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.     

基于分布式无味边缘粒子滤波的同步定位与地图构建

针对复杂环境下同步定位与地图构建(SLAM)中分布式粒子滤波算法存在计算量大、粒子退化严重的问题,在分布式算法的基础上结合无味粒子滤波和边缘化算法,提出了一种基于分布式无味边缘粒子滤波的算法.该算法依据分布式思想将系统分解为多个仅包含部分状态量的子系统,各子系统均采用无味粒子滤波算法进行状态估计,通过边缘化算法优化无味粒子滤波算法的边缘分布函数,主滤波器融合各子滤波器的数据计算最终结果,克服了滤波精度低、计算复杂度高的问题.最后,通过仿真试验证明改进的分布式边缘粒子滤波算法能够抑制粒子退化现象,具有较好的实时性和滤波精度,是解决SLAM的新的有效方法.     

自适应新生目标强度PHD滤波改进SMC实现

提出了一种改进的自适应新生目标强度的概率假设密度(PHD)滤波算法.首先,对归一化因子进行了分析,在此基础上,提出了一种改进滤波策略,有效解决了归一化失衡问题;其次,在量测点附近通过无迹变换(UT)产生样本点,然后再采用粒子群(PSO)算法寻找最优点,从而得到新生目标概率密度函数的近似估计;最后,在序列蒙特卡罗(SMC)框架下对算法进行了实现.采用一种回溯策略,通过记录新生目标的状态和数目,修正存活目标的估计数目和相关航迹,进而得到每个目标的完整航迹.仿真结果表明:改进算法可以有效跟踪多个机动目标的状态和数目,滤波精度较高,具有较好的工程应用前景.     

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.     

基于箱粒子滤波的扩展目标伯努利跟踪算法

针对复杂环境下,扩展目标跟踪量测存在漏检以及量测不精确、模糊的问题,引入区间分析技术,提出了一种基于箱粒子滤波的扩展目标伯努利滤波算法.算法首先采用伯努利随机有限集和泊松随机有限集分别描述扩展目标的状态和观测,然后将箱粒子滤波应用到扩展目标伯努利滤波算法,推导了适用于不确定量测的扩展目标伪似然函数和状态更新方程,并用伯努利箱粒子滤波递推地对扩展目标的状态进行估计跟踪.仿真实验表明:与扩展目标伯努利粒子滤波算法相比,所提算法在保证扩展目标跟踪性能的同时,有效减少了算法的计算时间.     

机器人定位中稳健的自适应粒子滤波算法

为了提高粒子滤波算法在机器人定位中的性能,在基本粒子滤波算法的基础上,引入概率回退的方法对机器人的初始状态进行估计,采用窗口滤波更新粒子集合,根据对机器人位置估计的情况动态更新粒子集合的大小,得到一种改进的粒子滤波算法——稳健的自适应粒子滤波算法。仿真结果表明:该算法充分利用了对机器人位置估计的有效信息,在显著提高算法稳健性的同时,降低了运算复杂度,较好地解决了机器人定位这一非线性非Gauss状态在线估计问题。     

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.     

高斯混合粒子滤波器在静基座捷联惯导系统初始对准中的应用

为解决传统粒子滤波算法中影响状态估计性能的采样枯竭问题,提出一种高斯混合粒子滤波(GMPF)算法,基于Sigma点卡尔曼滤波(SPKF)和粒子滤波的特点,采用加权EM算法取代传统粒子滤波的再采样过程,减弱了采样枯竭的影响,增强了算法的估计性能.对捷联惯导系统静基座大方位失准角初始对准的仿真结果表明,该算法的估计精度优于扩展卡尔曼滤波.     

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.     

基于交互式多模型扩展维特比容积卡尔曼滤波机场场面运动目标跟踪

根据先进场面运动引导控制系统(advanced surface movement guidance and control system,A-SMGCS)的监视要求,提出一种基于交互式多模型扩展维特比算法(interactive multi-model extended viterbi algorithm,IMMEV)与容积卡尔曼滤波(CKF)相结合的目标跟踪算法,以实现机场场面目标的跟踪。根据机场场面运动目标的运动建立相应的运动模型集,采用交互式多模型算法(IMM)实现目标跟踪;模型集中过多的模型会导致运算复杂性增加,且不能真实反映目标的运动,采用扩展维特比(extended viterbi,EV)算法对IMM进行优化,简化模型集;容积卡尔曼滤波器(cubature Kalman filter,CKF)较传统的滤波算法具有更高的滤波精度和稳定性,将其与IMMEV相结合形成IMMEV-CKF跟踪算法。为了验证所提出的IMMEV-CKF对场面运动目标跟踪性能,仿真研究IMMEV-CKF算法、IMM-UKF和当前统计模型对同一目标的跟踪。仿真结果表明,IMMEVCKF在跟踪精度性能方面要优于IMM-UKF和改进后的当前统计模型。因此,IMMEV-CKF更能满足机场场面运动目标跟踪要求。     

不完全量测下的Cubature卡尔曼滤波方法

提出了一种不完全量测下的Cubature卡尔曼滤波方法,该方法在Cubature卡尔曼滤波算法的基础上,建立了量测滞后下的状态空间模型,利用采样点状态扩维的方法对状态估计值进行更新,并给出了不完全量测下的Cubature卡尔曼滤波算法的实现流程。仿真实验表明,不完全量测下的Cubature卡尔曼滤波方法可以用于处理量测信息采样时间和延时时间都不确定的情况,在处理不完全量测下的高维强非线性系统状态估计时计算量小,具有较高的估计精度。     

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.     

云层背景下粒子滤波目标跟踪方法研究

对粒子滤波理论及其实现方法进行了研究.通过模拟实验验证了其优于卡尔曼跟踪的性能,并结合基于双正交小波的边缘形心提取方法和粒子滤波跟踪方法,构建了其跟踪框架.通过粒子数和系统状态转移方程的恰当选择,实现了云层背景下对背景简单的点目标和存在遮挡和旋转变化情况下的大目标进行跟踪.最后通过实验分析了粒子数目和状态方程的选取对跟踪精度的影响.实验证明,结合鲁棒性的小波检测方法和具有"多峰"描述的粒子滤波算法构造成的跟踪器,在运动目标存在局部遮挡和旋转变化等情况下能够实现稳定的目标跟踪.     

一种适于非线性非高斯目标跟踪的MRIMMPF算法

为解决粒子滤波应用到IMM算法时计算量过大的问题,融合交互式多模型和粒子滤波,提出了一种采用多速率方法的交互式多模型粒子滤波(multirate interacting multiple model particle filter,MRIMMPF)算法.该算法采用多模型结构来跟踪任意机动的目标;使用一种3模型、one-third速率/全速率跟踪算法,一个one-third速率模型处理非机动或微弱机动,2个全速率模型用于机动模式,以处理非线性、非高斯问题.仿真结果表明,MRIMMPF算法在性能上并不低于交互多模型粒子滤波(IMMPF)算法,但是计算量明显减小.     

联合Mean-shift与粒子滤波器的实时视频目标跟踪算法及实现

粒子滤波器由于摆脱了高斯分布的约束条件,已经成为一种主流的、面向目标的非线性运动跟踪算法,广泛应用于视频压缩与检索、智能视频监控、智能人机交互等领域,其缺点是计算复杂度高、计算量庞大,无法满足实时应用的需求。针对粒子滤波器在计算量、实时性及粒子退化方面存在的问题,提出了将Mean-shift算法嵌入粒子滤波器,对重要性采样分布进行优化,以较少的采样粒子实现视频目标跟踪。仿真实验结果显示,联合Mean-shift的粒子滤波算法在目标跟踪过程中具有较好的实时性与鲁棒性。     

基于平方根迭代UPF滤波的无源定位算法研究

无源定位是基本的导航问题之一,是机动目标跟踪问题研究的基础。针对固定辐射源的无源定位问题,常见的标准粒子滤波器存在收敛速度慢的缺陷,设计了一种基于平方根迭代的UPF滤波器,采用平方根迭代UKF算法作为提议函数,改进了传统PF算法,给出了一种SRUPF算法的设计方案。以一个典型的二维平面无源定位问题对算法进行仿真,仿真结果表明平方根迭代UPF滤波器和标准粒子滤波器相比,具有更高的估计精度,同时较一般UPF滤波器具有更好的数值鲁棒性和更快的收敛速度。     

粒子滤波算法重采样门限值研究

目标跟踪算法的目的是对目标进行跟踪,跟踪滤波算法的好坏直接决定了能否及时地跟踪上目标。在粒子滤波算法中,重采样是很重要的一步,很多介绍粒子滤波的文献都提到了在重采样前设置一个采样门限,以此来判断在粒子滤波算法中是否进行重采样。采用实际仿真的方法研究了采样门限取值对跟踪效果包括跟踪时间以及跟踪精度的影响,采用了最经典常用的跟踪模型进行了仿真研究。