基于神经动力学的目标跟踪算法

第26卷第3期深圳大学学报理工版Vo. 26 No. 32009年7月JOURNAL OF SHENZHEN UNIVERSITY SCIENCE AND ENGINEERINGJuly2009文章编号:1000-2618(2009)03-0283-06【光电与信息工程】基于神经动力学的目标跟踪算法朱安民,明仲(深圳大学计算机与软件学院,深圳51800)摘要:通过对神经网络模型的研究,将神经动力学的 Shunting模型应用到目标跟踪系统中.该算法具有模型简单、参数不敏感、网络运算不易饱和、算法速度快,且不需要预设工作环境等优点,适用于未知动态环境下的优化目标跟踪. Matlab仿真试验表明,该算法可解决动态环境下的目标跟踪.关键词:神经动力学;目标跟踪;路径选择;最短路径;动态环境中图分类号:0232文献标识码:A目标跟踪技术在军事、工业过程控制、医学研传统的线性控制理论或基于模型的控制方法,或因究、交通监控及机器人导航等方面有广泛应用,是算法过于复杂而不适合快速变化的环境.现实中目自动控制、人工智能、计算机应用及机器人学等领标跟踪系统面对的是一个变化多端、动态的未知环域的重要课题.许多研究小组提出了不同的目标跟境.如何找到一种简单实时不需建立不同模型,就踪方法',如Zh2提出连通图搜索法,在整个工能稳定、连贯、平滑地描述环境,且能适应各种动作环境中全面搜索所有可能路径,并通过连通图寻态无规律变化的环境,不需要学习就能记忆环境的找最短路径;OloG3提出适应于未知环境的Hy-算法呢?本文将着力解决这些问题bride模型,釆用模糊逻辑方法建立环境地图并通过导航进行目标跟踪; Cheng“提出用可变结构的多1目标跟踪算法模型粒子过滤器算法解决局限于公路环境的目标跟踪; Cevher提出基于声学和视屏状态空间的粒子目标跟踪系统面对的是未知变化的动态环境过滤器算法用以解决目标跟踪问题; zengin6提出基于 Shunting模型神经动力学的动态活动原理,即基于规则的智能知道策略用于无人驾驶飞行器在未把神经网络看作一种非线性动力学系统,能实时描知环境下跟踪移动目标; Helle提出超阶趋势场述未知的、变化的环境. Hodgkin和 Huxley-提出结合高度变换机制进行路径规划和目标跟踪;Par-用电子线路元素实现生物细胞隔膜的方法.生物隔ker8提出基于声学传感器网络和双波阵面的路径膜两边的电压可通过方程(1)得到规划进行室内环境下的目标拦截; Tomono提出将目标位置的不确定性用目标几何地图和网格地图上Cm=-(E,+Vm)g+(ena的分布可能性来决定;Chen0提出车辆跟踪算法Vm)gNa -(e+Vm)ge.对汽车导航,该包括一个目标跟踪模块和一个障碍其中,C为电容;g为电导;E为电压,通过参数替物规避模块; Glasius r提出 Hopfield神经网络模换,可得分路方程型,在跟踪目标时可避开障碍物自动选择路径.也Ax1+(B1-x2)S:(t)有学者提出通过自组织学习产生实时路径的神经网络模型.但至今大多数目标跟踪方法都需假定(D+xS,(2环境的精确数学模型已知,并忽略干扰,采用基于其中,x是电压;A为被动衰减率;B;和D是电压的收稿日期:2008-04-09;修回日期:2009-04-11基金项目:国家自然科学基金资助项目(60673122);深圳大学科研启动基金资助项目(2007作者简介:朱安民(1964-),男(汉族),江西省上高县人,深圳大学副教授、博土.E-muilYH中国煤化工CNMHG284深圳大学学报理工版第26卷上下限;S;和S是对该细胞的兴奋和抑制输入,其目标值为路径s:=∑f(x)+∫(x)+1(4)其中,v和是兴奋和抑制权值;F和是兴奋和抑制输入.分路网络模型的状态取决于兴奋输入障碍物S'、抑制输入S:和状态X本身.从上述方程可见跟踪爷10x;随S;增加而增大,x;越接近B;,其值增大速度越慢;当x=B时,x不再增大.总之,x永远小于图2 Shunting网络模型活动图B1,同样,x1永远大于-D1,即在范围[-D,B1]内Fig. 2 The active landscape of Shunting model接下来讨论如何利用 Shunting网络模型解决动网格结点状态用 Shunting网络模型方程描述为态目标跟踪的路径选择问题首先,利用 Shunting dx-Ax+(B-x)([+2m]”)网络模型描述目标跟踪的动态环境.将目标跟踪的工作区间网格化,形成一个离散型拓扑结构图,跟踪目标的位置和障碍物的位置可通过各种传感器获其中,x是神经网络中神经元i的状态,A、B和D是得并数字化到网格化的拓扑结构图上,如图1.然正数;k是神经元i的所有邻接神经结点的总数.函后,利用 Shunting网络模型对该工作区间进行动态数[]·和[]的定义为=max1,0,[门]=描述,即网格的每一个结点被看作一个神经元,每max-1,01.([]+∑/:1x])和[]分别为兴奋和抑制输入障碍物神经元i的外部输入l定义为:若为目标,则l1=E;若为障碍物,则l1=-E;其他情况,l1=0.目标这里E是一个非常大的常正数,大于其所有支线输入总和.神经元i到神经元j的兴奋连接权值向量u定义为w=f(q-q|)·其中,|q:-q,表示在向量空间中,位置矢量q到q正向量的模.函数f(a为单调递减函数,例如:若0