基于AMMFO优化的MAFPF车辆跟踪方法

doi:10.19562/j.chinasae.qcgc.2021.09.008

汽车工程 ›› 2021, Vol. 43 ›› Issue (9): 1322-1327.doi: 10.19562/j.chinasae.qcgc.2021.09.008

基于AMMFO优化的MAFPF车辆跟踪方法

黄鹤^1,²(),吴琨^1,²,李昕芮¹,王珺²,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.西安市智慧高速公路信息融合与控制重点实验室，西安 710064

收稿日期:2021-02-01 修回日期:2021-05-23 出版日期:2021-09-25 发布日期:2021-09-26
通讯作者: 黄鹤 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(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);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 Improved Moth⁃flaming Optimization

He Huang^1,²(),Kun Wu^1,²,Xinrui Li¹,Jun Wang²,Huifeng Wang¹,Feng Ru^1,²

^1.School of Electronic and Control Engineering，Chang’an University，Xi’an 710064
^2.Xi’an Key Laboratory of Intelligent Expressway Information Fusion and Control，Xi’an 710064

Received:2021-02-01 Revised:2021-05-23 Online:2021-09-25 Published:2021-09-26
Contact: He Huang E-mail:huanghe@chd.edu.cn

摘要/Abstract

摘要：

针对粒子滤波算法的在车辆跟踪应用中跟踪精度较差及样本贫化问题，提出了一种利用自适应变异更新策略飞蛾扑火优化的多特征粒子滤波车辆跟踪算法。首先，利用目标纹理与颜色特征的互补性，融合两种特征来提高粒子滤波算法在复杂场景跟踪的稳定性。其次，改进飞蛾扑火算法的更新机制，将自适应权值引入飞蛾的螺旋更新策略，并使随机变异策略与其交替更新，增大算法的搜索空间，使得算法更快速地搜索到全局最优。最后，根据阈值分层样本粒子，并使适应变异更新策略飞蛾扑火优化低权值粒子的分布状态，避免样本贫化现象发生。实验表明，本文算法能够在低样本粒子数下有效地提升粒子滤波算法的性能，并在车辆受到阴影、遮挡、尺度和角度变化等复杂背景下，仍能稳定精确地跟踪目标车辆。

关键词: 目标跟踪, 颜色特征, 纹理特征, 粒子滤波, 飞蛾扑火优化

Abstract:

To solve the problems of poor tracking accuracy and sample impoverishment of particle filter algorithm in vehicle tracking application， a multi-feature particle filter vehicle tracking algorithm based on adaptive mutation update strategy and moth-flaming optimization is proposed. Firstly， the tracking stability of the particle filter algorithm in complex scene is improved by combining the complementary characteristics of target texture and color features. Secondly， the adaptive weight is introduced into the spiral update strategy of the moth by changing the update mechanism of the moth-flaming optimization， and then the random mutation strategy is updated alternately to increase the search space of the algorithm， so that the algorithm can search the global optimum more quickly. Finally， the sample particles are layered according to the threshold and the improved moth-flaming optimization is used to optimize the distribution of low weight particles to avoid sample impoverishment. Experiments show that the proposed algorithm can effectively improve the performance of particle filter algorithm in the case of low sample particle number， and can still track the target vehicle stably and accurately in the complex background of shadow， occlusion， scale and angle change.

Key words: target tracking, color feature, texture feature, particle filter, moth?flaming optimization

黄鹤,吴琨,李昕芮,王珺,王会峰,茹锋. 基于AMMFO优化的MAFPF车辆跟踪方法[J]. 汽车工程, 2021, 43(9): 1322-1327.

He Huang,Kun Wu,Xinrui Li,Jun Wang,Huifeng Wang,Feng Ru. A Multi⁃feature Particle Filter Vehicle Tracking Algorithm Based on Improved Moth⁃flaming Optimization[J]. Automotive Engineering, 2021, 43(9): 1322-1327.

图/表 5

参考文献 14

1	MER H， POSLAD S， DU S. A game⁃theory based incentive framework for an intelligent traffic system as part of a smart city initiative ［J］. Sensors， 2017， 17（12）： 2874-2882.
2	MOGHADDASI S S， FARAJI N. A hybrid algorithm based on particle filter and genetic algorithm for target tracking［J］. Expert Systems with Applications， 2020， 147：113188.
3	YILDIRIM M E，INCE I F，SALMAN Y B，et al. Direction⁃based modified particle filter for vehicle tracking［J］. Etri Journal， 2016， 38（2）：356-365.
4	种衍文，王泽文，陈蓉，等.一种多特征自适应融合的粒子滤波红外目标跟踪方法［J］.武汉大学学报（信息科学版），2016，41（5）：598-604.
	CHONG Y， WANG Z， CHEN R， et al. A particle filter infrared target tracking method based on Multi⁃feature adaptive fusion［J］. Geomatics and Information Science of Wuhan University，2016，41（5）：598-604.
5	BHAT P G， SUBUDHI B N， VEERAKUMAR T， et al. Multi⁃feature fusion in particle filter framework for visual tracking［J］. IEEE Sensors Journal， 2020， 20（5）：2405-2415.
6	KARABOGA D， BASTURK B. On the performance of artificial bee colony （ABC） algorithm［J］. Applied Soft Computing Journal， 2008， 8（1）：687-697.
7	DORIGO M， BLUM C. Ant colony optimization theory： a survey［J］. Theoretical Computer Science， 2005， 344（2-3）： 243-278.
8	田梦楚，薄煜明，陈志敏，等.萤火虫算法智能优化粒子滤波［J］.自动化学报，2016，42（1）：89-97.
	TIAN C， BO Y， CHEN Z， et al. Firefly algorithm intelligence optimized particle filter［J］. Acta Automatica Sinica，2016，42（1）：89-97.
9	陈志敏，田梦楚，吴盘龙，等.基于蝙蝠算法的粒子滤波法研究［J］.物理学报，2017，66（5）：47-56.
	CHEN Z， TIAN M， WU P， et al. Intelligent particle filter based on bat algorithm［J］. Acta Physica Sinica，2017，66（5）：47-56.
10	MIRJALILI S. Moth⁃flame optimization algorithm： a novel nature-inspired heuristic paradigm［J］. Knowledge-Based Systems， 2015， 89（11）： 228-249.
11	JIA H， MA J， SONG W. Multilevel thresholding segmentation for color image using modified moth-flame optimization［J］. IEEE Access， 2019：2169-3536.
12	WU Y， CHEN R， LI C， et al. An adaptive sine⁃cosine moth⁃flame optimization algorithm for parameter identification of hybrid active power filters in power systems［J］. IEEE Access， 2020， 8.
13	薛飞，张登雨，石季英，等.基于飞蛾扑火优化算法的光伏阵列MPPT研究［J］.电力电子技术，2019，53（5）：60-63.
	XUE F， ZHANG D， SHI Y， et al. Maximum power point tracking for photovoltaic system under partial shading condition using moth⁃flame optimization algorithm［J］. Power Electronics，2019，53（5）：60-63.
14	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）： 330-342.
	LIU F， HAN Y， WANG D. Particle swarm optimization particle filtering algorithm based on adaptive weight［J］. Computer Simulation，2013，30（11）：330-342.

[1]	张雷, 关可人, 丁晓林, 郭鹏宇, 王震坡, 孙逢春. 基于图像识别与动力学融合的路面附着系数估计方法[J]. 汽车工程, 2023, 45(7): 1222-1234.
[2]	韩勇,林旭洁,黄红武,蔡鸿瑜,罗金镕,李燕婷. 典型汽车碰撞事故场景中行人运动轨迹预测方法[J]. 汽车工程, 2023, 45(6): 1022-1030.
[3]	王海,李洋,蔡英凤,孙恺,陈龙. 基于激光雷达的3D实时车辆跟踪[J]. 汽车工程, 2021, 43(7): 1013-1021.
[4]	甘耀东,郑玲,张志达,李以农. 融合毫米波雷达与深度视觉的多目标检测与跟踪[J]. 汽车工程, 2021, 43(7): 1022-1029.
[5]	张炳力,詹叶辉,潘大巍,程进,宋伟杰,刘文涛. 基于毫米波雷达和机器视觉融合的车辆检测[J]. 汽车工程, 2021, 43(4): 478-484.
[6]	陈龙,朱程铮,蔡英凤,王海,李祎承. 基于自查询的车载多目标跟踪算法研究[J]. 汽车工程, 2021, 43(11): 1587-1593.
[7]	韦海燕, 安晶晶, 陈静, 王惠民, 潘海鸿, 陈琳. 基于改进粒子滤波算法实现锂离子电池RUL预测^*[J]. 汽车工程, 2019, 41(12): 1377-1383.
[8]	廖家才,曹立波,夏家豪,张晓,吴强. 基于核相关滤波和运动模型的多目标轨迹跟踪^*[J]. 汽车工程, 2019, 41(10): 1179-1188.

基于AMMFO优化的MAFPF车辆跟踪方法

A Multi⁃feature Particle Filter Vehicle Tracking Algorithm Based on Improved Moth⁃flaming Optimization

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 14

相关文章 8

Metrics

本文评价

推荐阅读 10

算法	N	AE	AO/%	RV/（帧·s^-1）
MAFPF算法	20	10	47.90	27
AWPSO优化MAFPF跟踪算法	20	5	64.00	11
本文算法	20	4	68.39	62