一种基于鸽群智能优化卡尔曼滤波参数的目标跟踪方法
【技术领域】
[0001 ]本发明涉及一种基于鸽群智能优化卡尔曼滤波参数的目标跟踪方法，属于自动化
技术领域。
【背景技术】
[0002] 在现代智能视频检测系统中，对于动态目标的实时跟踪是非常有必要的。但是因 为测量上的噪声或者其他因素在一定程度上还是会影响到对于动态目标的实时跟踪。随着 现代计算机技术和材料科学的飞速发展，限制实时跟踪的因素越来越向智能算法方向靠 拢。为了解决这一问题，越来越多的人们不断地投入到对智能算法的研究中。像遗传算法， 粒子群算法等经过了多年的发展已经变得日趋成熟，智能算法已经逐渐演变成一门非常重 要的学科。人们在研究过去经典算法的同时，也在不断提出新的算法。虽然新的算法可能在 它诞生之初并不比原来的算法所达到的效果更好，但是在未来的发展中，它可能会被改进 和优化，因此，新的算法为智能算法这一学科不断注入新鲜的血液，它们的作用是不可忽视 的。
[0003] 卡尔曼滤波在它提出伊始就体现出了强大的生命力，它由于能够预测下一时刻的 状态值而获得了广泛地应用。但是卡尔曼滤波也有它自己的缺陷，比如它必须要知道量测 噪声协方差等信息才能准确预测下一时刻的状态信息。为此，有许多人提出了对卡尔曼滤 波器进行优化并且为之付出了实践。卡尔曼滤波器已经为人所熟知，它的基本流程框图如 图4所示。
[0004] 群体智能作为仿生智能的一个重要分支越来越被人们所关注，人们通过对自然界 里的生物群体的观察，记录它们的生活习惯受到启发，并对它们建立起数学模型，并以此来 分析一些与数学有关的问题。人们受此启发，将智能算法来优化卡尔曼滤波器的一些系数， 并且取得了比单独使用卡尔曼滤波器更好的效果。
[0005] 目前，有人用遗传算法优化了卡尔曼滤波器的参数，也有人使用粒子群算法优化 卡尔曼滤波器的参数，受此启发，我们用另一种新兴的智能算法来优化卡尔曼滤波器的参 数，并且与粒子群算法的优化效果作出了对比，结果发现优化效果相差不大，但是时间方面 却会缩短，因此对于实时跟踪一个运动目标是十分有利的。
[0006] 这种新兴智能算法是在2014年由Haibin Duan和Peixin Qiao提出的一种新型的 启发式群智能优化算法，名为纟鸟群算法(Pigeon Inspired Optimization，ΡΙ0)。顾名思义， 这种算法是受到鸽群行为的启发而提出来的。根据鸽子在寻找食物过程中先后把地磁场和 地标作为参考的行为特点，建立起地图罗盘和地标两种运算机制。
[0007] 鸽子在寻找食物的过程中，会首先依照磁场进行初步的定位，然后再根据地标进 行精确定位。根据鸽子的这种行为，鸽群算法提出了与之相对应的两种算子，分别称为地图 罗盘算子和地标算子，并结合这两种算子对实际问题进行优化。
[0008] (1)地图罗盘算子
[0009] 在地图和罗盘算子中，鸽群根据地图和罗盘的指引方式前进，在D维空间里，第i只 鸽子的位置信息&每一代更新一次，具体的更新准则如下式所示：
[0010]
(1)：[0011] PiPg(t+l)=f(t+l)XPi(t) + (l-f(t+l))XPg(t) (2)
[0012]
[0013]
[0014]
[0015]
[0016]
[0017] 式中，mbest(t+l)为t+1代所有鸽子最佳位置的平均值，PdthPjt)分别为第i只鸽 子的最优位置和所有鸽子的全局最优位置，PiPjt+l)为鸽子个体最优值Pi(t)和群体全局 最优值p g(t)之间的随机点，ω (t)为收缩扩张系数，调节它的值能控制算法的收敛速度，较 大的《(t)有利于算法跳出局部最优值，而较小的co(t)有利于算法的收敛，f(t+l)、u(t+l) 是一个从〇到1之间随机产生的一个随机数。地图罗盘算子示意图如图1所示，图中最右边的 鸽子为拥有全局最优位置信息的鸽子，细箭头表示鸽子之前的速度矢量，粗箭头表示该机 制作用下，鸽子速度的调整矢量方向，两个速度矢量相叠加后的结果就是当前鸽子的速度 矢量。
[0018] (2)地标算子
[0019] 由于鸽子在寻找目的地的后期，主要依靠的是地标来进行目标的导引，为此根据 其行为特性提出地标算子。该算子规定，每一代的鸽群数目减半，为了更快的到达目的地， 剩下的鸽子直接飞向目的地。具体的更新准则如下式所示：
[0020] (6)
[0021] (7)
[0022] Xi(t) =Xi(t_l)+rand · (Xc(t)-Xi(t-1)) (8)
[0023] 在上式中，^为鸽群的数目，fitness是鸽子位置信息的代价函数，为了求得代价 函数的最小值，可以取fmin作为目标函数，X。是鸽群的加权位置中心。地标算子的示意图如 图2所示，圆圈外面的鸽子脱离鸽群，中心位置的鸽子为剩余鸽子的目的地，剩下的鸽群迅 速向目的中心靠拢。鸽群算法优化卡尔曼滤波器参数的整体流程图如图3所示。
【发明内容】
[0024] 1.发明目的
[0025]本发明提出了一种基于鸽群智能优化卡尔曼滤波参数的目标跟踪算法，其目的是 为了对卡尔曼滤波器的参数进行优化，以达到能够快速跟踪目标的目的。
[0026]该算法通过Matlab软件编辑程序，对一特定的曲线进行跟踪，通过用鸽群算法优 化卡尔曼滤波器的参数，来生成曲线，以达到快速跟踪曲线的目的，为快速跟踪曲线的实现 提供有效的保障。
[0027] 2.技术方案
[0028]本发明利用群智能优化算法全局搜索能力强，应用性广等特点，开发了一套应用 鸽群算法优化卡尔曼滤波器来达到快速跟踪目标的目的。本发明一种基于鸽群智能优化卡 尔曼滤波参数的目标跟踪方法，该方法的实现步骤如下：
[0029]步骤一:得出真实的曲线
[0030] 获取一特定的曲线，作为真实的曲线；
[0031] 步骤二:得出原始曲线
[0032] 对目标曲线添加高斯白噪声，称之为原始曲线；
[0033]步骤三:初始化鸽群算法参数
[0034] (1)初始化优化参数维数D
[0035]本方法中所要优化的参数是卡尔曼滤波器的量测噪声协方差参数R，它是一个2 X 2的矩阵，因此要用鸽群算法在四维度中寻找目标区域，所以D为4。
[0036] (2)初始化收缩扩张系数ω (t)的参数
[0037]初始化收缩扩张系数c〇(t)的最大值c〇max和最小值comin，这两个值的确定影响控 制算法的收敛速度。
[0038] (3)初始化种群数量^
[0039]群智能优化算法的种群数量NP对优化效果影响很大，选择一个适当的种群数量， 保证算法的准确性和快速性。
[0040] (4)初始化种群位置和速度
[0041] 在搜索空间没设定群体的位置上限Pmax和位置下限Ρ_，以及速度上限V max和速度 下限Vmin。给种群中的每个粒子都初始化一个初始的位置Xi和初始的速度Vi。
[0042
(9)
[0043] (5)设置算法代数
[0044] 鸽群优化算法有两个算子，分别是地图罗盘算子和地标算子，算法运算前需要分 别设定两个算法运行的最大代数NClmax和NC 2max。
[0045] 步骤四：设计代价函数
[0046] 代价函数的确定是智能优化算法的核心，决定参数优化的准确性。本方法中，采用 最小均方差的方式，使得每个点的坐标与真实的坐标之间的均方差最小，从而得到最优的 区域。
[0047] 步骤五:利用地图罗盘算子进行寻优
[0048] 利用初始化的群体位置和速度，根据初始的个体的代价函数值选取全局最优位置 xg。根据公式（1)~(5/ ⑴
[0049] PiPg(t+l)=f(t+l)XPi(t) + (l-f(t+l)) XPg(t) (2)
[0050]
[0051]
[0052]
[0053]
[0054]
[0055] 中的公式，更新每个个体的位置t，计算新生成鸽子的代价函数值，如果新鸽子的 代价函数值比全局最优位置的代价函数值更高，则把新生成的鸽子位置定义为新的全局最 优位置X g。反复应用地图罗盘算子进行寻优，直到运行代数大于地图罗盘算子最大代数 NClmax时停止。
[0056] 公式中，mbest(t+l)为t+Ι代所有鸽子最佳位置的平均值，PKthPjt)分别为第i只 鸽子的最优位置和所有鸽子的全局最优位置，Pfjt+l)为鸽子个体最优值Pdt)和群体全 局最优值? 8(0之间的随机点，ω (t)为收缩扩张系数，调节它的值能控制算法的收敛速度， 较大的ω (t)有利于算法跳出局部最优值，而较小的ω (t)有利于算法的收敛，f(t+l)、u(t+ 1)是一个从〇到1之间随机产生的一个随机数。
[0057]步骤六:利用地标算子进行寻优
[0058] 利用地图罗盘算子寻优的结果作为地标算子的初始群体，根据公式(6)-(8)
[0059] (6)
[0060] (7|
[0061] Xi(t) =Xi(t_l)+rand · (Xc(t)-Xi(t-l)) (8)
[0062] 中的公式更新每个个体的速度1和位置Xi，计算新生成鸽子的代价函数值，如果新 鸽子的代价函数值比全局最优位置的代价函数值更高，则把新生成的鸽子位置定义为新的 全局最优位置X g。根据公式(6)计算新种群的群体数量，根据公式(6)计算的结果舍弃群体 中代价函数较小的一部分个体，选择当前群体中较优的群体作为保留群体进行下一轮寻 优，反复应用地标算子进行寻优，直到运行代数大于地标算子最大代数NC 2max时停止。
[0063]公式中，^为鸽群的数目，fitness是鸽子位置信息的代价函数，为了求得代价函 数的最小值，可以取fmin作为目标函数，X。是鸽群的加权位置中心。地标算子的示意图如图2 所示，圆圈外面的鸽子脱离鸽群，中心位置