漂移瑞利混合滤波算法改进及其在机动目标纯方位跟踪中的应用

针对纯方位机动目标跟踪问题,利用基于代价函数的高斯混合成分减少技术改进了漂移瑞利混合滤波算法,提出一种改进型漂移瑞利混合滤波算法。仿真结果表明:在强杂波背景下,改进型漂移瑞利混合滤波算法（ MSRMF）的计算量与漂移瑞利混合滤波算法相当,但计算精度更高;漂移瑞利混合滤波算法及其改进型算法的估值精度与粒子滤波算法相当,但其计算量却比粒子滤波算法减小了一个数量级。     

融合视觉与雷达数据的改进粒子滤波车辆目标跟踪

针对视觉跟踪中由于尺寸变化累积误差导致目标丢失的问题,提出一种融合视觉与毫米波雷达数据的改进粒子滤波车辆跟踪算法。首先,引入遗传算法改善标准粒子滤波中的粒子退化与粒子衰退问题,根据退化程度计算动态自适应的遗传交叉概率,并利用高斯分布替代平均分布计算种群适应度。然后,将图像HSV直方图特征与改进粒子滤波算法结合,实现车辆多目标跟踪。最后,通过雷达目标投影点与视觉跟踪框的位置关系实现关联匹配,利用深度信息修正跟踪框的位置与尺寸。实验结果表明,相对于标准粒子滤波,改进的粒子滤波算法可以使平均跟踪准确率与精度分别提高22.1%与21.1%。相对于仅采用视觉跟踪,融合雷达数据的跟踪算法能够使车辆目标跟踪精度再次提高9.2%。     

两阶段混合粒子滤波的目标跟踪

基于粒子滤波的目标跟踪,跟踪的成功率和精度与目标运动速度和算法的粒子数密切相关.较大的粒子数能够跟踪速度更快的目标,同时提高跟踪的精度,但会降低算法的实时性.为了解决这个问题,提出一种两阶段混合粒子滤波算法,在第一阶段中,利用少量粒子基于距离角度模型对目标的位置进行粗略估计.在第二阶段中,利用均值偏移算法对目标位置进行精确估计,同时利用粒子滤波对均值偏移的窗口进行自适应调整.实验表明,提出的两阶段混合粒子滤波算法,不仅能够实时地跟踪尺寸变化的目标,而且能够跟踪运动速度快的目标.     

基于智能优化粒子滤波算法的人体运动目标跟踪

粒子滤波算法应用于目标跟踪时,存在样本贫化和计算量大的问题,提出了一种基于智能优化粒子滤波算法.利用粒子群算法良好的局部寻优和全局寻优能力对重采样之后的粒子集进行操作,使粒子可以智能地合作起来,减轻样本贫化.实验结果表明,该算法实时性强,提高目标状态的估计精度,缩短了计算时间,其滤波性能优于常规粒子滤波算法.     

基于GPU的粒子滤波并行算法

针对粒子滤波跟踪算法计算量较大,需要在跟踪准确性与计算效率之间做出妥协的问题,分析了粒子滤波算法的并行性,提出了基于图像处理单元(GPU)平台的粒子滤波并行算法.将传统粒子滤波算法与GPU有效结合起来,充分利用GPU并行运算的性能,加快粒子滤波算法的计算速度.对所提出算法的计算性能与普通串行算法进行了对比,实验结果表明该算法在不降低跟踪准确性的同时,平均每帧处理时间显著减少.     

箱粒子广义标签多伯努利滤波的目标跟踪算法

针对序列蒙特卡罗广义标签多伯努利滤波(SMC-GLMB)算法计算效率低、实时性差的问题,提出了箱粒子广义标签多伯努利滤波的目标跟踪(Box-GLMB)算法。该算法使用带标签的随机有限集描述多目标的状态,包括目标的位置和速度,并且对每个目标用互不相同的标签进行区分;然后利用箱粒子滤波算法近似单目标状态的概率密度,即用一组带权值的均匀分布拟合单目标状态概率密度;最后通过广义标签多伯努利滤波对多目标状态的概率密度进行预测与更新,从多目标状态后验概率密度中估计单目标的位置与速度,根据目标的标签可以实现航迹跟踪。BoxGLMB算法结合了箱粒子滤波与GLMB算法的优势,能够跟踪目标航迹,同时提高计算效率。仿真结果表明,Box-GLMB算法可以有效估计目标状态以及跟踪目标航迹,相比于SMC-GLMB算法,计算效率提升了62%。     

量子遗传优化粒子滤波的WSN目标跟踪算法

在无线传感器网络(WSN)目标跟踪应用中,传统粒子滤波算法存在多样性退化问题。为提高WSN目标跟踪精度,提出一种基于量子遗传算法优化粒子滤波的WSN目标跟踪方法。量子遗传算法不仅增加粒子多样性,防止粒子退化现象出现,有效缩短了计算时间且改善粒子跟踪能力。测试结果表明,所提出算法很好地减轻了粒子退化对目标跟踪精度影响,提高了WSN目标跟踪精度和跟踪的实时性,跟踪结果令人满意。     

一种用于运动跟踪的加窗粒子滤波新算法研究

为了提高粒子滤波算法在视频跟踪中的性能,在基本粒子滤波算法的基础上,采用窗口滤波更新粒子集合,根据对目标位置估计的情况动态更新粒子集合大小,得到一种改进的粒子滤波算法--加窗粒子滤波算法.该算法利用估计窗内的混合抽样粒子集描述后验分布,通过对估计窗内具有不同权值的粒子集依据其权值大小进行抽样,并根据当前观测值对抽取的粒子状态进行更新,实现对目标的跟踪.仿真实验结果表明:这种跟踪算法在不影响跟踪精度的情况下,大大减少了计算量,较好地解决了视频目标跟踪这一非线性非高斯状态在线估计问题.     

改进粒子滤波在行人跟踪中的应用

为提高粒子滤波在目标跟踪中的性能,将萤火虫算法(Firefly Algorithm,FA)的优化思想引入粒子滤波,并用自适应差分进化(Self-adaptive Differential Evolution,SaDE)算法代替粒子滤波的重采样,提出一种改进的粒子滤波跟踪算法,并采用新的跟踪特征HSV-iLBP进行跟踪.该算法将FA用于粒子滤波的重要性采样,通过计算迭代来抽取更加有效的粒子,并将粒子滤波的重采样过程看作求解目标函数的最值问题,通过自适应差分进化算法的迭代寻找最优粒子,改善粒子的退化和贫化问题.HSV-iLBP模型由于结合了维数低的HSV颜色特征和iLBP纹理特征,从而在提高跟踪鲁棒性的同时,能有效降低计算复杂度.通过仿真实验,验证了改进算法在行人跟踪上具有更好的精度和速度.     

视觉跟踪中的粒子滤波算法研究进展

详细讨论粒子滤波算法在视觉跟踪领域的研究现状,对应用粒子滤波算法解决单目标及多目标跟踪问题进行了详细的分析.在粒子滤波算法框架内,选择一个合适的建议分布构建基于粒子滤波算法的跟踪算法是文章关注的焦点.对视觉跟踪中的难点问题:遮挡、目标交互、场景光线变化等详细的分析了使用粒子滤波算法的解决方法.第三部分对当前粒子滤波算法在视觉跟踪应用中存在的问题进行了分析,最后给出了结论.     

容积粒子滤波算法及其应用

针对使用现有粒子滤波算法对非线性/非高斯离散时间系统的状态估计精度较低的问题,提出了一种新的粒子滤波算法——容积粒子滤波(CPF)算法.新算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,产生粒子滤波算法的建议性密度函数,获得所需要的带权粒子,进而通过计算粒子均值,获得系统状态的最小均方误差估计.CPF算法由于产生粒子时使用了最新的测量信息,因而提高了对系统状态后验概率的逼近程度.仿真实验结果表明,CPF算法的估计误差约是标准粒子滤波算法和扩展粒子滤波算法误差的1/5和1/3,是无味粒子滤波(UPF)算法的估计误差的1/2,且运行时间只有UPF算法的1/3.     

基于容积原则的概率假设密度滤波算法

为改善多目标跟踪问题中概率假设密度滤波精度与算法运行时间之间的关系,提高目标状态和数目的实时估计性能,提出了基于容积原则的概率假设密度滤波算法. 该算法在高斯混合粒子概率假设密度的框架下,利用容积数值积分原则直接计算非线性随机函数的均值和方差, 产生粒子滤波算法的重要性函数,实现高精度粒子的重构,来近似目标状态和数目的概率分布,并且在高斯混合概率假设密度滤波算法中进行采样和更新. 仿真验证了所提出算法的有效性,其Wasserstein误差距离优化了17.32%,目标数估计均值也提高了23.72%.      

低信扰比下粒子权重优化的粒子滤波算法

针对低信扰比条件下粒子权重有效评价问题,本文给出了一种粒子权重优化的粒子滤波算法。在算法实现中,首先,通过代价评估粒子滤波中代价函数和风险函数的引入实现粒子权重评价过程中对于当前量测信息的合理利用;其次,通过置信度距离和置信度矩阵的构建及求解完成对于粒子间蕴含冗余和互补信息的充分提取;最终,利用权重平衡因子在融合两种权重度量结果基础上实现粒子权重的合理度量。新算法在实现当前时刻粒子集中信息有效利用的同时,避免了量测噪声先验统计信息的偏差的不利影响,从而使得粒子权重度量结果更加稳定和可靠。理论分析和仿真实验验证了算法的有效性。     

基于改进粒子滤波的锂离子电池RUL 预测

在基于粒子滤波算法的锂离子电池剩余使用寿命预测过程中, 由于基本粒子滤波算法存在粒子退化问题, 难以保证电池寿命预测的精度。为此, 提出一种基于MCMC(Monte Carlo Markov Chain)的无迹粒子滤波改进算法, 从选取适当的重要性密度函数和重采样过程两方面入手, 更全面地克服基本粒子滤波算法中的粒子退化问题, 进而提高锂离子电池剩余使用寿命预测的精度。实验仿真结果表明, 改进后的粒子滤波算法能更好地跟踪电池容量衰退趋势, 预测精度也明显优于基本粒子滤波算法, 为锂离子电池剩余使用寿命的预测提供了新思路。     

基于自适应遗传算法的粒子滤波器

针对重采样导致的权值退化问题,应用遗传算法的进化思想来优化重采样算法,将粒子权值作为适应度值,合理设定阈值,利用最佳个体保存法保存高适应度粒子,利用自适应交叉、变异操作对低适应度粒子进行进化,将高适应度粒子与进化粒子组合成新的粒子集进行状态估计.仿真实验表明,该算法具有良好的实时性和估计精度,其状态估计精度比标准粒子滤波提高近24倍,比无迹卡尔曼粒子滤波提高近4倍,耗时约为无迹卡尔曼粒子滤波的1/10.     

Passive Target Tracking Based on Current Statistical Model

Bearing-only passive tracking is regarded as a nonlinear hard tracking problem. There are still no completely good solutions to this problem until now. Based on current statistical model, the novel solution to this problem utilizing particle filter （PF） and the unscented Kalman filter （UKF） is proposed. The new solution adopts data fusion from two observers to increase the observability of passive tracking. It applies the residual resampling step to reduce the degeneracy of PF and it introduces the Markov Chain Monte Carlo methods （MCMC） to reduce the effect of the “sample impoverish”. Based on current statistical model, the EKF, the UKF and particle filter with various proposal distributions are compared in the passive tracking experiments with two observers. The simulation results demonstrate the good performance of the proposed new filtering methods with the novel techniques.     

基于改进差分进化的高精度粒子滤波算法

针对智能优化粒子滤波算法精度较低和收敛速度慢的问题,提出一种改进适应度函数和搜索策略的差分进化粒子滤波算法(IDE-PF).该算法通过自适应融合粒子权值和量测误差得到适应度函数,并利用该函数评价粒子的可信度,引导粒子向后验概率密度取值高的位置移动,同时引入新的搜索策略,不仅保持了粒子多样性,还加快了算法收敛的速度.仿真结果表明,该算法可有效提高智能优化粒子滤波对于非线性系统状态估计的精度和实时性.     

基于背景差分和粒子滤波的运动目标跟踪算法

针对粒子滤波算法在复杂环境下粒子数量显著增加导致跟踪实时性下降的问题,提出一种将背景差分引入到粒子滤波算法中的新算法.利用背景差分对图像处理后得到检测结果,将分布在已被检测为前景像素点上的粒子定义为重要性粒子,增大了其权值.实验结果表明,该算法能使用较少的粒子实现较好的跟踪,提高了跟踪的实时性.     

一种新型的简化群优化粒子滤波算法

针对粒子滤波的粒子退化和贫化问题,将新兴的简化群优化(SSO)算法引入到粒子滤波的重采样阶段.SSO算法结构简单,在保留优良粒子的基础上,增加一项粒子随机运动过程,以提供粒子多样性.实验结果表明,新算法不仅有效提高了对非线性系统状态的估计精度,而且具有更高的运算速度.     

荧光造影图像序列的噪声滤波

通过对视网膜血流荧光造影图像分析, 将自适应加权 平均方法与顺序统计滤波器相结合, 构造了扩展自适应加权平均（EAWA）滤波器. EAWA滤 波器是一个灵活的滤波器模型, 它通过设计关键像素和权值分布函数, 以达到特定滤波效 果. 在此模型基础上, 针对荧光造影图像, 建立了高亮度保持（HIP）滤波器. 实验结果 表明, HIP滤波器不仅可以有效地滤波, 又可以保持高亮度点的亮度不被退化.