上海交通大学学报 ›› 2022, Vol. 56 ›› Issue (2): 143-155.doi: 10.16183/j.cnki.jsjtu.2021.037
黄鹤1,2(), 吴琨1,2, 李昕芮1, 王珺2,3, 王会峰1, 茹锋1,2
收稿日期:
2021-02-01
出版日期:
2022-02-28
发布日期:
2022-03-03
作者简介:
黄鹤(1979-),男,河南省南阳市人,副教授,主要研究方向为人工智能与信息融合、图像处理及嵌入式开发. E-mail: 基金资助:
HUANG He1,2(), WU Kun1,2, LI Xinrui1, WANG Jun2,3, WANG Huifeng1, RU Feng1,2
Received:
2021-02-01
Online:
2022-02-28
Published:
2022-03-03
摘要:
针对现有飞蛾扑火优化算法精度低、全局搜索能力差的问题,提出一种自适应插值飞蛾扑火优化算法,并将其嵌入多特征粒子滤波中优化,构建自适应插值飞蛾扑火优化的多特征粒子滤波车辆跟踪算法.首先,在飞蛾的位置更新机制中加入自适应权值,改善所提算法的全局搜索能力.其次,采用改进的插值飞蛾扑火优化算法对采样过程进行优化,结合多特征自适应融合优化粒子滤波车辆跟踪算法,根据最新观测信息不断调整粒子分布,使低权值层粒子向权值较高的区域移动,增强粒子质量,避免样本退化.实验结果表明,本文算法能够有效降低状态预测所需的样本粒子数,提高算法的跟踪性能,在车辆目标发生遮挡、光照、姿态及尺度变化等干扰下仍然能够准确、稳定地跟踪目标车辆.
中图分类号:
黄鹤, 吴琨, 李昕芮, 王珺, 王会峰, 茹锋. 自适应插值飞蛾扑火优化的多特征粒子滤波车辆跟踪算法[J]. 上海交通大学学报, 2022, 56(2): 143-155.
HUANG He, WU Kun, LI Xinrui, WANG Jun, WANG Huifeng, RU Feng. A Multi-Feature Particle Filter Vehicle Tracking Algorithm Based on Adaptive Interpolation Moth-Flame Optimization[J]. Journal of Shanghai Jiao Tong University, 2022, 56(2): 143-155.
表1
5种算法在测试函数.上的实验对比
测试函数 | 算法 | 最优值 | 均值 | 标准差 | 测试函数 | 算法 | 最优值 | 均值 | 标准差 |
---|---|---|---|---|---|---|---|---|---|
Sphere | AWPSO | 0.79 | 2.89 | 2.01 | Ackley | AWPSO | 1.58 | 3.41 | 2.11 |
MFO | 1.28×10-14 | 3.18×10-14 | 4.97×10-14 | MFO | 1.84×10-8 | 3.58×10-7 | 3.75×10-7 | ||
IMFO | 2.61×10-19 | 1.44×10-15 | 3.62×10-15 | IMFO | 2.49×10-10 | 2.82×10-8 | 4.61×10-8 | ||
AMFO | 8.16×10-44 | 4.44×10-39 | 3.94×10-39 | AMFO | 8.88×10-16 | 2.01×10-14 | 5.61×10-14 | ||
AIMFO | 1.23×10-48 | 5.46×10-44 | 7.12×10-44 | AIMFO | 8.88×10-16 | 8.88×10-16 | 8.88×10-16 | ||
Schwefel’s 2.22 | AWPSO | 0.56 | 2.01 | 0.69 | Penalized1 | AWPSO | 1.03 | 3.98 | 2.61 |
MFO | 8.66×10-10 | 5.21×10-9 | 3.82×10-9 | MFO | 6.45×10-16 | 2.59×10-12 | 5.15×10-11 | ||
IMFO | 1.31×10-12 | 1.82×10-10 | 2.99×10-10 | IMFO | 5.35×10-16 | 5.52×10-15 | 7.45×10-15 | ||
AMFO | 5.16×10-24 | 8.41×10-23 | 9.51×10-23 | AMFO | 4.83×10-16 | 2.53×10-15 | 1.32×10-15 | ||
AIMFO | 2.13×10-28 | 5.05×10-27 | 6.48×10-27 | AIMFO | 2.12×10-17 | 8.11×10-16 | 1.21×10-16 |
[1] | GUCHHAIT A, B M, D K. A hybrid V2V system for collision-free high-speed Internet access in intelligent transportation system[J]. Transactions on Emerging Telecommunications Technologies, 2018, 29(3):1-9. |
[2] |
ISARD M, BLAKE A. Condensation—Conditional density propagation for visual tracking[J]. International Journal of Computer Vision, 1998, 29(1):5-28.
doi: 10.1023/A:1008078328650 URL |
[3] | 赵康, 王正勇, 何小海, 等. 基于改进粒子滤波的视觉目标跟踪[J]. 四川大学学报(自然科学版), 2019, 56(5):875-882. |
ZHAO Kang, WANG Zhengyong, HE Xiaohai, et al. Visual object tracking based on improved particle filter[J]. Journal of Sichuan University (Natural Science Edition), 2019, 56(5):875-882. | |
[4] | 金志刚, 卫津津, 罗咏梅, 等. 基于改进的颜色和SURF特征的粒子滤波目标跟踪[J]. 计算机工程与应用, 2015, 51(22):193-198. |
JIN Zhigang, WEI Jinjin, LUO Yongmei, et al. Targets tracking based on improved color histogram and SURF features using particle filter[J]. Computer Engineering and Applications, 2015, 51(22):193-198. | |
[5] |
LIU C G, LIU P, LIU J F, et al. 2D articulated pose tracking using particle filter with partitioned sampling and model constraints[J]. Journal of Intelligent and Robotic Systems, 2010, 58(2):109-124.
doi: 10.1007/s10846-009-9346-6 URL |
[6] | 张琪, 胡昌华, 乔玉坤. 基于权值选择的粒子滤波算法研究[J]. 控制与决策, 2008, 23(1):117-120. |
ZHANG Qi, HU Changhua, QIAO Yukun. Particle filter algorithm based on weight selected[J]. Control and Decision, 2008, 23(1):117-120. | |
[7] | 田梦楚, 薄煜明, 吴盘龙, 等. 基于萤火虫优化粒子滤波的新型机动目标跟踪算法[J]. 控制与决策, 2017, 32(10):1758-1766. |
TIAN Mengchu, BO Yuming, WU Panlong, et al. Novel target tracking method based on firefly algorithm optimized particle filter[J]. Control and Decision, 2017, 32(10):1758-1766. | |
[8] |
NARAYANA M, NENAVATH H, CHAVAN S, et al. Intelligent visual object tracking with particle filter based on modified grey wolf optimizer[J]. Optik, 2019, 193:162913.
doi: 10.1016/j.ijleo.2019.06.013 URL |
[9] | 胡振涛, 潘泉, 梁彦, 等. 基于进化采样的粒子滤波算法[J]. 控制理论与应用, 2009, 26(3):269-273. |
HU Zhentao, PAN Quan, LIANG Yan, et al. The particle filter algorithm based on evolution sampling[J]. Control Theory & Applications, 2009, 26(3):269-273. | |
[10] | EBERHART R, KENNEDY J. A new optimizer using particle swarm theory[C]//MHS’95. Proceedings of the Sixth International Symposium on Micro Machine and Human Science. Piscataway, NJ, USA: IEEE, 1995: 39-43. |
[11] |
MIRJALILI S. Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm[J]. Knowledge-Based Systems, 2015, 89:228-249.
doi: 10.1016/j.knosys.2015.07.006 URL |
[12] | TARIQ R, IQBAL Z, AADIL F. IMOC: Optimization technique for drone-assisted VANET (DAV) based on moth flame optimization[J]. Wireless Communications and Mobile Computing, 2020, 2020:1-29. |
[13] |
SAYED F, KAMEL S, TAHER M A, et al. Enhancing power system loadability and optimal load shedding based on TCSC allocation using improved moth flame optimization algorithm[J]. Electrical Engineering, 2021, 103(1):205-225.
doi: 10.1007/s00202-020-01072-w URL |
[14] | SHI J Y, ZHANG D Y, XUE F, et al. Moth-flame optimization-based maximum power point tracking for photovoltaic systems under partial shading conditions[J]. Journal of Power Electronics, 2019, 19(5):1248-1258. |
[15] | 刘峰, 韩艳丽, 王铎. 自适应权重粒子群优化的粒子滤波算法[J]. 计算机仿真, 2013, 30(11):330-333. |
LIU Feng, HAN Yanli, WANG Duo. Particle swarm optimization particle filtering algorithm based on adaptive weight[J]. Computer Simulation, 2013, 30(11):330-333. |
[1] | 高红莲, 尤杰, 曹松银. 基于PF-UKF组合滤波的SINS/GPS组合导航系统空中对准方法[J]. 上海交通大学学报, 2022, 56(11): 1447-1452. |
[2] | 侯煜冠, 韩远鹏, 谢金月, 毛兴鹏. 基于SDE模型的雷达组目标角度跟踪方法[J]. 空天防御, 2021, 4(1): 41-46. |
[3] | 毕晓君,胡菘益. 基于混合引导策略的高精度萤火虫优化粒子滤波算法[J]. 上海交通大学学报(自然版), 2019, 53(2): 232-238. |
[4] | 孙一奇,吴爱国,董娜,邵一哲. 基于粒子滤波与改进GVF Snake的人手跟踪算法[J]. 上海交通大学学报(自然版), 2018, 52(7): 801-807. |
[5] | 赵国旗a,b,杨明a,b,王冰a,b,王春香c. 基于智能终端的移动机器人室内外无缝定位方法[J]. 上海交通大学学报(自然版), 2018, 52(1): 13-19. |
[6] | 张铁,马琼雄. 人机交互中的人体目标跟踪算法[J]. 上海交通大学学报(自然版), 2015, 49(08): 1213-1219. |
[7] | 李雄杰1,2,周东华2. 混杂系统故障诊断的粒子滤波器方法[J]. 上海交通大学学报(自然版), 2015, 49(06): 849-854. |
[8] | 曹洁a,b,李玉琴a,吴迪b. 基于改进差分进化的高精度粒子滤波算法[J]. 上海交通大学学报(自然版), 2014, 48(12): 1714-1720. |
[9] | 李晓旭1,戴彬1,曹洁1,2. 基于多特征融合的改进UPF目标跟踪算法[J]. 上海交通大学学报(自然版), 2014, 48(10): 1473-1478. |
[10] | 裴福俊,李昊洋,武玫. 基于分布式无味边缘粒子滤波的同步定位与地图构建[J]. 上海交通大学学报(自然版), 2014, 48(07): 986-992. |
[11] | 刘士荣1,2,吴楚1,3,张波涛1,2,章海兵1,2. 基于极线约束SIFT特征和粒子滤波的目标跟踪算法[J]. 上海交通大学学报(自然版), 2014, 48(07): 1026-1032. |
[12] | 万磊,杨勇,李岳明. 水下机器人执行器的高斯粒子滤波故障诊断方法[J]. 上海交通大学学报(自然版), 2013, 47(07): 1072-1076. |
[13] | 曹松晓,王宣银,向可. 基于内侧轮廓模型的粒子滤波轮廓跟踪[J]. 上海交通大学学报(自然版), 2013, 47(07): 1022-1026. |
[14] | 张铁栋, 万磊, 王博, 曾文静. 基于改进粒子滤波算法的水下目标跟踪 [J]. 上海交通大学学报(自然版), 2012, 46(06): 943-948. |
[15] | 王景川, 方毅, 陈卫东. 移动机器人定位的自适应功率调节射频识别系统[J]. 上海交通大学学报(自然版), 2012, 46(02): 207-212. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||