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

doi:10.16183/j.cnki.jsjtu.2021.037

上海交通大学学报 ›› 2022, Vol. 56 ›› Issue (2): 143-155.doi: 10.16183/j.cnki.jsjtu.2021.037

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

黄鹤¹^,²(), 吴琨¹^,², 李昕芮¹, 王珺²^,³, 王会峰¹, 茹锋¹^,²

1. 长安大学电子与控制工程学院, 西安 710064
2. 长安大学西安市智慧高速公路信息融合与控制重点实验室, 西安 710064
3. 西北大学信息科学与技术学院,西安 710127

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: huanghe@chd.edu.cn.
基金资助:
国家重点研发计划项目(2018YFB1600600);陕西省重点研发计划项目(2021GY-285);陕西省重点研发计划项目(2021SF-483);陕西省自然科学基础研究计划项目(2021JM-184);长安大学中央高校基本科研业务费专项资金项目(300102329401);长安大学中央高校基本科研业务费专项资金项目(300102329501);西安市智慧高速公路信息融合与控制重点实验室长安大学开放基金项目(300102321502)

A Multi-Feature Particle Filter Vehicle Tracking Algorithm Based on Adaptive Interpolation Moth-Flame Optimization

HUANG He¹^,²(), WU Kun¹^,², LI Xinrui¹, WANG Jun²^,³, WANG Huifeng¹, RU Feng¹^,²

1.School of Electronics and Control Engineering, Chang’an University, Xi’an 710064, China
2.Xi’an Key Laboratory of Intelligent Expressway Information Fusion and Control, Chang’an University, Xi’an 710064, China
3.School of Information Science and Technology, Northwest University, Xi’an 710127, China

Received:2021-02-01 Online:2022-02-28 Published:2022-03-03

摘要/Abstract

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.

关键词: 车辆跟踪, 粒子滤波, 多特征融合, 飞蛾扑火

Abstract:

In order to solve the problem of low accuracy and the poor global searching ability of the moth-flame optimization algorithm, an improved adaptive interpolation moth-flame optimization algorithm is proposed, which is embedded into multi-feature particle filter to optimize. Besides, a multi-feature particle filter vehicle tracking algorithm based on adaptive interpolation moth-flame optimization is constructed. First, adaptive weights are added to the moths’ position updating mechanism to improve the global searching ability of the proposed algorithm. Next, the adaptive interpolation moth-flame optimization algorithm is used to optimize the sampling process. Then, in combination with the multi-feature adaptive fusion particle filter vehicle tracking algorithm, the particle distribution according to the latest observation information is continuously adjusted, so that the particles in the low weight layer can move to the area with higher weight to enhance the particle quality and avoid sample degradation. The experimental results show that the proposed algorithm can effectively reduce the number of sample particles required for state prediction, improve the tracking performance of the algorithm, and track the target vehicle accurately and stably under the interferences of occlusion, illumination, attitude, and scale changes.

Key words: vehicle tracking, particle filter, multi-feature fusion, moth-flame

中图分类号:

TP391.41

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.

图/表 14

图1

图2

图3

表1

图4

图5

图6

图7

图8

表2

Seq1的客观评价表

算法	N	$ε - err$	$R - OS$ /%	λ/%	v_R/ (帧·s^-1)
MAFPF	20	16	56.98	63.33	66
	100	7	74.72	98	16
多特征AWPSO- PF车辆跟踪	20	6	78.57	99.67	11
AIMFO-PF	20	4	80.99	100	27

表2

图9

表3

Seq2的客观评价表

算法	N	$ε - err$	$R - OS$ /%	λ/%	v_R/ (帧·s^-1)
MAFPF	20	10	60.73	80	99
	100	6	72.02	100	24
多特征AWPSO- PF跟踪	20	5	73.83	100	18
AIMFO-PF	20	4	75.29	100	30

表3

图10

表4

Seq3的客观评价表

算法	N	$ε - err$	$R - OS$ /%	λ/%	v_R/ (帧·s^-1)
MAFPF	20	4	59.18	63.67	57
	100	3	61.14	64	27
多特征 AWPSO-PF跟踪	20	3	73.68	97	21
AIMFO-PF	20	2	76.59	97.67	29

表4

参考文献 15

[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.

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

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

A Multi-Feature Particle Filter Vehicle Tracking Algorithm Based on Adaptive Interpolation Moth-Flame Optimization

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价

[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.