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.     

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。     

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.     

箱粒子广义标签多伯努利滤波的目标跟踪算法

针对序列蒙特卡罗广义标签多伯努利滤波(SMC-GLMB)算法计算效率低、实时性差的问题,提出了箱粒子广义标签多伯努利滤波的目标跟踪(Box-GLMB)算法。该算法使用带标签的随机有限集描述多目标的状态,包括目标的位置和速度,并且对每个目标用互不相同的标签进行区分;然后利用箱粒子滤波算法近似单目标状态的概率密度,即用一组带权值的均匀分布拟合单目标状态概率密度;最后通过广义标签多伯努利滤波对多目标状态的概率密度进行预测与更新,从多目标状态后验概率密度中估计单目标的位置与速度,根据目标的标签可以实现航迹跟踪。BoxGLMB算法结合了箱粒子滤波与GLMB算法的优势,能够跟踪目标航迹,同时提高计算效率。仿真结果表明,Box-GLMB算法可以有效估计目标状态以及跟踪目标航迹,相比于SMC-GLMB算法,计算效率提升了62%。     

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。     

无线传感器网络下的粒子滤波分布式目标跟踪算法

针对无线传感器网络环境下的机动目标跟踪问题,提出了一种描述目标机动加速度的目标状态空间模型,以此模型为基础开发出基于粒子滤波的单目标和多目标跟踪算法.基本思想是:在状态空间中通过寻找一组传播的随机样本来获得近似后验概率分布,并以样本均值代替积分运算,从而求得最小状态方差估计.仿真结果表明,所提算法可以较好地解决无线传感器网络环境下的机动目标跟踪问题,速度跟踪精度、机动加速度跟踪精度均较经典分布式粒子滤波算法分别提高20%、27%.     

一种抑制背景干扰的粒子滤波人脸跟踪算法

首先从理论上推导出基于MMSE状态估计在背景干扰下的偏差,然后通过实验说明基于MAP状态估计存在的问题,在此基础上提出一种新的跟踪目标状态参数估计方法.即在视频目标跟踪过程中,按照粒子权值大小的准则,筛选适当数量具有较大权值的粒子进行目标状态估计.由于该算法利用了参考目标与候选目标相似度大的特性,所以可以有效地剔除背景以及伪目标的影响.实验结果表明,该算法具有很好的鲁棒性,并且提高了在背景干扰下目标跟踪的精度.     

基于颜色的粒子滤波非刚性目标实时跟踪算法

非刚性目标的跟踪与分析在计算机视觉领域引起了很多学者的关注.基于颜色的粒子滤波实时跟踪算法主要是利用视频图像的颜色直方图信息,综合考虑运动预测和帧间的相似性来确定目标的位置.提出一种改进粒子滤波算法并将其用于基于颜色的非刚性目标的实时跟踪问题中.仿真实验表明,本算法在保证跟踪准确度的同时,可以满足实时跟踪的要求.     

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.     

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。     

多传感器粒子滤波融合跟踪算法

对于非线性非高斯环境中的多传感器分布式状态估计问题,提出了一种基于二阶中心差分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,以在线自适应加权融合算法的方式得到系统最优估计.仿真结果表明,与采用扩展卡尔曼滤波的方法相比,该算法具有更高的估计精度.     

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.     

一种基于雷达和红外的粒子滤波融合跟踪方法

针对Kalman滤波不能处理雷达与红外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.该算法通过利用量测方程的非线性分析和粒子滤波器计算状态估计值,从而以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,同时减小了计算量.     

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。     

有界噪声条件下基于集员滤波的扩展目标跟踪方法

现有概率框架下的扩展目标跟踪方法需要已知系统量测噪声统计特性,然而在实际过程中量测噪声大多为边界已知而统计特性未知的有界噪声,其难以利用概率方法对扩展目标运动状态与形态进行计算。针对有界噪声条件下的扩展目标跟踪问题,提出一种基于集员滤波的扩展目标跟踪方法,该方法通过UBB椭球集合对量测噪声进行表示,并采用集员滤波对运动状态集合参数进行计算。在对扩展目标形态估计过程中,结合凸包计算几何理论中的Graham scan算法,求解包含目标形态最大误差的最小边界矩阵,最后利用仿射变换和偏移超曲面计算椭球Minkowski差的边界参数,从而对目标形态矩阵进行更新。仿真结果表明,在有界噪声条件下,相比于传统概率框架下的贝叶斯滤波方法,文中所提出的方法对目标运动和扩展形态的跟踪精度更高。     

基于自适应遗传算法的粒子滤波器

针对重采样导致的权值退化问题,应用遗传算法的进化思想来优化重采样算法,将粒子权值作为适应度值,合理设定阈值,利用最佳个体保存法保存高适应度粒子,利用自适应交叉、变异操作对低适应度粒子进行进化,将高适应度粒子与进化粒子组合成新的粒子集进行状态估计.仿真实验表明,该算法具有良好的实时性和估计精度,其状态估计精度比标准粒子滤波提高近24倍,比无迹卡尔曼粒子滤波提高近4倍,耗时约为无迹卡尔曼粒子滤波的1/10.     

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%.