蚁群优化粒子滤波视觉跟踪算法

针对传统的基于再采样方法的粒子滤波算法存在的样本贫乏现象,提出采用蚁群优化的思想取代再采样步骤,通过有效模拟的蚂蚁觅食的生物特性,抑制样本贫乏现象,从而提高目标跟踪的准确性.实验结果表明,该算法能够有效处理目标快速运动、目标遮挡、交互等难题,表现出较好的鲁棒性.     

遮挡情况下基于粒子滤波的视觉跟踪算法研究

针对遮挡情况下视觉跟踪的问题,提出了一种基于粒子滤波与KF预测判别的跟踪算法,很好地解决了目标跟踪丢失问题。实验结果表明:该跟踪算法在瞬时遮挡和长时间遮挡情况下,均能稳定地跟踪目标。     

基于粒子滤波的目标跟踪算法

随着当前计算机性能的不断提高,粒子滤波算法日益受到人们的关注,因为其在非线性、非高斯系统和状态滤波等方面具有独到的优势,也被广泛应用到运动目标跟踪研究当中。     

粒子滤波算法在视频目标跟踪中的应用

首先介绍粒子滤波的基本理论,然后构建粒子滤波视频目标跟踪系统的状态模型和观测模型,进而根据状态模型和观测模型提出一种基于粒子滤波的视频目标跟踪算法,并通过实际的视频目标跟踪系统对算法进行实验分析,说明粒子滤波算法在视频目标跟踪中的优越性。     

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。     

粒子滤波算法在视频目标跟踪中的应用

首先介绍粒子滤波的基本理论,然后构建粒子滤波视频目标跟踪系统的状态模型和观测模型,进而根据状态模型和观测模型提出一种基于粒子滤波的视频目标跟踪算法,并通过实际的视频目标跟踪系统对算法进行实验分析,说明粒子滤波算法在视频目标跟踪中的优越性.     

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%。     

基于CNN的粒子滤波目标跟踪算法研究

针对复杂场景下目标跟踪算法存在的跟踪目标丢失漂移等问题,提出一种粒子滤波框架下基于卷积神经网络（convolutional neural network,CNN）的目标跟踪算法.该算法采用CNN提取跟踪目标的高层语义特征,并引入离线训练方式,提高训练效率以及特征提取的泛化能力;利用粒子滤波算法框架,实现目标运动状态的有效估计;同时采用长时与短时两种更新策略,并引入困难样本挖掘的在线训练方式,以适应目标外观变化与背景干扰等复杂情况.仿真实验结果表明本文算法能有效适应遮挡、光照、剧烈运动等场景.与多个当前的跟踪算法在公开测试样本下进行了结果比较和分析,验证了本算法在解决跟踪目标丢失漂移等问题上的有效性.      

自适应调整建议分布的改进粒子滤波行人跟踪算法

为解决一般粒子滤波跟踪算法容易受到相似背景和遮挡干扰问题的影响,提出一种自适应调整建议分布的改进粒子滤波跟踪算法.该算法设计了一种新的建议分布函数,使其融入最近的观测信息来调整建议分布函数的方差以改变新粒子分布范围,提高新粒子的采样效率,降低了计算复杂度,一定程度上保持了粒子的多样性.实验结果表明:该算法有效解决了遮挡、相似背景混乱问题,整体跟踪性能优于粒子滤波算法.     

粒子数自适应的粒子滤波算法

针对粒子滤波算法时间复杂度高的问题,引入一种在滤波过程中粒子数可以根据过程噪声方差大小进行调整的自适应粒子滤波算法,即KLD-Sampling粒子滤波算法.该算法在保证一定滤波精度的前提下,可以有效地减少滤波过程中使用的粒子数,从而减小滤波时间,提高滤波效率.此外,分析了该算法中距离阈值和小区域阈值的选取与参与滤波粒子数的关系及其对算法性能的影响.仿真实验对分析结果进行了验证.     

基于内侧轮廓模型的粒子滤波轮廓跟踪

为了提高复杂环境下轮廓跟踪的鲁棒性,提出了一种基于内侧轮廓模型的粒子滤波轮廓跟踪算法.① 在轮廓采样点的法线上利用Canny算子得到轮廓法线方向的梯度信息;② 用该法线的内侧部分构建局部颜色信息,并使之与梯度信息结合,形成一个新的一维法线观测似然;③ 用所有内侧法线构建一幅全局内侧颜色直方图;④ 将梯度信息、局部颜色信息和全局颜色信息3种特征进行有效融合,形成一个新的多特征融合观测模型.实验结果表明,在复杂环境下,该算法能够较好地实现对复杂的非封闭轮廓的鲁棒跟踪.     

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.     

粒子滤波融合跟踪方法

针对Kalman滤波不能处理多传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,通过线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度和更少的计算量.相比于单传感器,减少了量测信息的模糊性,提高了资源的利用率.     

粒子滤波在线非线性非高斯视频追踪中的应用

讨论了非线性非高斯假设条件下视频追踪的问题和时序蒙特卡罗技术的最新发展,尤其是粒子滤波算法的发展,使采用一个目标状态的集合对贝叶斯模型的后验分布进行建模和跟踪成为可能,这个集合可以看作是这个后验密度函数的采样集合.提出的算法考虑了衰减问题及重复采样,实验结果表明,该方法能清晰稳定地进行视频追踪.     

基于粒子滤波的仅有角测量的被动跟踪

基于粒子滤波,提出了仅有角测量无源被动跟踪的新解决方法．该方法采用“当前”统计模型,使用粒子滤波算法,融合了双站测量数据．在双站测量的被动跟踪试验中,仿真结果证实了该方法能有效跟踪高度机动的目标．     

基于Meanshift优化粒子滤波算法的低空平台下车辆跟踪

针对低空平台下运行车辆的特点, 提出一种基于Meanshift粒子优化的粒子滤波算法实现低空平台下的车辆跟踪. 该算法使用颜色表示目标, 通过Meanshift算法对粒子滤波进行迭代优化, 减少了稳健跟踪一个目标所需的粒子数, 提高了算法的运行效率, 在小目标和多目标的情况下也能稳健跟踪. 实验结果表明, 该算法具有较强的鲁棒性和稳定性, 能实现低空平台下目标车辆的快速跟踪.     

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.