RM?PTV中选取候选粒子的形心DT网格方法

为提高松弛迭代粒子追踪测速法(RM-PTV)提取瞬态流场的便捷性,提出了一种形心Delaunay三角剖分(DT)方法,并用其代替固定阈值法来选取与目标粒子预匹配的候选粒子,以降低RM-PTV对待测流场特性的依赖。通过对典型流型的自定义及标准人工粒子流场图像的匹配计算进行全面、有效地验证表明:形心DT网格可有效、便捷地选取候选粒子,保证RM-PTV得到准确的匹配结果,兼顾匹配准确率和效率,省去流场速度的预先估计,减小算法对流场及具体粒子分布情况的依赖,使RM-PTV更独立,应用更方便。     

利用沃罗诺伊划分的粒子追踪测速算法及其在大速度梯度流场中的应用

为了克服传统粒子追踪测速(PTV)算法在应对大速度梯度流场时的不足以及预设参数过多的问题,基于沃罗诺伊划分(Voronoi Diagram)技术,给出了适用于二维及三维复杂流场重构的PTV算法。二维算法利用沃罗诺伊划分将粒子群落转化为多边形网格,然后通过比较多边形特征曲线的相似性来实现前后帧粒子之间的匹配;三维算法则是利用沃罗诺伊划分的对偶技术德劳内(Delaunay)网格,将三维空间中的离散粒子群联结为互不重叠的四面体集合,然后引入一种特殊的四面体投票机制,从而将前后帧四面体匹配信息转化为最终的粒子匹配结果。这两种新算法结构简洁,且预设参数均不超过两个,因此拥有较高的用户友好度。通过人工流场的检测,初步表明新的二维算法拥有令人满意的准确率。最后,通过真实的二维脉冲流及三维尾迹流对新算法进行测试,结果表明,在简单设置控制参数的前提下,两种新算法均能准确地重构包含较大速度梯度的流场,具有良好的实用性。     

风成沙波纹的离散粒子追踪法模拟

基于所提出的离散粒子追踪法对风成沙波纹的发展过程实现了计算机模拟. 与现有模拟沙波纹的方法不同的是, 该方法同时考虑了与真实沙波纹形成相关的3个主要因素, 即不同粒径的众多沙粒在沙床上方所形成的风沙流、风沙流中沙粒对沙床的碰撞以及碰撞后沙粒的反弹或溅起、沙粒在床面上方的跃移和在床面的蠕移. 由该方法能够成功模拟出与真实沙波纹基本一致的形成过程、几何形状和特征、分层迭片结构和移动速度以及沙波纹出现和消失的临界摩阻风速.     

一种改进的螺旋边三角剖分算法

提出了一种改进的螺旋边三角剖分算法.本算法引用“自然邻近点集”的概念,以螺旋边三角剖分算法的边界环为基础向外生长三角形,以包围盒算法搜索边界点的邻近点集,估计边界点的法向量,将边界点及其邻近点集投影到切平面上并进行局部二维Delaunay三角剖分,从而确定边界点的自然邻近点集,最后将自然邻近点集以适当的方式添加到边界环上.这样,既避免了拼接问题又能搜索到自然邻近点集,三角剖分后的网格基本上接近最优Delaunay网格.实验结果表明,本算法能高效、稳定地重构出散乱数据点的三角网格.     

Delaunay三角剖分在线算法

本文提出一个构造平面有限点集Ｄｅｌａｕｎａｙ三角剖分的实时算法，并给出算法正确性的 严格的征明．该算法是文献［１］所预示的一个好算法．     

激光散斑和粒子像测速中的并行光学处理方法

介绍了全息透镜阵列对双曝光散斑图或双曝光粒子像进行并行光学处理的方法。该方法可以数十倍地减少二维移动台的机械运动次数,大大减少处理时间。     

用粒子图像测速法研究边条涡的性质

在风洞中应用粒子图像测速法对边条机翼模型产生的边条涡的各种特性进行了实验研究。实验主要测量了各种攻角下边条后缘、基本翼的1/2平均气动弦、立尾前缘及立尾后缘四个位置与机身轴线垂直的截面内的流场,同时利用二维谱分析的方法对测得的二维速度场进行分析得出边条涡的能量谱。实验结果表明边条涡强度随攻角呈平方关系增长,边条涡的破碎形态为单螺旋破碎。     

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.     

基于改进粒子滤波的声图像多目标跟踪方法

摘要：
针对利用声图像实现水下多目标跟踪问题,提出一种改进的粒子滤波多目标跟踪算法.通过引入联合概率数据关联算法,建立了联合概率数据关联 粒子滤波算法模型,使粒子权值中得以反映量测与目标轨迹间的关联概率,有效保证了各目标跟踪轨迹的连续性.采用了包含距离及角度的双重跟踪门得到确定矩阵,使跟踪精度得以提高.补充了轨迹起始及轨迹终结方法,以对跟踪过程进行完善.最后,通过水下多目标跟踪试验,对比分析了不同数据关联算法的试验结果,验证了所提方法的有效性,为基于前视声纳的多目标跟踪提供了一种更为有效的方式. 关键词：
联合概率数据关联; 粒子滤波; 目标跟踪; 前视声纳 中图分类号： TP 39
文献标志码： A     

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.      

无线层析网络中基于粒子滤波的时变多目标跟踪

研究将粒子滤波（PF）理论应用于无线层析网络中的时变多目标跟踪（MTT）.传统的基于无线层析成像（RTI）的时变多目标跟踪方法存在延迟问题,即与真实的时变目标数目相比,估计所得时变目标数目存在滞后,并且跟踪精度较低.基于PF的时变多目标跟踪方法利用维度可变的粒子来估计目标数目,实现目标跟踪.该方法不存在延迟问题,并且能提高目标的跟踪性能.研究通过在一个9.5 m×9.5 m的监测区域内进行实验来验证该算法的有效性.实验结果表明基于RTI的时变多目标跟踪方法的最佳子模式分配（OSPA）误差为0.485 m,而基于PF的时变多目标跟踪方法的OSPA误差为0.362 m,其性能比基于RTI的方法提高了25%.      

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．     

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.