一种基于Runge-Kutta积分的UKF跟踪算法

非线性滤波问题通常会面临过程方程和量测方程的双重非线性,利用传统的滤波算法进行处理时,离散化和线性化过程是导致滤波性能降低的根本原因.提出了一种基于Runge-Kutta积分的不敏Kalman滤波(UKF)算法,该算法能够直观、方便地对运动模型为连续非线性常微分方程组的跟踪问题进行处理,避免了复杂的Jacobi矩阵运算和离散化过程,使预测模型更加精确.以弹道目标跟踪为例进行了仿真实验,通过与传统UKF算法和扩展Kalman滤波(EKF)算法比较,结果表明该算法具有更好的性能.     

运动目标跟踪算法综述

随着视频监控技术的不断发展和视频监控系统的广泛应用,目标跟踪是近年来一个重要的研究课题,目标跟踪技术是监控系统中最重要、应用范围最广的技术之一,目标跟踪技术的实现依托于目标跟踪算法。运动目标跟踪算法具有广泛的研究价值和挑战性。本文对当前主流的运动目标跟踪算法:Kalman滤波算法、Mean Shift算法、粒子滤波算法等进行了研究,归纳总结了每种跟踪算法的优缺点、适用性和局限性,通过对跟踪算法的分析对运动目标跟踪技术的发展趋势进行了展望。     

基于Adams预估校正的UKF跟踪外推算法

不敏Kalman滤波(UKF)算法可以广泛用于各种目标运动的非线性估计中,传统的UKF滤波算法对于时间更新(即一步预测),一般采用对目标运动方程进行离散化或线性化处理,其结果不可避免地产生离散化误差,当目标运动非线性较强时,会导致跟踪误差增大,甚至无法给出正确的预测结果.文中提出的基于阿当姆斯(Adams)预估校正的UKF算法(即Admas-UKF),很好地解决了弹道目标过顶点的跟踪外推问题,仿真结果显示,与传统的UKF算法相比,此算法提高了跟踪外推精度,而计算时间远少于龙格库塔不敏Kalman滤波(Runge_Kutta-UKF)算法.     

视频图像中的快速人体运动目标跟踪算法研究

为了有效提升视频图像中人体运动目标跟踪的速度和准确性,提出一种基于改进CamShift算法和Kalman滤波器的快速运动目标跟踪算法。首先采用YCbCr颜色模型对典型CamShift跟踪算法的预处理过程进行改进,有效提高了人体运动目标检测的鲁棒性。然后通过结合Kalman滤波器实现运动目标的位置预测。仿真实验结果显示,相比其他基于CamShift的跟踪算法,提出的算法能够有效抑制噪声和背景的干扰,在目标跟踪的效果和准确性上均有一定的提高。     

人体运动目标检测与跟踪方法的研究与实现

通过摄像机拍摄到的一段视频,对其中运动的人进行检测与跟踪。在目标检测方面,获取运动行人图像序列,利用自适应背景提取方法得到背景,根据将目标与背景进行分离的分割阈值,对差分图像进行分割,提取运动区域,检测出人体运动目标;在目标跟踪方面,选用基于Kalman滤波的运动跟踪系统,通过估计出运动目标的下一位置,对运动目标进行实时跟踪。这里的实验是在Linux平台上利用Intel的开源OpenCV函数库建立起模型并实现算法。经过多次仿真测试表明,使用Kalman滤波可以很好地解决实验中两个人握手时运动目标间遮挡的问题,并跟踪运动目标,而且处理速度比较快,能够满足一般情况下的实时性要求。     

静态背景下的目标跟踪方法研究

采用了适合静态背景下的Kalman滤波算法,以目标的位置和速度为状态参数建立跟踪模型,并通过仿真结果验证了此算法可以稳定地对目标进行跟踪。     

基于视频的人体运动目标跟踪研究

现实生活中的背景一般比较复杂,基于颜色特征的Camshift目标跟踪在复杂情况下实现效果并不理想。文中提出采用基于边缘直方图Camshift结合优化的Kalman滤波来预测视频中行人目标下一个可能存在的位置,并利用OpenCV相关函数,跟踪丢失的几率降低。先对RGB图像进行边缘检测计算边缘直方图,得到搜索窗口质心位置,再用优化的Kalman滤波对运动目标窗口进行预测更新,将信息反馈重新确定下一帧窗口质心位置,以克服遮挡及噪声的干扰。实验表明,该算法能较好地对人体目标进行检测跟踪。     

稳健的单站无源目标跟踪算法研究

无源定位与跟踪系统中面临着可观测性弱、初始误差大的问题,因此寻找一种稳健快速的跟踪算法显得尤为关键。本文在对现有跟踪算法进行分析和比较的基础上,提出一种IUKF(Improved Unscented Kalman Filter)算法,它通过对传统的UKF算法进行修正,改善了对状态滤波值和协方差的估计。与现有算法(如EKF,UKF)相比,新算法不仅适应能力强、稳定性高,而且收敛速度快、跟踪误差小,是一种稳健的无源目标跟踪算法,数值仿真和试验结果表明了算法的正确性和有效性。     

基于变维卡尔曼滤波的塔康距离跟踪算法

为提高跟踪精度,在塔康系统距离测量中,可采用 Kalman 和α-β算法对距离测量值进行滤波。要确保处理精度,采用 Kalman 滤波器,状态变量取的会比较多,而α-β算法是一种常增益滤波器,会出现发散情况。针对两种滤波器的不足,提出了变维 Kalman 滤波的塔康距离跟踪算法,该算法建立距离测量的非机动模型和机动模型,通过距离滤波在机动和非机动两种模型间的自适应切换,完成塔康距离实时跟踪。应用 Monte Carlo 方法仿真表明：该算法可实现塔康距离的实时跟踪,而且距离测量准确度有了一定提高。     

嵌入Kalman滤波的Camshift人体跟踪研究

针对复杂背景下Camshift算法跟踪运动人体容易丢失目标的情况,提出了一种Kalman滤波和Camshift算法相结合的改进算法。Camshift算法利用颜色直方图做反向投影得到色彩的概率分布图,利用初始化的搜索窗口和位置并结合上一帧跟踪结果自适应调整跟踪窗口从而跟踪人体。采用Kalman滤波可以对运动人体进行估计以克服复杂背景下色彩的干扰,同时对Camshift的迭代结果进行校正。实验表明,本文方法在复杂背景下能更好地跟踪运动人体目标。     

基于迭代中心差分卡尔曼滤波的说话人跟踪方法

利用状态空间方法对说话人进行语音跟踪时,观测方程的非线性会影响说话人位置的估计精度。该文将迭代滤波理论与中心差分卡尔曼滤波技术相结合,提出迭代的中心差分卡尔曼滤波方法,并应用于说话人跟踪系统。仿真实验结果表明,该文所提出的方法减少了系统线性化误差,增强了滤波算法的鲁棒性,提高了说话人跟踪精度。     

采用Kalman_BP神经网络的视频序列多目标检测与跟踪

针对在复杂环境下多目标检测与跟踪实时性差和准确率低的问题,提出了一种基于神经网络修正均方误差估计的卡尔曼滤波跟踪方法,实现视频序列的多目标跟踪。在该方法中,首先通过帧间差分法准确提取出背景,并结合背景消减法实现多目标的检测,应用形态学滤波对检测结果进行优化;然后利用Kalman_BP神经网络预测滤波器对运动目标的位置进行预测。BP神经网络的引入,主要是降低由于模型变化以及噪声等引起的Kalman滤波器的估计误差,使Kalman滤波器的预测结果更加精准;最后,通过对不同的目标贴上标签,实现目标快速匹配,根据相邻帧间同一目标形心位置以及外接矩形的一致性,建立目标链,实现多目标跟踪。实验结果表明,该算法不仅能够快速稳定地对不同场景中的目标进行跟踪,而且能够统计目标数目和显示目标的运动轨迹,与粒子滤波等方法相比跟踪更加平稳,提高了跟踪的可靠性。     

自适应SICKF及在目标跟踪中的应用

针对容积卡尔曼滤波（CKF) 估计精度在系统状态或参数突变时下降的问题,结合均方根嵌入式容积卡尔曼滤波(SICKF)和强跟踪滤波(STF)思想,提出了一种自适应SICKF(ASICKF)方法。在SICKF获得高估计精度的同时引入STF条件,根据系统输出残差获得自适应渐消因子,将其引入系统输出协方差均方根阵和互协方差阵中对滤波增益进行实时修正,强迫系统输出残差序列始终正交,从而使SICKF算法具备强跟踪能力。为验证所提ASICKF算法性能,利用数值仿真将其应用于存在突变情况的目标跟踪问题中。仿真结果表明,ASICKF在系统状态突变时仍能保持较高的估计精度,算法稳定性和适应能力较好。     

测角目标定位的协方差矩阵旋转变换滤波算法

基于滤波量比预测量和测量量都准确这一原理,该文提出一种适用于只测角无源定位的非线性滤波算法——协方差矩阵旋转变换的推广Kalman滤波算法.文中推导了协方差矩阵变换的原理,给出了二维只测角无源定位应用的协方差矩阵旋转变换公式.仿真表明该算法比同类型的基于微分线性化和泛线性化的Kalman滤波算法具有更好的性能.     

多站无源跟踪边缘化卡尔曼滤波算法

多站无源跟踪量测方程非线性强,对跟踪算法的稳定性及精度提出了更高的要求。为实现稳定高精度跟踪,提出了新的基于边缘化卡尔曼滤波（MKF）的多机无源跟踪算法。该算法将非线性的量测方程表示为p阶Hermite多项式的加权和,将加权矩阵的先验分布建模为高斯过程,求得其后验分布后对其进行积分来消除加权矩阵的影响,最终可得对状态及其协方差矩阵估计的闭式解。以只测角跟踪为例对所提算法性能进行验证,仿真结果表明,相对于扩展卡尔曼滤波（EKF）算法、不敏卡尔曼滤波（UKF）算法及容积卡尔曼滤波（CKF）算法,所提算法具有更好的跟踪性能。      

一种基于自适应滤波的雷达目标跟踪算法

针对在复杂环境下基于卡尔曼滤波的雷达目标跟踪中存在的鲁棒性和自适应性较差的问题,研究了一种新的雷达目标自适应鲁棒跟踪算法;通过引入自适应渐消因子,对估计误差协方差和滤波增益矩阵进行在线自适应调整,从而使得滤波算法具备良好的鲁棒性和自适应性,提高雷达目标跟踪的精度。最后,通过仿真对所研究的方法进行了验证。     

基于后向平滑容积卡尔曼滤波的单站无源定位算法

单站无源定位跟踪是一个典型的非线性滤波问题,由于测量精度不高、初始误差较大等原因容易导致滤波算法定位精度低、收敛速度慢。本文将一种新型的滤波算法——容积卡尔曼滤波（cubature Kalman filter,CKF）应用于单站无源定位领域,并将后向平滑滤波思想与CKF算法相结合,提出了一种后向平滑容积卡尔曼滤波算法（backward-smoothing CKF,BSCKF）。该算法使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,并采用后向平滑值进行递归滤波,具有更优非线性估计性能。仿真实验表明,与EKF、UKF和CKF算法相比,BSCKF算法定位精度更高、收敛速度更快。      

基于粒子滤波的视频图像目标遮挡算法研究

基于粒子滤波的视频图像目标遮挡算法是当前的一个热门研究领域.在对于视频图像目标跟踪方面,综合运用了多种算法进行检测和跟踪,详细分析光流法、帧间差分法、背景差分法和视频图像目标特征的提取,并在最后对帧间差分的算法进行了改进.通过实验证明,采用基于粒子滤波的视频图像目标遮挡算法能够更加有效地解决对跟踪目标的准确判断.     

通信受限时传感器管理方法研究

在通信受限的情况下,如何进行传感器的管理以满足多目标的跟踪需求,优化完成跟踪任务.针对这一问题,对通信受限这种情形进行了描述,提出了数据获取概率的概念;利用扩展卡尔曼滤波和序贯卡尔曼滤波推出了序贯扩展卡尔曼滤波算法;结合信息论传感器管理方法和协方差控制传感器管理方法的优缺点提出了一种新的传感器分配准则.对比仿真实验表明,这种新的传感器管理方法能对传感器进行良好的管理,减小通信受限所带来的干扰;相比传统的传感器管理方法,传感器分配更为合理.     

Video object tracking using adaptive Kalman filter

In this paper, a new video moving object tracking method is proposed. In initialization, a moving object selected by the user is segmented and the dominant color is extracted from the segmented target. In tracking step, a motion model is constructed to set the system model of adaptive Kalman filter firstly. Then, the dominant color of the moving object in HSI color space will be used as feature to detect the moving object in the consecutive video frames. The detected result is fed back as the measurement of adaptive Kalman filter and the estimate parameters of adaptive Kalman filter are adjusted by occlusion ratio adaptively. The proposed method has the robust ability to track the moving object in the consecutive frames under some kinds of real-world complex situations such as the moving object disappearing totally or partially due to occlusion by other ones, fast moving object, changing lighting, changing the direction and orientation of the moving object, and changing the velocity of moving object suddenly. The proposed method is an efficient video object tracking algorithm.