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.     

嵌入尺度可变均值漂移算法的粒子滤波方法

将尺度可变均值漂移算法嵌入到粒子的扩散过程中,引导粒子扩散到后验概率密度函数的高密度区,提出一种嵌入尺度可变均值漂移算法的粒子滤波跟踪方法.利用对数极坐标图像的尺度不变性,在粒子扩散过程中同时进行位置、尺度空间漂移.实验表明,该方法不仅能顺利跟踪非连续尺度变化目标,而且需要更少的粒子数.     

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.     

基于多重信息融合的人脸跟踪方法

近年来,粒子滤波算法作为一种处理非线性、非高斯问题的工具,在目标跟踪领域取得了广泛的应用.在粒子滤波中,构建一个合适的似然模型对跟踪的准确性起着关键性的作用.本文根据人体头部旋转的特点,提出了一种基于多信息融合的人脸跟踪算法.首先利用相邻两帧之间目标的位置相差很小这一信息,排除掉一些粒子是目标的可能性,然后融合颜色和局部灰度均值对比度这两个特征,在粒子滤波框架内对人脸进行跟踪.实验结果表明,该算法能够对人脸进行实时鲁棒的跟踪,并能够很好地解决在人体头部发生旋转情况下的跟踪问题.     

室内环境下视觉目标跟踪

综合粒子滤波和均值偏移理论,提出了一种基于相似性度量的机器人视觉跟踪方法.该算法以粒子滤波器为主体,粒子数目与相似性距离成正比.当粒子数目超过阈值时,采用较少的粒子数目结合均值偏移的算法代替传统的粒子滤波算法.每帧跟踪结束时,计算目标与模板的相似性距离,根据相似性距离调整粒子滤波器产生的粒子数目,并决定下次跟踪时是否执行均值偏移算法.粒子数目与相似性距离之间的比例系数根据实验设定.完成一次跟踪算法消耗的时间为5～10 ms.实验表明,该方法跟踪目标准确,具有良好的实时性.     

基于粒子滤波的灰度目标跟踪算法

粒子滤波主要利用粒子集来表示概率,可以用在任何形式的状态空间模型上.提出了一种基于粒子滤波的灰度图像目标跟踪方法,粒子滤波适合各种形式状态空间模型.算法目标特征采用了灰度直方图、灰度梯度直方图对灰度图像序列进行跟踪.粒子滤波跟踪算法有状态转移和状态观测两大重要模型.利用高权值的粒子替代低权值粒子这样的粒子重采样来保证粒子集的健壮性,得到目标最终位置.利用Matlab进行仿真证明了本文算法的有效性和稳健性.     

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%.      

基于改进粗糙化粒子滤波的磁偶极子跟踪

针对一般非线性滤波方法对磁偶极子跟踪时存在精度不高和滤波发散的问题,提出了一种改进粗糙化粒子滤波算法进行求解.该算法基于欧拉离散化方法,将连续随机滤波方法引入粗糙化粒子滤波框架,计算出在K-L散度意义下的最优控制量,将其作为粗糙化均值,以克服粒子贫化问题.建立了磁偶极子目标跟踪的连续时间状态空间模型,并给出了算法具体实现,通过仿真实验,将该算法与目前采用的磁偶极子目标跟踪算法进行对比,结果表明所提出的算法精度较高,且性能稳定.     

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.     

人机交互中的人体目标跟踪算法

针对机器人在与人交互过程中对指定人体目标的跟踪容易受到周围其他人体干扰的问题,提出了一种人机交互中的人体目标跟踪算法.将所有干扰区域看作候选目标,通过建立基于重叠率的粒子分布模型,确保粒子集可以通过均值偏移收敛到所有的候选目标,并减少粒子数量.以权重距离总误差和目标尺寸作为聚类条件,将粒子划分到相应的候选目标粒子集中,最后选择最优的候选目标作为跟踪结果.实验结果表明:该算法能够避免周围相似物体的干扰并准确跟踪目标,具有较好的鲁棒性和实时性.     

Mean-shift改进算法在火箭目标跟踪中的应用

针对火箭目标跟踪问题,提出了一种基于改进Mean-shift算法的火箭目标跟踪算法。为克服传统Mean-shift算法难以对快速运动的火箭目标进行跟踪的问题,以及在跟踪过程中的跟踪误差累积问题。采用3帧差分法检测出火箭目标的大概位置,然后在此基础上使用Mean-shift算法实现对火箭目标的精确跟踪。仿真实验表明所提算法能够有效的实现火箭目标的跟踪,并能很好的解决跟踪过程中的跟踪误差累积问题。     

基于均值迁移的粒子滤波算法研究

针对弱观测噪声环境下的粒子退化现象,特别是观测噪声较小时非线性非高斯的粒子滤波问题,提出了一种基于均值迁移的粒子滤波算法。首先,将核密度估计的无参快速模式匹配算法引入到粒子滤波中,并迭代计算概率密度估计。然后,利用均值迁移估计粒子梯度的方向,计算每个粒子移向其样本的均值。当粒子位置发生改变时,对重采样粒子进行加权处理。最后,根据本算法采样更新粒子集,有效地克服了粒子退化现象并提高了状态估计精度。     

无人机视角下的特征匹配引导粒子滤波跟踪算法

粒子滤波(particle filter, PF)算法被广泛应用于视觉目标的跟踪,然而,在无人机视角下,摄像机与画面中的目标同时运动,导致了PF对目标运动状态的预测失效.针对此问题,提出一种面向无人机视角下的改进的粒子滤波跟踪算法——特征匹配引导的粒子滤波跟踪算法.首先,利用相邻两帧图像中目标物体尺度不变特征变换(scale invariant feature transform, SIFT)特征匹配的结果作为初次定位;然后,利用空间加权的HOG特征与PF相结合获取二次定位结果;最后,利用chamfer distance修正跟踪结果的SIFT特征点作为下一帧特征匹配的模板,从而循环产生准确的视频跟踪结果.比较试验表明,该算法有效地改善了传统PF跟踪算法在无人机视角下运动状态预测方程失效的问题,能够较准确地对运动目标进行跟踪.     

结合信赖域和粒子滤波的红外目标跟踪方法

研究机载前视红外(FLIR)系统中鲁棒的目标跟踪算法.在传统的粒子滤波中嵌入信赖域寻优方法,发挥了它们各自的优点.在重要性重采样之前,将所有的粒子点都置于状态空间中恰当的位置,只用少量的粒子点就可以保持住多个模态,并解决了传统粒子滤波中的采样恶化和采样枯竭问题.实验结果显示了该方法的有效性和鲁棒性.     

基于 RF5的红外弱小目标跟踪系统的实时性改进方法

利用基于粒子滤波的检测前跟踪算法对红外弱小目标进行检测跟踪时,由于算法的复杂性以及所处理数据量大等原因,使得该系统不能满足实时性的要求。针对这一问题,提出了在RF5框架下实现基于粒子滤波的检测前跟踪算法的改进方案,并成功地在DM642上实现了该算法。实验结果表明,与传统的单线程方式相比,系统的实时性得到了很大提高,可以满足系统实时性的要求。     

适于无源阵列跟踪的粒子滤波交互多模型算法

针对无源阵列被动跟踪效果较差的问题,融合交互式多模型和粒子滤波方法,提出了一种基于粒子滤波的交互多模型(IMM-PF)算法。该算法采用多模型结构跟踪目标的任意机动;各模型采用粒子滤波算法处理非线性、非高斯问题。各模型中相对固定数目的粒子群经过相互交互、粒子滤波后再进行重抽样以减少滤波退化现象。在交互阶段,对各模型的相应粒子进行输入交互;在滤波阶段,抽取N个采样点,得到估计采样,从而求得估计输出和有关函数;在混合阶段,获得状态向量的后验条件概率密度函数,通过这个后验概率密度便可获得状态向量的估计量。与典型的交互式多模型算法(IMM-KF)进行了比较,计算机仿真结果证实了本文新算法的正确性和有效性。     

粒子群优化平方根强跟踪CKF及应用

提出一种粒子群优化平方根强跟踪容积卡尔曼滤波算法,并将其用于水下应答器辅助航位推算组合导航系统. 以强跟踪滤波器为理论框架,结合容积卡尔曼滤波器,设计了平方根强跟踪容积卡尔曼滤波器. 提出一种改进的粒子群算法,将粒子两两为一对分成若干对,每进化一次后,比较两个粒子的代价函数值,代价函数值较优的粒子,搜索方向侧重于群体历史经验,代价函数较差的粒子,搜索方向侧重于自身历史经验. 将改进的粒子群算法用于求取强跟踪滤波器的渐消因子. 仿真结果表明在系统模型不准确的情况下所提算法依然能够有效跟踪状态变化,比传统的容积卡尔曼滤波器具有更高的滤波精度和稳定性.      

基于Mean Shift的视频图像检测与跟踪

在复杂背景的视频图像中,实时、准确、连续、长距离的跟踪以人为对象的目标,是一件很困难的任务。人体对象在跟踪目标图像位置的变化时,一直随着姿态的变化而改变,因此这是一个非常典型的非刚体目标,对这类目标采用简单的模板匹配的方法进行目标跟踪,无法达到准确的跟踪。均值漂移（Mean Shift）是现今最受欢迎的对象跟踪方法之一,广泛的运用于人脸的跟踪,文章提出了一种基于均值漂移算法的复杂背景视频图像检测与跟踪算法。在运动目标跟踪中,提出了以直方图为模式特征,以均值漂移算法为核心算法的目标跟踪算法,通过实验表明该跟踪算法能对候选目标进行运动检测,完成实时跟踪,同时有效抑制了局部遮挡、背景混乱等,过滤了伪目标,保证了跟踪的可靠性。