星型结构的多目标粒子群算法求解多模态多目标问题

首先,根据多目标粒子群算法中的粒子结构信息,利用非支配解集构造粒子个体邻域之间的拓扑结构,提出星型结构的多目标粒子群算法用于求解多模态多目标问题。其次,针对多目标粒子群中全局最优个体选择困难,提出一种非支配解集分布均匀程度的评价方法,评价结果用于确定当前粒子对应的全局最优个体。最后,结合2种方法提出带均匀计算方法的星型拓扑结构多目标粒子群优化算法STMOPSONCMIU。通过测试函数分析算法的收敛性,表明改进的算法比原来的算法收敛速度快。实验结果表明,该算法可以较好地兼顾问题的目标空间和决策空间的分布,有效解决多模态多目标问题。     

利用视觉显著性和粒子滤波的运动目标跟踪

针对运动目标跟踪问题,提出一种利用视觉显著性和粒子滤波的目标跟踪算法.借鉴人类视觉注意机制的研究成果,根据目标的颜色、亮度和运动等特征形成目标的视觉显著性特征,与目标的颜色分布模型一起作为目标的特征表示模型,利用粒子滤波进行目标跟踪.该算法能够克服利用单一颜色特征所带来的跟踪不稳定问题,并能有效解决由于目标形变、光照变化以及目标和背景颜色分布相似而产生的跟踪困难问题,具有较强的鲁棒性.在多个视频序列中进行实验,并给出相应的实验结果和分析.实验结果表明,该算法用于实现运动目标跟踪是正确有效的.     

基于概率假设密度的多目标视频跟踪算法

研究目标数变化的多目标视频跟踪问题.首先阐述了概率假设密度(PHD)滤波的基本原理;然后给出序列图像多目标跟踪系统的运动目标检测算法、状态方程、观测方程以及基于高斯混合概率假设密度(GM-PHD)的多目标视频跟踪算法的具体实现.该算法有效解决了新目标出现、目标合并、目标分裂及目标消失等多目标跟踪问题.实验结果表明,该算法在复杂场景下具有较强的鲁棒性,能有效实现目标数变化的多目标视频跟踪.     

一种基于多样性优化的视频目标跟踪方法

针对粒子滤波算法在视频目标跟踪过程中出现的粒子退化问题,提出一种新的基于多样性优化的粒子滤波跟踪算法。融入基于莱维飞行机制的布谷鸟搜索优化算法,扩大了搜索范围,充分保留了有效粒子的数量和粒子的多样性。在MATLAB 7.0运行环境下进行仿真实验,将该算法与原始粒子滤波算法及基于粒子群优化的粒子滤波改进算法进行状态估计实验对比以及运动目标跟踪实验对比。实验结果表明:该算法具有良好的运行效果,改善了粒子退化与匮乏现象,对视频运动目标可获得较理想的跟踪精度及良好实时性和鲁棒性。     

运动像机下基于粒子滤波的多目标跟踪算法

针对摄像机运动情况下的多目标跟踪问题,提出了基于粒子滤波的跟踪算法.在粒子滤波算法基础上,将二阶自回归过程作为系统状态转移模型,HSV颜色直方图作为观测模型,对视频中多个目标的位置、大小进行跟踪.实验结果表明,该算法能实时正确地跟踪多个目标,并对局部遮挡有较好的鲁棒性,也能在目标短暂消失导致跟踪失败后,在目标重新出现后及时捕获并继续进行跟踪.     

用于机动目标跟踪的多模型高斯混合概率假设密度滤波器

提出一种多模型高斯混合概率假设密度(PHD)滤波器的实现方法.该算法使用多模型方法对高斯混合PHD滤波器中存在目标对应的高斯分量进行预测及更新,使用融合估计后的估计值描述机动目标PHD分布的高斯分量.该算法具有PHD滤波器和多模型方法的优点,可以用来处理目标数未知时的机动目标跟踪问题.该算法与单模型高斯混合PHD滤波器相比,可提高滤波器对目标发生机动时的跟踪精度;与已有的多模型PHD滤波器相比,节省计算时间30％以上.     

基于自适应遗传PHD滤波的多群目标跟踪方法

针对标准的概率假设密度（PHD）滤波算法在杂波环境下对群目标跟踪误差较大的问题,提出一种基于自适应遗传PHD滤波的多群目标跟踪方法。该方法在PHD粒子滤波的基础上,利用选择概率减少了新生粒子的数量。为了有效抽取交叉粒子,在时间更新阶段引入当前量测与群目标间的马氏距离。为了提高预测粒子的鲁棒性,推导出自适应交叉与变异操作方案。仿真实验表明,所提出的方法能有效跟踪杂波环境下的多群目标,具有目标总数估计稳定、运动状态估计准确的特点。     

改进粒子滤波算法在目标跟踪中的应用

针对粒子滤波算法的粒子匮乏现象和计算量大的问题,提出了一种改进粒子滤波算法.该算法利用径向基神经网络的最佳逼近特性,提高先验概率密度估计精度,消除噪声引起的估计误差,利用支撑向量回归法实现较少粒子的高精度跟踪.将该算法应用到目标跟踪技术中,仿真结果表明该算法的精度和稳定性优于粒子滤波和无迹粒子滤波,可实现实时鲁棒跟踪.视频目标的跟踪试验也表明该算法对有遮挡现象的跟踪问题跟踪效果明显,具有广泛的应用价值.     

非线性粒子滤波目标跟踪应用仿真

针对非线性环境中存在的机动目标跟踪问题,对基于贝叶斯估计的粒子滤波器进行研究,为解决混合退火粒子滤波重要密度函数构造的问题,在混合退火粒子滤波的基础上,通过对系统状态和观测粒子方差的研究,提出了非线性环境下动态退火参数粒子滤波的改进算法,在混合退火粒子滤波中引入动态退火参数来构造高效的重要密度函数,提高了混合退火粒子滤波的跟踪精度,应用该滤波方法对机动目标模型进行仿真,并对多种滤波跟踪算法进行性能测试和比较,仿真实验结果表明,在非线性环境下该粒子滤波方法可行有效.     

结合粒子滤波与Mean shift的高速运动目标跟踪

Mean shift跟踪算法能够有效跟踪视频序列中的各种运动目标,但是该算法无法准确地跟踪视频中高速运动目标.通过分析mean shift算法的原理,指出mean shift对高速运动目标跟踪失效的原因,提出一种基于mean shift的粒子滤波跟踪的新算法.通过实验比较,该算法能改善了Mean shift算法对高速运动目标的效果,并且在存在干扰目标的情况下具备良好的跟踪效果.     

Rao-Blackwellized粒子势均衡多目标多伯努利滤波器

由于多伯努利滤波器直接近似递推了多目标状态的后验概率密度,使得多目标跟踪问题在基于随机有限集理论框架下的求解及目标状态的估计显得更为直观.本文针对一个状态可分解(线性/非线性)的状态空间模型,分析基于Rao-Blackwell定理的滤波估计方法,结合噪声的去相关构造线性状态的滤波方程.文中详细推导并提出Rao-Blackwellized粒子势均衡多目标多伯努利滤波器的一般实现形式,包括给出多伯努利非线性状态粒子滤波的实现形式,并结合非线性滤波结果给出多伯努利线性状态的递推滤波公式.本文提出的滤波器实现方法能够在更低维的状态空间上进行采样,滤波器的整体跟踪性能得到提高.多目标跟踪的仿真实验结果验证了该算法的有效性.     

基于核函数粒子滤波和多特征自适应融合的目标跟踪

经典粒子滤波及其改进算法在观测模型与真实情况存在偏差时会导致滤波发散,针对这一问题,提出一种核函数粒子滤波算法.该算法根据目标状态与粒子状态之间的距离,利用核函数产生权值对粒子进行二次加权,根据粒子的二次加权结果进行粒子重采样;以改进的粒子滤波算法为框架,提出了一种自适应多特征融合目标跟踪方法,利用相似性度量动态地评价特征对目标与背景的区分能力,并自适应地计算特征融合权重,以适应目标跟踪过程中目标与背景的变化,提高目标跟踪的鲁棒性.实验结果表明,文中提出的目标跟踪方法比经典粒子滤波目标跟踪方法具有更强的抗干扰性能和较高的跟踪精度.     

基于GPU加速的粒子滤波多说话人跟踪算法及其应用

为了解决粒子滤波多说话人跟踪过程中粒子易发散导致多目标跟踪精度低的问题,提出了并行粒子滤波和基于GPU的K-均值聚类的多声源定位方法。该方法首先分析了粒子滤波在实现多目标跟踪时,进行数据关联的过程产生较大的计算量,并且出现多个目标时,粒子会逐渐发散。针对计算量大和粒子发散的问题,提出了一种并行粒子滤波和K-均值聚类的方法。实验表明,随着粒子数和目标数的增加,计算量以指数增加,并且粒子发散严重,采用基于GPU的K-均值聚类方法的粒子滤波多说话人跟踪方法,相比传统粒子滤波跟踪方法具有更收敛的粒子集并且跟踪精度较高。     

免聚类粒子PHD滤波多目标状态提取方法

概率假设密度粒子滤波（P-PHD）以粒子集形式反映目标的状态信息,是一种有效的多目标跟踪方法,其关键步骤是从粒子集中准确提取多目标状态信息。提出一种免聚类概率假设密度粒子滤波多目标状态提取方法,通过分解P-PHD迭代更新过程,筛选疑似真实目标量测类别,并重新分配粒子集,根据新粒子集直接提取目标状态,可避免粒子中心聚类和粒子峰值提取过程。仿真结果表明该方法具有较高状态提取精度。     

划分交互式箱粒子概率假设密度滤波法

针对现有的多机动目标追踪问题,将交互式多模型(interacting multiple model,IMM)思想与箱粒子概率假设密度滤波器(box probability hypothesis density filter,Box-PHD)相结合,并针对箱粒子在区间密集杂波等复杂环境下箱体偏大,所导致的箱粒子冗余和目标跟踪位置估计不精确等问题,引入箱粒子划分技术,提出一种划分交互式概率假设密度滤波(partitioned interacting multiple model probability hypothesis density filter,PIMM-Box-PHD)算法,来处理椭圆形多机动目标的跟踪问题。该算法首先在预测阶段针对多目标的机动问题引入IMM预测,利用多模型交互方法来解决目标运动时模型失配问题;其次,利用箱划分技术将预测得到的箱粒子划分为大小和权值相同的多个子箱,以提高目标位置估计精度;最后,利用Box-PHD滤波对划分后的小箱粒子集进行区间量测更新。利用实验验证了PIMM-Box-PHD算法在多机动目标跟踪方面的良好性能,以及相较于IMM-Box-PHD算法在目标位置估计方面的优势。     

利用多特征混沌粒子滤波的视觉目标跟踪方法

随着摄像终端的增多以及自动视频分析需求量的增大,针对视频序列中存在突然运动、遮挡、运动模糊等干扰因素时传统视觉目标跟踪方法很难获得鲁棒性高、精确稳定的目标跟踪的问题,提出了利用多特征混沌粒子滤波的视觉目标跟踪方法。首先,基于非线性动力学预测进行混沌建模,利用混沌映射的梯度优化函数来搜索状态空间以找到参考轨迹;然后设计了一种用于视觉跟踪的混沌粒子滤波器,并改进运动表观模型,引入颜色、纹理和深度的特征完善滤波器的性能;最后,将多特征混沌粒子滤波器与其他视觉目标跟踪方法应用于VOT17和TB 数据集进行对比分析,以论证该方法的准确性。结果表明,提出的多特征混沌粒子滤波方法显著减少了粒子数量、搜索空间和滤波器发散,其精度高出其他方法约10%,在突然运动、遮挡和运动模糊等情况下整体性能优于其他几种对比方法。     

球粒子滤波视频跟踪算法

粒子退化现象是制约粒子滤波器性能的一个重要因素。为提高粒子采样质量和视频跟踪算法的精度,文中提出球粒子滤波视觉跟踪算法。将球状采样方式引入到粒子更新过程中较好地保证状态空间中粒子的有效性。与传统粒子滤波算法相比,这种采样方式能利用少量粒子实现分布多样性的同时,有效克服粒子退化现象。小球迭代运动可使粒子集朝较大后验概率分布区域移动。球粒子滤波算法不依赖系统状态模型特性可理想实现运动状态不规则的机动目标跟踪。实验结果表明,该算法有效提高粒子利用率,具有较好的跟踪精度。     

一种基于改进粒子滤波的多目标跟踪算法

针对复杂背景环境下的多目标跟踪问题,论述了主要的数据关联技术,将目标检测算法与粒子滤波相结合,利用颜色直方图作为观测模型,并利用全领域(GNN)算法进行数据关联.提出一种改进的基于粒子滤波的多目标跟踪算法,实现了视频场景中的多个目标跟踪.该算法对于目标在场景中的频繁出现和消失、相似外表、交叉运动和短暂遮挡等均有较好的处理效果.     

基于粒子滤波的欠驱动移动机器人多目标点跟踪控制

针对欠驱动移动机器人的多目标点跟踪问题,提出了一种基于粒子滤波的高精度跟踪控制方法;具体地,在考虑移动机器人采样噪声的情况下,首先利用粒子滤波对移动机器人的位置信息进行处理,得到精准可靠的移动机器人状态信息;在此基础上,根据欠驱动移动机器人的运动学模型以及目标点的分布状况,设计基于反馈控制的多目标点跟踪控制方法;相对于传统的欠驱动移动机器人目标点跟踪控制算法,改进了该控制方法中增益参数的约束条件,有效避免了移动机器人在接近目标点时产生的奇异现象,有效提高了移动机器人对目标点的跟踪精度;此外,分析了该目标点跟踪控制系统的稳定性,并通过数值仿真验证了所提方法的可行性与有效性.     

基于B样条曲线的GHPF轮廓跟踪算法

针对视觉跟踪中粒子滤波算法的建议性分布函数选择问题,提出一种目标轮廓跟踪的高斯厄米特粒子滤波算法(GHPF).该算法采用B样条曲线描述目标轮廓,建立目标运动模型.利用高斯厄米特滤波器产生建议性分布函数,通过实时融入最新的观测数据来逼近系统状态的后验概率,提高了滤波估计的精度.实验仿真结果验证了所提算法的有效性.