基于小波变换的粒子滤波目标跟踪算法

针对纯方位被动目标跟踪中粒子滤波算法固有的计算复杂性问题,提出了一种基于小波变换的粒子滤波算法(WMPF).对粒子权重进行小波多分辨率分解,通过设定阈值对高通部分的粒子权重进行滤波,再根据重构后的粒子权重去掉重复粒子,生成新的粒子集来近似后验概率密度函数,从而在保证滤波精度的同时大量减少粒子数,提高粒子滤波的计算效率.将WMPF算法与标准粒子滤波算法应用于具有非线性非高斯特点的纯方位目标跟踪问题,仿真结果表明,WMPF算法的跟踪精度与标准粒子滤波算法相当,计算效率却远高于标准粒子滤波算法,增强了跟踪的实时性,并且该算法有望进一步扩展粒子滤波的应用范围.     

基于粒子滤波算法的自适应人脸跟踪

当人脸旋转和尺寸变化时,传统的粒子滤波算法不能准确跟踪到人脸.针对这一问题,本文提出了在粒子滤波框架下自适应调整目标跟踪窗口和自适应更新模板的方法.该方法通过计算运动目标区域内粒子到目标中心点的平均距离来自适应调整目标跟踪窗口;且对目标特征模板进行自适应更新.实验结果表明,本算法在人脸旋转和尺寸变化的情况下能够提升跟踪的准确度和精度.     

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.     

IMM迭代无迹Kalman粒子滤波目标跟踪算法

针对传统交互式多模型(interactive multiple model,IMM)算法跟踪机动式再入目标精度差和实时性不高的问题,提出一种交互式多模型迭代无迹Kalman粒子滤波算法.该算法在多模型滤波过程中采用改进的粒子滤波算法,通过迭代无迹Kalman滤波融入最新观测信息,进而生成粒子滤波的重要性密度分布,从而提高采样质量,改善滤波算法性能.仿真结果表明,提出的算法相对于交互式多模型粒子滤波算法具有更好的跟踪效果.该算法对提高跟踪机动式再入目标的精度与实时能力具有一定的理论意义.     

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.     

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。     

基于特征学习与特征记忆模板更新机制的粒子滤波跟踪

目标运动的多样性以及背景环境的复杂性是影响目标跟踪鲁棒性的主要原因.受背景颜色、光照以及姿态尺度变化等因素的影响,目标模板更新精度不高、目标跟踪鲁棒性差.针对此类问题,提出了一种基于特征学习与特征记忆的模板更新机制,通过构建目标模板库,保存丰富的运动目标信息,采用粒子滤波跟踪算法,将候选模板与模板库中的目标信息进行匹配,确定目标状态实现跟踪.实验结果表明,该算法以更丰富的目标信息进行跟踪,比传统目标模板更新策略的粒子滤波算法具有更高的跟踪精度和更强的鲁棒性.     

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.     

一种基于多特征融合的粒子滤波目标跟踪算法

针对采用单一图像特征进行目标跟踪时鲁棒性不高的问题,提出一种基于多特征融合的目标跟踪算法.该方法利用颜色特征和纹理特征描述目标,并将二者融合于粒子滤波框架中,提高了目标跟踪的稳定性,同时也在一定程度上克服了目标跟踪中光照变化时跟踪效果较差等缺点.实验结果表明,该文算法不仅提高了目标跟踪精度,而且具有较强的鲁棒性.     

基于粒子滤波和在线随机森林分类的目标跟踪

针对粒子滤波跟踪过程中不精确的状态模型或观测模型会降低跟踪精度的问题,提出一种基于粒子滤波与在线随机森林分类的目标跟踪算法框架.通过在线样本学习,随机森林中的样本集可以准确地近似目标外观的概率分布;在粒子滤波跟踪中,采用随机森林分类结果及区域直方图相似度来估计粒子相似度,从而提高了观测模型的精度.当出现跟踪漂移时,通过随机森林检测目标来重新初始化粒子滤波器,可以防止由于误差积累而造成的跟踪失败.采用vc 6.0+opencv实现了本算法,并设计两类试验分别来验证算法的跟踪精度和抗漂移能力.结果表明,该算法跟踪正确率比粒子滤波提高23%,比随机森林提高16%,因此可以防止无规则运动等因素造成的跟踪漂移,实现了长序列可靠跟踪.     

基于多路径粒子滤波目标跟踪

视觉跟踪是机器人自主导航、智能监控系统的关键技术.在粒子滤波跟踪算法中,设计粒子滤波器时,粒子大小是固定不变的,而目标与镜头之间是相对运动的,目标图像大小可能超出粒子范围,使得跟踪跟踪目标丢失.为了解决了上述问题本文提出了基于小波变换图像的粒子滤波方法.这里做法是在图像中目标上采集粒子,然后采用小波变换的分解算法和重建算法处理目标附近区域图像,再将采集到的粒子分成三部分,分别在原图和两种小波图像中传播.这样可以增强粒子滤波的鲁棒性,提高跟踪精度.     

基于GHF高斯粒子滤波的检测前跟踪算法

针对粒子滤波存在粒子退化,会导致检测前跟踪(TBD)算法的检测和跟踪性能下降这一不足,提出了一种基于高斯-哈密顿滤波(GHF)高斯粒子滤波的TBD算法.该算法基于高斯粒子滤波,采用GHF算法构造的重要性密度函数采样连续出现粒子,考虑了最新的量测信息,采样粒子更逼近于真实的后验概率密度,克服了粒子退化问题.仿真结果表明:与基本TBD算法相比,所提出的TBD算法提高了对目标的检测和跟踪性能.     

基于极线约束SIFT特征和粒子滤波的目标跟踪算法

针对采用颜色或边缘等特征的目标跟踪算法所存在的跟踪效果不稳定的问题,提出了一种基于极线约束尺度不变特征变换(SIFT)和粒子滤波的目标跟踪方法.该方法采用SIFT特征向量构建目标模型,引入极线约束改善目标匹配精度,采用粒子滤波算法获得SIFT特征向量的候选目标模型,利用似然函数计算目标模型与候选目标模型间的相似性.实验结果表明,该方法可解决目标与背景颜色相似时的跟踪失败问题,且对目标外形与位姿发生变化具有较好的适应能力.     

改进的粒子滤波算法在目标跟踪中的应用

粒子滤波算法中通常采用先验转移概率代替重要性函数,由此重要性密度函数对后验函数的偏差将增大。将小波去噪应用到粒子滤波过程中,降低了偏差,提高了粒子算法的滤波精度,并将该算法应用到目标跟踪的过程中,通过仿真证实该方法能够提高粒子滤波精度。     

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.     

基于K-近邻法和粒子滤波的多目标跟踪算法

针对多目标跟踪中目标与观测样本关联难的问题,提出了一种基于K-近邻法和粒子滤波的多目标跟踪算法.首先利用K-近邻方式将目标和观测信息进行数据关联,然后利用粒子滤波算法解决非线性问题的特点,单独对所有目标进行滤波,以完成对目标状态的更新.仿真实验表明,所提算法能够很好地对多目标展开跟踪,与联合概率数据关联算法(JPDAF)相比,能更好地逼近目标的真实轨迹,跟踪精度得到大幅提升.     

基于主成分分析的粒子滤波器目标跟踪方法

提出一种基于主成分分析的粒子滤波器目标跟踪新方法． 该方法将主成分分析法和传统的粒子滤波方法相结合, 避免了传统粒子滤波器的过度重采样, 提高了目标跟踪精度． 实验结果表明, 该方法对单个目标跟踪精度高, 且对多障碍物下的目标跟踪精度也较高, 适用于复杂背景下的人脸跟踪． 与传统粒子滤波方法相比, 该方法提高了目标跟踪的精度和鲁棒性, 避免了粒子退化和粒子贫化．     

融合背景信息的改进粒子滤波跟踪算法

为消除传统粒子滤波算法在跟踪目标受到相似背景干扰和遮挡时,容易造成跟踪误差增大或跟踪失效的影响,提出融合背景信息的改进粒子滤波跟踪算法.利用对数似然函数将背景信息融入目标模型,并将目标分为多个子区域增强目标模型的可靠性,有效克服了相似背景对目标的干扰;然后存储一定时间的历史轨迹信息,通过最小二乘法进行拟合并预测下一帧目标出现的位置,有效克服了遮挡对跟踪的影响.实验结果表明,该算法比传统的粒子滤波算法具有更强的抗背景干扰能力,在遮挡情况下也有更好的跟踪精度.     

基于粒子群优化粒子滤波的目标跟踪方法

为了提高粒子滤波在视频跟踪中的稳定性,解决粒子多样性衰退的问题,提出了一种基于粒子群优化粒子滤波的视频目标跟踪方法 .该方法在粒子滤波跟踪过程中,首先使用均值漂移方法来确定全局最优位置.同时,设计了一种使用高斯随机数的优化速度,并通过有效粒子数阈值来作为停止优化的判决条件.通过优化过程,使粒子向具有更高似然度的区域收敛.对序列图像的跟踪实验结果表明:该算法提高了估计精度,能够有效地跟踪目标,具有较好的鲁棒性.     

一种适用于建筑灾难救援系统的目标跟踪方法

在目标跟踪研究中,大量的实验证明粒子滤波算法对于运动轨迹变化复杂的运动目标跟踪效果不理想.基于变率粒子滤波算法(VRPF),以大型建筑灾难救援系统为研究背景,应用无线传感器网络技术,提出了一种自适应变率粒子滤波算法(AVRPF).该算法通过比较某时刻粒子值与测量值的关系自适应地调节采样周期,以提高对复杂运动目标的跟踪精度,尤其当运动轨迹出现大幅度变化时.仿真实验证明了该算法的有效性和实用性.