一種基于蝙蝠算法的多目標跟蹤數(shù)據(jù)關聯(lián)方法

王宇杰，李 宇，黃海寧

(1. 中國科學院聲學研究所，北京100190；2. 中國科學院先進水下信息技術重點實驗室，北京100190；3. 中國科學院大學，北京100049)

0 引 言

數(shù)據(jù)關聯(lián)問題一直是多目標跟蹤方法中關鍵性的問題，它決定了目標更新時所使用的探測信息，所以數(shù)據(jù)關聯(lián)算法的性能直接決定了多目標跟蹤算法的跟蹤性能。國內外學者對數(shù)據(jù)關聯(lián)的方法進行了深入的研究，其中最早提出的數(shù)據(jù)關聯(lián)方法是最近鄰算法 (Nearest Neighbor, NN)[1]，它直接將量測與距離最近的目標關聯(lián)，方法簡單，運算量小，但在處理多目標關聯(lián)問題時，關聯(lián)正確率低。在理想化的建模假設下，多假設跟蹤算法 ( Multiple Hypothesis Tracking, MHT)[1-3]被認為是在貝葉斯角度的最優(yōu)方法，但當目標數(shù)目增加時，它需要很大的計算量和內存。概率數(shù)據(jù)關聯(lián)算法(Probabilistic Data Association, PDA)[1,3]計算落入目標跟蹤門內的所有量測的關聯(lián)概率，依據(jù)概率進行關聯(lián)，但在目標數(shù)目增加時，PDA 難以滿足關聯(lián)性能要求。在此基礎上發(fā)展出的聯(lián)合概率數(shù)據(jù)關聯(lián)算法 (Joint Probabilistic Data Association,JPDA)[3]將PDA 推廣到了多個目標的情況，使用所有觀測值和所有目標進行概率計算，是對多目標進行跟蹤的比較優(yōu)秀的方法，但是需要的計算量極大。

數(shù)據(jù)關聯(lián)問題和組合優(yōu)化問題具有很高的類似度，對多目標數(shù)據(jù)關聯(lián)問題建模，演化為組合優(yōu)化問題，再利用一些智能優(yōu)化算法進行最優(yōu)估計是解決多目標數(shù)據(jù)關聯(lián)問題的一個方向[4-5]，一些仿生優(yōu)化算法[6]在多目標關聯(lián)領域也取得了較好的效果。蝙蝠算法(Bat Algorithm, BA)[7-9]是Yang于2010 年提出的一種仿生優(yōu)化算法，近幾年蝙蝠算法已經(jīng)在很多領域取得了應用。……