本發(fā)明涉及魚群追蹤
技術領域：
，具體是一種基于水平魚探儀數(shù)據(jù)的運動目標關聯(lián)算法。
背景技術：
：魚類的運動軌跡存在重疊和交錯的可能，水平魚探儀的數(shù)據(jù)圖像中包含了多個運動魚類目標，圖像數(shù)據(jù)中噪音多，而且水平魚探儀受到波束高度限制，所以要求對落入預測測量周圍的一個區(qū)域內的測量數(shù)據(jù)進行關聯(lián)，在多目標跟蹤的過程中，數(shù)據(jù)關聯(lián)是最重要的又是最困難的方面。確定模型是為了跟蹤每一幀中的目標運動狀態(tài)，而數(shù)據(jù)關聯(lián)則是把每一幀中相同的金槍魚目標聯(lián)系起來，生成各自的運動軌跡。技術實現(xiàn)要素：本發(fā)明的目的在于提供一種基于水平魚探儀數(shù)據(jù)的運動目標關聯(lián)算法，以解決上述
背景技術：
中提出的問題。為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：一種基于水平魚探儀數(shù)據(jù)的運動目標關聯(lián)算法，其目標的狀態(tài)方程和測量方程分別表示為Xt(k)=Ft(k-1)+Wt(k-1)Z(k-1)=H(k-1)Xt(k-1)+V(k-1)]]>式中：k＝1，2，…；t＝1，2，…，T；其中Xt(k)為k時刻目標t的狀態(tài)向量初值，Xt(0)是均值為協(xié)方差的隨機向量，且獨立于Wt(k)；Ft(k)為目標t的狀態(tài)轉移矩陣；Wt(k)為狀態(tài)噪聲，其均值為零的高斯白噪聲；Z(k)為k時刻目標的測量值；H(k)為測量矩陣；V(k)為測量噪聲，其均值為零的高斯白噪聲；其特征在于，具體實施步驟如下：(1)給定初始值t＝1，2，...，T，遞推公式由k＝1開始；(2)預測狀態(tài)X^t(k/k-1)=Ft(k-1)X^t(k-1/k-1);]]>(3)回波預測Z^t(k/k-1)=H(k)X^t(k/k-1);]]>(4)預測協(xié)方差矩陣Pt(k/k-1)＝Ft(k-1)Pt(k-1/k-1)[Ft(k-1)T]+Qt(k-1)；(5)預測新息向量Vjt(k)=Zj(k)-Z^t(k/k-1);]]>(6)根據(jù)有效回波集合，生成有效矩陣Ω，其中其中j＝0，1，2，…，mk；t＝1，2，…，T；(7)由有效矩陣生成可行聯(lián)合事件θ，i＝0，1，2，…，L，L為可行聯(lián)合事件總和；(8)計算可行聯(lián)合事件概率P{θi/Zk}，i＝0，1，2，…，L；(9)計算關聯(lián)概率βjt=Σi=1LP{θ/Zk}ω^t(θ)]]>其中j＝0，1，2，…，mk；t＝1，2，…，T；(10)卡爾曼濾波公式X^t(k/k)=X^t(k/k-1)+Kt(k)Vt(k);]]>(11)卡爾曼增益矩陣Kt＝Pt(k/k-1)Ht(k)+[St(k)]-1；(12)濾波器協(xié)方差矩陣Pt(k/k)=Pt(k/k-1)(1-β0t)Kt(k)St(k)[Kt(k)]T+Kt(k){ΣjβjtVjt(k)[Vjt(k)]T-Vt(k)[Vt(k)]T[Kt(k)]T}]]>其中β0t為先驗概率；(13)令k＝k+1，轉步驟(2)，計算出所有金槍魚的量測值和每條魚之間相互關聯(lián)的概率。與現(xiàn)有技術相比，本發(fā)明的有益效果是：本發(fā)明采用的聯(lián)合概率數(shù)據(jù)關聯(lián)算法，在雜波環(huán)境下對多目標進行數(shù)據(jù)互聯(lián)，可以有效的對多個目標進行關聯(lián)。具體實施方式下面將結合本發(fā)明實施例，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。一種基于水平魚探儀數(shù)據(jù)的運動目標關聯(lián)算法，其目標的狀態(tài)方程和測量方程分別表示為Xt(k)=Ft(k-1)+Wt(k-1)Z(k-1)=H(k-1)Xt(k-1)+V(k-1)]]>式中：k＝1，2，…；t＝1，2，…，T；其中Xt(k)為k時刻目標t的狀態(tài)向量初值，Xt(0)是均值為協(xié)方差的隨機向量，且獨立于Wt(k)；Ft(k)為目標t的狀態(tài)轉移矩陣；Wt(k)為狀態(tài)噪聲，其均值為零的高斯白噪聲；Z(k)為k時刻目標的測量值；H(k)為測量矩陣；V(k)為測量噪聲，其均值為零的高斯白噪聲；其特征在于，具體實施步驟如下：(1)給定初始值t＝1，2，...，T，遞推公式由k＝1開始；(2)預測狀態(tài)X^t(k/k-1)=Ft(k-1)X^t(k-1/k-1);]]>(3)回波預測Z^t(k/k-1)=H(k)X^t(k/k-1);]]>(4)預測協(xié)方差矩陣Pt(k/k-1)＝Ft(k-1)Pt(k-1/k-1)[Ft(k一1)T]+Qt(k-1)；(5)預測新息向量Vjt(k)=Zj(k)-Z^t(k/k-1);]]>(6)根據(jù)有效回波集合，生成有效矩陣Ω，其中其中j＝0，1，2，…，mk；t＝1，2，…，T；(7)由有效矩陣生成可行聯(lián)合事件θ，i＝0，1，2，…，L，L為可行聯(lián)合事件總和；(8)計算可行聯(lián)合事件概率P{θi/Zk}，i＝0，1，2，…，L；(9)計算關聯(lián)概率βjt=Σi=1LP{θ/Zk}ω^t(θ)]]>其中j＝0，1，2，…，mk；t＝1，2，…，T；(10)卡爾曼濾波公式X^t(k/k)=X^t(k/k-1)+Kt(k)Vt(k);]]>(11)卡爾曼增益矩陣Kt＝Pt(k/k-1)Ht(k)+[St(k)]-1；(12)濾波器協(xié)方差矩陣Pt(k/k)=Pt(k/k-1)(1-β0t)Kt(k)St(k)[Kt(k)]T+Kt(k){ΣjβjtVjt(k)[Vjt(k)]T-Vt(k)[Vt(k)]T[Kt(k)]T}]]>其中β0t為先驗概率；(13)令k＝k+1，轉步驟(2)。此為遞推公式，首先令k＝1，根據(jù)初始值預測狀態(tài)，通過預測狀態(tài)算其回波預測，以及預測出協(xié)方差矩陣和新息向量，再根據(jù)有效回波集合，生成有效矩陣，由有效矩陣生成可行聯(lián)合事件，并計算出概率，并得到關聯(lián)概率，最后通過卡爾曼濾波公式計算出金槍魚的預測位置。再令k＝2，如此反復。步驟1-9計算出所有金槍魚的量測值和每條魚之間相互關聯(lián)的概率，隨后利用卡爾曼濾波器進行下一幀目標的預測和更新，再返回到JPDA算法中去，步驟9-13實現(xiàn)了金槍魚跟蹤的有效循環(huán)。對目標進行跟蹤后，能夠得到目標的移動速度、運動方向和運動軌跡等運動狀態(tài)參數(shù)。根據(jù)這些參數(shù)對目標的運動進行分析，能夠就各個感興趣的方面進行應用。例如可以對目標進行識別分類，觀察魚類對某些刺激的應激反應，魚群運動觀察，空間分布與游泳狀態(tài)變化，魚群中個體計數(shù)等多方面的綜合運用。在魚類行為學、漁業(yè)資源調查中都有很重要的參考價值和實用價值。對于本領域技術人員而言，顯然本發(fā)明不限于上述示范性實施例的細節(jié)，而且在不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實現(xiàn)本發(fā)明。因此，無論從哪一點來看，均應將實施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權利要求而不是上述說明限定，因此旨在將落在權利要求的等同要件的含義和范圍內的所有變化囊括在本發(fā)明內。當前第1頁1 2 3