一种目标定位方法、装置、电子设备和存储介质

技术领域

本申请涉及目标跟踪技术领域，特别是涉及一种目标定位方法和一种目标定位装置、电子设备和存储介质。

背景技术

在许多工程领域，往往不能直接得到所需要的状态变量的真实值，例如，雷达探测空中目标，无人机目标定位跟踪等问题中，由于随机干扰，在观测得到的信号中往往加载有随机噪声。要从夹杂有随机噪声的观测信号中分离出飞行器或陆行目标的准确运动状态量是很难的，只有根据观测信号来估计或预测这些状态变量。在线性系统中，Kalman滤波算法能有效降低随机噪声影响，提高系统跟踪定位准确性。由此Kalman滤波算法也越来越受人们的青睐。其应用非常广泛，如导航制导、目标定位和跟踪领域，通信与信号处理、数字图像处理、语音信号处理等众多领域。但是实际系统总是存在不同程度的非线性因素，非线性因素很容易影响滤波效果，如在飞行器的飞行状态、卫星导航等系统中都存在非线性因素。

目标定位跟踪方面：近几年无人机，自动驾驶等行业快速发展，在航拍领域，无人机航拍成为热门，自动跟踪系统在拍摄，定位方面应用也非常广泛，但是受天气、周边环境遮挡等影响也比较大，容易跟丢；在通信领域，移动目标之间的相互通信、移动目标与静止目标之间的通信都依赖于自动跟踪技术，如卫星天线自动跟踪系统，地面的移动目标对准卫星实现地面和卫星之间的实时通信；这些应用中最根本的是需要对动态目标的状态实现精确定位，跟踪，但是由于外界环境及跟踪系统等存在一定的误差，严重的情况下，容易跟丢目标，造成严重后果。

发明内容

鉴于上述问题，提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种目标定位方法和相应的一种目标定位装置。

为了解决上述问题，本申请实施例公开了一种目标定位方法，所述方法包括：

获取预设跟踪目标的运动信息；

采用所述运动信息进行滤波，得到第一预测信息；

针对所述第一预测信息确定搜索区域；

采用已优化的文化遗传算法，确定所述搜索区域中的第二预测信息。

可选地，还包括：

采用所述第二预测信息更新所述跟踪目标的运动信息

可选地，所述已优化的文化遗传算法包含适应度函数和影响函数；所述采用已优化的文化遗传算法，确定所述搜索区域中的第二预测信息的步骤包括：

确定与所述搜索区域对应的候选个体；所述候选个体包括位于所述搜索区域包括的位置，以及与所述位置对应的速度和加速度；

按照所述适应度函数，确定所述候选个体的评价值；

基于从大到小的顺序对所述候选个体的评价值进行排序，确定所述排序中前预设个数的候选个体为目标个体；

基于所述影响函数生成所述目标个体的子代个体；

按照所述适应度函数，确定所述子代个体的评价值；

基于从大到小的顺序对所述子代个体的评价值进行排序，确定所述排序中首个子代个体为第二预测信息。

可选地，所述适应度函数为位置、速度以及加速度的均方根误差和。

可选地，所述已优化的文化遗传算法还包个体经验；在所述按照预设适应度函数，确定所述子代个体的评价值之前，所述采用已优化的文化遗传算法，确定所述搜索区域中的第二预测信息的步骤还包括：

按照所述个体经验，调整所述子代个体；

其中，所述个体经验包括所述位置的变化范围、所述速度的变化范围、所述加速的变化范围。

可选地，所述方法还包括：

判断所述跟踪目标是否位于预设范围内；

若是，则执行所述采用已优化的文化遗传算法，确定所述搜索区域中的第二预测信息的步骤；

若否，则停止所述采用已优化的文化遗传算法，确定所述搜索区域中的第二预测信息的步骤。

可选地，所述采用所述运动信息进行滤波，得到第一预测信息的步骤，包括：

采用所述运动信息构建状态方程和观测方程；所述状态方程为所述位置及其对应的加速度和速度的关系信息；所述观测方程为所述跟踪目标的位置、所述运动信息、预设干扰信息的关系信息；

采用所述状态方程和观测方程进行卡尔曼滤波，确定所述跟踪目标的第一预测信息。

本申请实施例还公开了一种目标定位装置，所述装置包括：

获取预设跟踪目标的运动信息；

采用所述运动信息进行滤波，得到第一预测信息；

针对所述第一预测信息确定搜索区域；

采用已优化的文化遗传算法，确定所述搜索区域中的第二预测信息。

本申请实施例还公开了一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述目标定位方法的步骤。

本申请实施例还公开了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述目标定位方法的步骤。

本申请实施例包括以下优点：

在本申请实施例中，在获取预设跟踪目标的运动信息后，对跟踪目标的运动信息进行滤波，得到第一预测信息，针对第一预测信息确定搜索区域，采用已优化的文化遗传算法，确定搜索区域中的第二预测信息，从而实现结合滤波算法和文化遗传算法对跟踪目标进行定位，通过结合卡尔曼滤波算法和文化遗传算法，使得本申请实施例具有较好的实时性和鲁棒性，减小了对跟踪目标的定位误差，具有更好的抗干扰性和鲁棒性。

附图说明

图1是本申请的一种目标定位方法实施例的步骤流程图；

图2是本申请的一种跟踪位置偏差示意图；

图3是本申请的一种跟踪速度偏差示意图；

图4是本申请的一种跟踪加速度偏差示意图；

图5是本申请的一种目标定位方法示例的步骤流程图；

图6是本申请的一种文化遗传算法执行流程图；

图7是本申请的一种目标定位装置实施例的结构框图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

参照图1，示出了本申请的一种目标定位方法实施例的步骤流程图，具体可以包括如下步骤：

步骤101，获取预设跟踪目标的运动信息；

跟踪目标为移动体，具体可以是指定的移动体，也可以是在某一空间范围或者是地理区域内的移动体。移动体可以包括但不限于陆行移动体(如汽车)，飞行移动体(如飞行器)，两栖移动体(如包含陆空两种移动方式的移动体)。

运动信息可以包括移动体的运动方式以及当前对跟踪目标检测到的位置，运动方式可以包括匀加速直线运动、匀速直线运动、抛体运动等。

步骤102，采用所述运动信息进行滤波，得到第一预测信息；

Kalman滤波算法能有效降低随机噪声影响，提高系统跟踪定位准确性。通常用来对被跟踪目标运动状态进行预测，可以减少搜索区域的大小，提高跟踪的实时性和稳定性。可以采用卡尔曼(Kalman)滤波算法，对运动信息处理，以预测跟踪目标的第一预测信息，预测信息包括位置、速度、加速度三个变量，第一预测信息具体包括第一位置、第一速度和第一加速度。

步骤103，针对所述第一预测信息确定搜索区域；

针对第一位置、第一速度、第一加速度的预设变化范围(即扰动范围)，构建搜索区域。

例如：第一预测信息中包括第一位置(X0、Y0、Z0)，速度(Vx0、Vy0、Vz0)，加速度(Ax0、Ay0、Az0)，而位置的扰动范围为α、速度的变化范围β、加速度的扰动范围为γ，则结合第一位置(X0、Y0、Z0)，速度(Vx0、Vy0、Vz0)，加速度(Ax0、Ay0、Az0)以及扰动范围α、β、γ构建搜索区域。

步骤104，采用已优化的文化遗传算法，确定所述搜索区域中的第二预测信息。

采用已优化的文化遗传算法对上述得到的第一预测信息进行处理，从而在上述的搜索区域中确定第二预测信息。第二预测信息包括第二位置、第二速度和第二加速度，其中，第二位置为最佳搜索区域中心位置。

由于采用了已优化的文化遗传算法对由卡尔曼滤波算法得到第一预测信息进行处理，从而得到更为精准的第二预测信息，实现对跟踪目标进行更精准的定位。

在本申请实施例中，在获取预设跟踪目标的运动信息后，对跟踪目标的运动信息进行滤波，得到第一预测信息，针对第一预测信息确定搜索区域，采用已优化的文化遗传算法，确定搜索区域中的第二预测信息，从而实现结合滤波算法和文化遗传算法对跟踪目标进行定位，通过结合卡尔曼滤波算法和文化遗传算法，使得本申请实施例具有较好的实时性和鲁棒性，减小了对跟踪目标的定位误差，具有更好的抗干扰性和鲁棒性。

在本申请的一种可选实施例中，还包括：采用所述第二预测信息更新所述跟踪目标的运动信息的步骤。

在得到第二预测信息后，采用第二预测信息更新跟踪目标的运动信息，并按照更新后的运动信息得到新的第一预测信息，进而得到新的第二预测信息，以实现迭代更新第二预测信息，对跟踪目标持续地进行定位。

其中，上述已优化的文化遗传算法通过如下方法得到：获取预设种群空间；按照预设适应度函数计算所述种群空间中个体对应的评价值；依据预设的变量取值范围、所述种群空间、所述评价值，生成信仰空间；按照预设影响函数，对所述种群空间中的最优个体进行变异操作，以及更新所述种群空间并得到个体经验；基于预设接受函数以及所述个体经验更新所述信仰空间；依据更新后的种群空间和更新后的信仰空间，得到已优化的文化遗传算法。

文化算法具有两个层次的进化机能，在种群空间和信仰空间都可以独立的继承其父代的遗传信息，信仰空间中存储的知识能够促进种群空间进化，具备种群空间和信仰空间双层自适应动态进化，进化速度根据两个空间的具体进程变化而相互独立，但彼此之间又通过特定的协议(接受函数和影响函数)对进化交互的信息进行有效地提取和管理，并将其用于指导种群空间的进化和信息的交流与更新，接收函数与影响函数之间通过更新函数连接交互。

遗传算法首先随机产生初始种群，然后使用适应度函数值进行判断，此函数决定其值是否达到了最优效果或实际要求，如果是，则说明已经得到了最优的结果，否则将通过遗传算法的各个算子或改进算子，如选择算子、交叉算子、变异算子，进行种群逐代优化，从而使下一代种群比前一代更加具有生存优势，即生命力更强，通过逐代进化，最终接近最优解。遗传算法优点是全局搜索范围比较大，搜索性能相应的比较强，搜索从群体出发具有潜在并行性能，以适应度函数引导其进化过程，过程相对简单，可扩展延伸，易与其他算法或性能优良的算子结合。

文化遗传算法可以结合文化算法和遗传算法得到，并在对文化遗传算法进行优化后用于对跟踪目标进行定位，文化遗传算法包括种群空间和信仰空间。信仰空间包括形式知识和规范知识，形势知识存储每次迭代的最优个体，规范知识指各个变量的范围，两种知识在进化过程中自适应的更新。

已优化的文化遗传算法可以通过如下方式得到：先初始化种群空间，种群空间可以包含若干个种群，每个种群中可以包含若干个个体，每个个体为变量，满足预先设定的变量范围。适应度函数可以对种群空间中各个个体进行计算，得到相应的评价值，以判断个体之间的优劣。

影响函数利用信仰空间中现有的群体经验和知识指导种群空间的不断进化。所述影响函数使用规范知识调整变量步长来产生下一代优秀个体。影响函数为：

其中，λ指收缩步长因子；a＝N*M，M指最优个体能够保存的次数；N为比例系数，N(0,1)表示服从标准正态分布的随机数；ΔI为信仰空间中变量的可调区间的长度。

按照上述影响函数，对所述种群空间中的最优个体进行变异操作，以及更新所述种群空间并得到个体经验。

接受函数的作用在于将种群空间中产生的优秀个体经验输送到信仰空间。按照某一预先设定的演化规则，信仰空间首先比较并优化每个个体具有的经验知识，然后将这些经验知识依据一定的规则转换为种群经验。所述接受函数能够随着进化代数的增加自适应的调整所选种群的数量，a＝[p*β]+[p*β/(t+1)]，其中，a指所选种群的数量；p表示种群规模；t是进化代数索引；β为选择概率，本算中β＝30％；[*]表示高斯取整，基于上述接受函数以及所述个体经验更新信仰空间。

具体的，可以按照预设更新函数更新信仰空间。

更新函数将信仰空间中现有的个体经验与产生的新经验进行比较，最后替换掉原有的旧经验，形成新的经验和知识，更新函数包括如下公式(1)、(2)(3)、(4)：

其中，i为种群中个体的索引；j为个体中变量索引；t指种群进化的代数；和分别表示第i个个体的第j个变量的上下限对应值；代表第i个个体的第j个变量的值；k是调节系数。

基于更新后的种群空间和更新后的信仰空间，得到已优化的文化遗传算法，基于已优化的文化遗传算法，能够优化得到的第二预测信息，进而提高跟踪目标预测的准确性。

在本申请的一种可选实施例中，所述适应度函数为位置、速度以及加速度的均方根误差和。

适应度函数由位置、速度、加速度的均方根误差和来确定：

均方根误差

其中，Δ代表位置变量或者速度变量或者加速度变量，例如：Δ

所述按照预设影响函数，对所述种群空间中的最优个体进行变异操作，以及更新所述种群空间并得到个体经验包括：按照预设影响函数，对所述种群空间中的最优个体进行变异操作，得到若干个所述最优个体的子代个体；按照预设算子对所述子代个体进行处理，得到目标子代个体；所述预设算子包括选择算子、交叉算子、逆转算子、变异算子中的至少一个；按照所述目标个体更新所述种群空间；生成与所述目标子代个体对应的个体经验。

可以按照影响函数对种群空间中依据适应度函数确定的最优个体进行变异操作，得到若干个最优个体的子代个体，其中，子代个体为由上述最优个体得到的第N代个体，其中N≥1。

在本发明实施例中，所述步骤104包括：

子步骤S11，确定与所述搜索区域对应的候选个体；所述候选个体包括位于所述搜索区域包括的位置，以及与所述位置对应的速度和加速度；

候选个体与跟踪目标的运动信息相匹配，候选个体包括处于搜索区域的位置，并与该位置向对应的速度和加速度；

子步骤S12，按照所述适应度函数，确定所述候选个体的评价值；

按照文化遗传算法中包含的上述适应度函数，计算各个候选个体的评价值。

子步骤S13，基于从大到小的顺序对所述候选个体的评价值进行排序，确定所述排序中前预设个数的候选个体为目标个体；

可以对候选个体的评价值按照从大到小的顺序进行排序，并确定在该排序中前预设个数(例如：排序中评价值最大的9个)候选个体为目标个体，本发明实施例对目标个体的个数不做限定。

子步骤S14，基于所述影响函数生成所述目标个体的子代个体；

基于文化遗传算法中设置的影响函数，对目标个体进行变异操作，生成目标个体的子代个体。

子步骤S15，按照所述适应度函数，确定所述子代个体的评价值；

按照文化遗传算法中包含的上述适应度函数，计算各个子代个体的评价值。

子步骤S16，基于从大到小的顺序对所述子代个体的评价值进行排序，确定所述排序中首个子代个体为第二预测信息。

可以对子代个体的评价值按照从大到小的顺序进行排序，并确定在该排序中首个子代个体为第二预测信息。

在实际应用中，可以设定迭代条件，在执行子步骤S15后，判断当前是否满足迭代条件，若否则将子代个体作为新的候选个体，重复执行子步骤S12-S15，若满足迭代条件，则执行步骤S16。迭代条件可以按照实际需求设定，包括但不限于子代个体评价值需要大于指定值，子代需要为经过指定次数遗传变异得到等。

所述已优化的文化遗传算法还包个体经验；在子步骤S15之前，步骤104还包括：子步骤S17，按照所述个体经验，调整所述子代个体；其中，所述个体经验包括所述位置的变化范围、所述速度的变化范围、所述加速的变化范围。

个体经验中包括两个部分，一部分是最优个体(即每次循环后的最优位置，速度，加速度)，一部分是最优个体的变量范围(即位置的变量范围，速度的变量范围，加速度的变量范围)比如最优的位置是(99，100，101)，最优速度是(4，4，4)最优加速度是(5，9，21)，位置、速度、加速度的范围会随着算法而收敛，例如：位置变量范围会最终收敛到：X方向变化范围(99-99)、Y方向变化范围(100-100)、Z方向变化范围(101-101)；速度，加速度也类似，在此不再赘述。在位置、速度、加速度各个方向的值收敛到一个固定值之前，个体经验包含所述位置的变化范围、所述速度的变化范围、所述加速的变化范围，按照个体经验调整子代个体中的位置、速度、加速度，进而筛选出最优的子代个体。

调整子代个体的方式可以调用选择算子、交叉算子、逆转算子中一个或多个。

所述选择算子可以为截尾选择，将种群中每个个体按适应度值降序排列，选择当前种群的百分比p，并将其复制一次，在当前种群的百分比p之后再选择(1-2p)，删除个体最后的p，最后组成新个体。

所述交叉算子可以为使用单点交叉，对种群中两两配对的个体，随机产生一个小于染色体长度的数ΔL*a(其中，L为染色体长度，a为随机概率)以此作为交叉点位置，交换该点之后的部分染色体形成两个新个体。

所述变异算子可以为均匀变异，即依次指定种群中染色体串中的每一个基因位为变异点，以某一较小的概率用基因范围内的随机数替换原基因位上的基因值。

所述逆转算子即对每个个体，在区间内随机产生两个整数，这两个数确定了个体中的两个位置，将其之间的基因值按比例互换。

在本申请的一种可选实施例中，在步骤104之前，本申请实施例还包括：判断所述跟踪目标是否位于预设范围内；若是，则执行所述采用已优化的文化遗传算法，确定所述搜索区域中的第二预测信息的步骤；若否，则停止所述采用已优化的文化遗传算法，确定所述搜索区域中的第二预测信息的步骤。

预设范围是指可感知范围，判断跟踪目标是否位于感知范围内，如果位于感知范围内则跟踪目标未消失，则执行步骤104，若在感知范围内检测不到跟踪目标，则确定跟踪目标已消失，停止执行步骤104并结束跟踪目标的定位。

在本申请的一种可选实施例中，所述步骤102包括：采用所述运动信息构建状态方程和观测方程；采用所述状态方程和观测方程进行卡尔曼滤波，确定所述跟踪目标的第一预测信息，其中，所述状态方程为所述位置及其对应的加速度和速度的关系信息；所述观测方程为所述跟踪目标的位置、所述运动信息、预设干扰信息的关系信息。

运动信息可以包括跟踪目标的匀加速直线运动的位移方程s

基于运动信息可以构建状态方程和观测方程。

状态方程为：X(k+1)＝ΦX(k)+W(k)，

其中，

观测方程为：

为了衡量跟踪算法误差的整体水平，所述Kalman滤波算法与基于文化遗传算法的Kalman滤波算法在相同参数下分别进行动态目标跟踪定位测试N次，N＝50；实验误差均值，从测试结果看(如图2的一种跟踪位置偏差示意图、如3的一种跟踪速度偏差示意图、图4的一种跟踪加速度偏差示意图所示)相对于Kalman滤波算法对跟踪目标进行定位，基于文化遗传算法的Kalman滤波算法动态目标跟踪位置误差，速度误差，加速度误差明显更小，定位精度有很大的改善。

以一个示例对本申请实施例做进一步说明，参照图5，是本申请的一种目标定位方法示例的步骤流程图，本示例包括如下步骤：

步骤201：确定跟踪目标。确定需要进行定位预测的移动体，进而确定跟踪目标的运动信息。

步骤202：构建状态方程和观测方程。针对跟踪目标并结合运动信息，构建状态方程和观测方程。

步骤203：卡尔曼滤波，包括状态预测、方差预测、Kalman增益、状态更新、协方差更新，以确定跟踪目标的第一预测信息，包括(X

步骤204：建立搜索区域。根据Kalman滤波后的位置(X

步骤205：判断跟踪目标是否消失。可以通过检测跟踪目标的状态，以确定其是否消失，若已消失则结束搜索，若未消失则进入步骤206。

步骤206：文化遗传算法搜索最佳位置，得到第二预测信息(X

参照图6，示出了一种文化遗传算法执行流程图，步骤206具体包括如下子步骤：

子步骤2061:初始化种群空间。在规定范围内随机产生一个NxM维实数向量的初始种群个体。N指设定的种群中的个体数量，M指变量的个数。

子步骤2062:适应度评价。通过具体问题的需要，设定合适的适应度函数并计算其值，以对种群中的每一个个体进行评估，按预先规则选择出符合条件的个体。在本示例中，适应度函数定义为位置、速度和加速度的均方根误差和。

子步骤2063:种群空间筛选。依据设定的变量取值范围以及初始种群空间中的个体及其适应度值，按照文化算法信仰空间结构要求，产生初始信仰空间。

子步骤2064:影响种群空间。根据新的文化算法的影响函数，对种群空间中上一次的遗传操作中产生的最优个体进行变异操作，生成N个对应的子代个体，参与下一代遗传进化。

子步骤2065:遗传算法基本操作，包括选择操作、交叉操作、逆转操作、变异操作中一个或多个，产生相应的优秀个体。

子步骤2066:更新信仰空间。设定接受函数，并按一定的更新规则来更新信仰空间中的知识。

子步骤2067:判断是否满足终止操作。例如：当前文化遗传算法执行次数。如果不满足终止条件，则算法返回到步骤2062，若满足终止条件则结束流程。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。

参照图7，示出了本申请的一种目标定位装置实施例的结构框图，具体可以包括如下模块：

运动信息获取模块301，用于获取预设跟踪目标的运动信息；

第一预测模块302，用于采用所述运动信息进行滤波，得到第一预测信息；

搜索区域确定模块303，用于针对所述第一预测信息确定搜索区域；

第二预测模块304，用于采用已优化的文化遗传算法，确定所述搜索区域中的第二预测信息。

在本申请的一种可选实施例中，所述装置还包括

运动信息更新模块，用于采用所述第二预测信息更新所述跟踪目标的运动信息。

在本申请的一种可选实施例中，所述已优化的文化遗传算法包含适应度函数和影响函数；所述第二预测模块304包括：

候选个体确定子模块，用于确定与所述搜索区域对应的候选个体；所述候选个体包括位于所述搜索区域包括的位置，以及与所述位置对应的速度和加速度；

候选个体评价值确定子模块，用于按照所述适应度函数，确定所述候选个体的评价值；

目标个体确定子模块，用于基于从大到小的顺序对所述候选个体的评价值进行排序，确定所述排序中前预设个数的候选个体为目标个体；

子代个体生成子模块，用于基于所述影响函数生成所述目标个体的子代个体；

子代个体评价值确定子模块，用于按照所述适应度函数，确定所述子代个体的评价值；

第二预测信息确定子模块，用于基于从大到小的顺序对所述子代个体的评价值进行排序，确定所述排序中首个子代个体为第二预测信息。

在本申请的一种可选实施例中，所述适应度函数为位置、速度以及加速度的均方根误差和。

在本申请的一种可选实施例中，所述已优化的文化遗传算法还包个体经验；所述第二预测模块304还包括：

子代个体调整子模块，用于按照所述个体经验，调整所述子代个体；

其中，所述个体经验包括所述位置的变化范围、所述速度的变化范围、所述加速的变化范围。

在本申请的一种可选实施例中，所述装置还包括：

判断模块，用于判断所述跟踪目标是否位于预设范围内；若是，则调用第二预测模块304；若否，则停止调用第二预测模块304。

在本申请的一种可选实施例中，第一预测模块302包括：

构建子模块，用于采用所述运动信息构建状态方程和观测方程；

预测子模块，用于采用所述状态方程和观测方程进行卡尔曼滤波，确定所述跟踪目标的第一预测信息。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例还提供了一种电子设备，包括：

包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述目标定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述目标定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种目标定位方法和一种目标定位装置、电子设备和存储介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。