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.     

基于优化组合重采样的粒子滤波算法

重采样过程的引入,消除了粒子滤波(PF)过程中的粒子匮乏现象,使PF方法迅速地在多个领域内得到应用,但重采样过程却削弱了粒子的多样性,从而导致滤波性能下降,甚至滤波发散.提出了一种基于优化组合的重采样方法,通过选取粒子和被抛弃粒子的适当线性组合而产生新的粒子,增加了粒子多样性,从而提高PF算法的精度.仿真结果表明,步长系数为零时,该算法等价于基本的PF算法;步长系数很大时,该算法不能收敛;在适当选择步长系数的情况下,该算法的滤波性能高于基本的PF算法.介绍了该重采样算法,仿真结果证明了该算法的有效性.     

量测不确定下基于粒子权重优化的粒子滤波算法

为有效评价量测不确定下的粒子权重,提出了一种基于粒子权重优化的粒子滤波算法.首先,通过置信距离和置信矩阵的构建及求解实现粒子间蕴含的冗余和互补信息的充分提取,给出了一种度量粒子间相互支持程度的一致性权重,并利用权重平衡因子实现代价评估粒子滤波中粒子权重和一致性权重的优化组合,进而实现粒子权重的合理优化.新算法既充分利用了当前时刻粒子集中的信息,又避免了量测噪声先验统计信息的偏差的不利影响,从而提升了粒子权重度量结果稳定性和可靠性.理论分析和仿真实验验证了所提算法的有效性.     

基于重要性排序蒙特卡洛粒子滤波的物体跟踪算法

研究复杂背景下的物体跟踪方法. 提出一种用于物体跟踪的重要性排序马氏链蒙特卡洛粒子滤波算法. 算法利用少量加权初始粒子得到后验概率分布的初步估计,并通过重要性排序马氏链蒙特卡洛采样技术从该初步估计抽取新的粒子,以构建对应不同模态的多条独立马氏链,从而充分逼近真实后验概率分布的多模态. 所提出的算法自适应地根据当前模态分布构建多条独立马氏链,因此能够在多模态的复杂场景下准确估计目标状态的后验概率分布;同时,在构建马氏链的过程中,算法采用重要性排序策略确定历史样本被选为状态转移核的似然度,提高了小权重样本被选中的可能性,降低了在马氏链构建过程中陷入局部最优的概率. 仿真实验以及真实视频上所进行的实验显示,所提出的方法能够实现准确稳定的物体跟踪,且效果优于标准粒子滤波算法以及马氏链蒙特卡洛粒子滤波算法.      

基于BB-BC的粒子滤波算法研究

粒子滤波是目前解决非线性、非高斯系统问题的主流方法,为克服粒子退化对粒子滤波性能的影响,提出了一种基于大爆炸-大坍塌(BB-BC)优化算法的智能化粒子滤波算法。将大爆炸-大坍塌优化算法应用于重采样,以迭代机制设计解决粒子退化问题。仿真结果表明,该算法与标准粒子滤波算法相比计算简单,滤波效果优于标准粒子滤波算法。     

辅助粒子滤波算法及仿真举例

粒子滤波算法是近年来提出的一种较新的算法.通常的粒子滤波利用采样重要性重抽样算法,该算法选用先验分布,但它易受外部观测量的影响,因而会导致权值变化较大,并且引起较高的蒙特卡罗方差以致会使滤波性能较差.为此,本文引入一个辅助变量,利用一种新的使用二次加权操作的粒子滤波算法--辅助粒子滤波算法来对采样重要性重抽样算法进行改进.最后,通过两个仿真实例一维非线性追踪模型和二维纯方位目标追踪模型,进一步分析指出辅助粒子滤波算法比采样重要性重抽样算法更有效.     

基于粒子滤波的微地震信号去噪方法

针对微地震信号非高斯、非线性且信号能量较弱等问题,提出一种基于粒子滤波的微地震信号去噪方法。通过建立微地震信号的状态方程,提取原始信号的背景噪声,将其与状态方程之和作为观测方程,联立状态方程与观测方程建立状态空间模型,并通过重要性采样和重采样近似估计后验概率密度,从而求解去噪后的微地震信号,提高微地震信号的去噪效果。在模拟微地震资料和真实微地震资料中的应用表明,与传统去噪方法相比,该方法处理效果更好,去除噪声同时保留有效信号,信噪比得到有效提高,因此具有良好的应用前景。     

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KHM的多层采样粒子滤波算法

文章通过多层采样方式,将样本空间划分为多个部分,集中采样点到使概率密度函数值大的地方,大大减小了采样误差;在重采样阶段嵌入KHM聚类算法,通过将空间特征与权重分布近似的粒子进行聚类,降低总的样本数,提高了计算效率。样本经聚类处理后,在保持粒子状态后验分布的几何特征的同时,状态空间中的粒子数明显降低,计算效率显著提高。     

基于权值优化的粒子滤波算法研究

为解决粒子滤波算法中存在的权值退化和实时性差的问题,提出了一种改进的权值优化组合粒子滤波算法(impWOPF),该算法通过对粒子权值设定门限Thershold,剔除权重小于Thershold的粒子,减少不必要的粒子运算,然后对小于粒子群权值均值的粒子进行权值优化组合,以增大小权值粒子的权值,保持了粒子多样性,提高了算法的实时性。仿真结果表明,该算法能够在保证估计精度的同时,有效降低重采样过程中的计算量,有利于实时信号的处理。     

一种基于粒子滤波的双模态语音提取方法

说话入的唇动信息有助于加强对语音的感知.根据说话人语音的双模态特性,将振动信息引入语音提取问题,提出了一种基于粒子滤波的贝叶斯融合架构的双模态语音提取方法.该方法融合说话人的语音和唇动信息,根据信息论中的最大互信息准则与盲源分离中的高阶统计量准则.将音视频互信息与语音峭度的乘积作为代价函数,利用粒子滤波估计混合矩阵.解决时变瞬时混合情况下的语音提取问题.仿真结果表明.该方法在低信噪比情况下仍然能够实现语音信号的有效提取.     

一种高精度自适应粒子滤波算法

针对非线性非高斯系统的状态估计问题,提出一种新的高精度自适应粒子滤波算法.该算法采用有限差分扩展卡尔曼滤波器产生优选的建议分布函数,融入最新量测信息,有效克服了粒子退化问题;考虑到预测误差对粒子采样效率的影响,引入系统估计和预测提供的新息差值,通过新息差值在线自适应调整采样粒子数,较好地保证了粒子采样的高效性.理论分析...     

彩色图像目标轮廓提取算法研究

提出了一种新的彩色图像的边缘提取方法：首先选取信道相关性最低的lαβ彩色空间,在此空间中采用基于小波变换的图像边缘检测方法进行了边缘点检测,并进行了阈值的有效确定;然后利用改进的GVF Snake模型CGVF（Color Gradient Vector Flow）Snake模型进行目标初始轮廓线的自动设置,通过极少次的逼近,得到彩色图像的目标边缘.实验结果表明,本方法提高了边缘检测的准确性,同时可以成功检测出彩色图像的目标轮廓.     

嵌入粒子滤波中的AdaBoost跟踪器

为了在复杂背景、部分遮挡和光照变化等因素干扰的情况下鲁棒地跟踪视频序列中感兴趣的运动目标,提出了一种新的将分类器融合到跟踪器中的算法。该算法将级联的AdaBoost分类器中每个弱分类器、每层强分类器集成到粒子滤波的观测模型中。同时,结合Fisher线性判别函数在线地选择有鉴别能力的弱分类器用于更好地估计跟踪目标的状态。在不同场景和不同目标的跟踪实验中,提出的算法准确地跟踪到感兴趣的目标。实验结果表明:该算法可以有效地克服复杂背景、部分遮挡和光照变化等因素的干扰,同时可以跟踪目标的快速尺度变化和深度旋转。     

嵌入粒子滤波中的AdaBoost跟踪器

为了在复杂背景、部分遮挡和光照变化等因素干扰的情况下鲁棒地跟踪视频序列中感兴趣的运动目标,提出一种新的将分类器融合到跟踪器中的算法。该算法将级联的AdaBoost分类器中每个弱分类器、每层强分类器集成到粒子滤波的观测模型中。同时,结合Fisher线性判别函数在线地选择有鉴别能力的弱分类器用于更好地估计跟踪目标的状态。在不同场景和不同目标的跟踪实验中,提出的算法准确地跟踪到感兴趣的目标。实验结果表明:该算法可以有效地克服复杂背景、部分遮挡和光照变化等因素的干扰,同时可以跟踪目标的快速尺度变化和深度旋转。     

Vector bundle constraint for particle swarm optimization and its application to active contour modeling

Active contour modeling (ACM) has been shown to be a powerful method in object boundary extraction. In this paper, a new ACM based on vector bundle constraint for particle swarm optimization (VBCPSO-ACM) is proposed. Different from the traditional particle swarm optimization (PSO), in the process of velocity update, a vector bundle is predefined for each particle and velocity update of the particle is restricted to its bundle. Applying this idea to ACM, control points on the contour are treated as particles in PSO and the evolution of the contour is driven by the particles. Meanwhile, global searching is shifted to local searching in ACM by decreasing the number of neighbors and inertia. In addition, the addition and deletion of particles on the active contour make this new model possible for representing the real boundaries more precisely. The proposed VBCPSO-ACM can avoid self-intersection during contour evolving and also extract inhomogeneous boundaries. The simulation results proved its great performance in performing contour extraction.     

Vector bundle constraint for particle swarm optimization and its application to active contour modeling

Active contour modeling (ACM) has been shown to be a powerful method in object boundary extraction. In this paper, a new ACM based on vector bundle constraint for particle swarm optimization (VBCPSO-ACM) is proposed. Different from the traditional particle swarm optimization (PSO), in the process of velocity update, a vector bundle is predefined for each particle and velocity update of the particle is restricted to its bundle. Applying this idea to ACM, control points on the contour are treated as particles in PSO and the evolution of the contour is driven by the particles. Meanwhile, global searching is shifted to local searching in ACM by decreasing the number of neighbors and inertia. In addition, the addition and deletion of particles on the active contour make this new model possible for representing the real boundaries more precisely. The proposed VBCPSO-ACM can avoid self-intersection during contour evolving and also extract inhomogeneous boundaries. The simulation results proved its great performance in performing contour extraction.     

参数轮廓模型的目标跟踪

为了减少背景噪声和不相干边缘的影响,提出了一种基于方向能量的边缘选择方法,根据边缘检测的结果和由前一帧跟踪结果得到的预测轮廓构造能量函数,通过最小化能量函数进行轮廓跟踪,由于能量函数包含了预测轮廓和目标边缘信息,使得在跟踪目标轮廓变化的同时,又能保持目标形状的稳定性。实验表明:提出的跟踪方法可以在复杂背景下准确跟踪目标轮廓。     

粒子滤波在锂离子电池剩余寿命预测中的应用

为有效预测锂离子电池剩余寿命,引入了粒子滤波算法.对粒子滤波的基本概念和算法实现步骤进行介绍,在给出锂离子电池寿命统计数据的基础上,应用粒子滤波算法计算其剩余寿命,解决了锂离子电池剩余寿命预测的问题.对相同的锂离子电池统计数据,利用扩展卡尔曼滤波方法计算进行对比实验.分析结果表明:粒子滤波算法比扩展卡尔曼滤波算法可靠,能较好地预测出锂离子电池的剩余寿命,误差小于5％.     

基于MPSO粒子滤波的单通道扰信盲分离算法

针对单通道接收情况下通信信号与干扰盲分离的难题,提出了一种基于变异粒子群优化粒子滤波的单通道扰信盲分离新算法。首先建立了受扰通信信号的状态空间模型,并利用变异粒子群重采样粒子滤波进行通信码元和未知参数的联合最大后验估计,有效改善了标准粒子滤波中存在的粒子退化现象,在减少所需粒子数量的同时,又保持了序贯估计过程中粒子集合的多样性和优质性,使新算法在干信比较大时也能保持较好的分离性能。仿真实验表明,对单音干扰,在干信比等于30 dB,信噪比大于15 dB的条件下,新算法可以有效地从单路接收的受扰信号中分离出通信信号与干扰。