 一种穿墙雷达在复杂环境下对多运动目标实时跟踪的方法
CN112098993A (zh) 一种多目标跟踪数据关联方法及系统
CN110967690A (zh) 一种基于多伯努利分布式多传感器多目标跟踪方法
Lan et al. Joint target detection and tracking in multipath environment: A variational Bayesian approach
Jenkins et al. Information-based adaptive sensor management for sensor networks
CN113903395A (zh) 一种改进粒子群优化的bp神经网络拷贝数变异检测方法与系统
Yan et al. A novel clustering algorithm based on fitness proportionate sharing
CN111061165A (zh) 一种船舶相对碰撞危险度模型的验证方法
Ayrulu et al. Reliability measure assignment to sonar for robust target differentiation
Kumar et al. Crowd behavior recognition using hybrid tracking model and genetic algorithm enabled neural network
Xu et al. Ant clustering PHD filter for multiple-target tracking
Zielinski et al. Run time analysis regarding stopping criteria for differential evolution and particle swarm optimization
CN113701758A (zh) 一种基于生物搜索算法的多目标数据关联方法及系统
Liu et al. Improving gene regulatory network structure using redundancy reduction in the MRNET algorithm
US7983878B1 (en) Two-stage dynamic track grouping
CN116432514A (zh) 无人机攻防博弈的拦截意图识别策略仿真系统及方法
CN107197519B (zh) 基于改进的最小二乘支持向量机的水下目标定位方法
Niu et al. An improved sand cat swarm optimization for moving target search by UAV
CN114417685A (zh) 一种多约束条件下的声纳参数推荐方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination