正则化粒子滤波在水下目标跟踪中的应用

针对传统卡尔曼滤波(KF)及扩展卡尔曼滤波(EKF)在非线性目标跟踪模型中,跟踪精度较差的问题,本文给出了一种基于正则化粒子滤波(RPF)的水下目标跟踪算法。文中在一种模拟水下目标跟踪环境的非线性动态模型中对所提出的算法进行了仿真试验,并将其跟踪性能与扩展卡尔曼滤波和标准粒子滤波算法(PF)进行了比较。仿真结果表明,PF算法比EKF算法滤波精度更高,RPF的跟踪性能优于PF和RPF,而且随着粒子数的增加,PF和RPF的跟踪性能也不断提高。     

一种适用于非高斯杂波背景的DP-TBD算法

针对动态规划检测前跟踪(DP-TBD)算法在非高斯杂波背景、起伏目标条件下检测和跟踪性能差的问题,将粒子滤波引入动态规划的似然比阶段指标函数计算中,利用粒子权值的均值表征目标存在假设下的似然函数,导出似然比指标函数模型,进而给出了一种适用于非高斯杂波背景和起伏目标的最大似然DP-TBD算法。应用文中算法在对数-正态杂波、Swerling起伏模型条件下,对目标的检测跟踪性能进行了仿真,并与两种传统的DP-TBD算法进行比较,验证了该算法的有效性。     

基于无味粒子滤波的动态场景下高机动目标跟踪

针对传统粒子滤波的目标跟踪算法存在粒子退化问题,提出了基于无味粒子滤波(UPF)的目标跟踪算法。为了将当前观测信息融入,采用无味卡尔曼滤波(UKF)生成粒子滤波的提议分布,以改善滤波效果。针对目标在机动过程中引起的视觉形变以及背景的变化,又采用了颜色直方图作为目标的颜色分布模型,并与UPF相融合。仿真结果表明,该算法对动态场景下的高机动目标有较好的跟踪效果。     

机动目标DOA跟踪粒子滤波算法

针对标准粒子滤波算法在机动目标波达方向(direction of arrival, DOA)随时间快速变化导致跟踪精度下降、实时性变差及多目标跟踪误差大等不足的问题,本文提出了一种改进粒子滤波(particle filter, PF)算法。该算法依据阵列信号处理模型和匀速(constant velocity,CV)模型,建立了机动目标跟踪的状态方程和观测方程作为状态空间模型,并在此基础上,借鉴多重信号分类(multiple signal classification,MUSIC)算法谱函数修改了粒子滤波的似然函数,实现了对目标方位的实时动态跟踪。仿真结果表明,与传统子空间类跟踪算法和标准粒子滤波算法相比,本文方法跟踪精度更高,收敛速度更快,抗噪能力及鲁棒性更强,对轨迹交叉的多目标跟踪性能也更优。      

基于改进SFLA-PF算法的OFDM系统的目标跟踪

在OFDM通信系统中,为了解决非线性的目标跟踪问题,提出了基于改进混合蛙跳算法(SFLA)和粒子滤波算法(PF)相结合的方法来研究动态目标跟踪技术.首先利用高斯变异的局部搜索能力强和柯西变异的全局搜索能力强等优点对混合蛙跳算法进行改进,然后用改进后的混合蛙跳算法来优化粒子滤波算法进行动态跟踪,其优点不需要重采样步骤,有效地保持了粒子的多样性和有效性.仿真结果表明,该算法能够有效实现动态目标跟踪,并且跟踪效果优于同等条件下的混合蛙跳算法和粒子滤波算法.     

基于交互式伯努利滤波的机动目标TBD算法

低信噪比环境下,原始数据未知门限的机动目标跟踪是一个比较棘手的问题。提出了一种交互式多模型伯努利(IMM-Bernoulli)检测前跟踪(TBD)算法,该算法结合交互式多模型算法对滤波器中每个目标状态的采样粒子进行预测,利用伯努利滤波对目标粒子进行递归,粒子更新阶段结合TBD算法进行,最终实现目标存在概率及分布密度的更新估计。算法对粒子预测时采用多个模型参与转移预测,使得预测粒子更加接近目标真实运动状态,兼备了伯努利TBD算法和交互式多模算法的特点,可用于处理低信噪比环境下机动弱目标检测跟踪问题,且对目标状态的估计更加精准。仿真实验表明,该滤波器能够实时地估计出目标位置,比传统的伯努利TBD算法具有更好的滤波性能。     

基于粒子滤波与样本加权的压缩跟踪算法

该文针对压缩跟踪算法无法适应目标尺度的变化以及没有考虑样本权重的问题,提出一种基于粒子滤波与样本加权的压缩跟踪算法。首先,对压缩特征进行改进,提取归一化矩形特征用于构建目标表观模型。然后,引入样本加权的思想,根据正样本与目标之间距离的不同赋予正样本不同的权重,提高分类器的分类精度。最后,在粒子滤波的框架下融合尺度不变压缩特征进行动态状态估计,在粒子预测阶段利用2阶自回归模型对粒子状态进行估计与预测,借助观测模型对粒子状态进行更新,并且对粒子进行重采样以防止粒子退化。实验结果表明,相比于原始压缩跟踪算法,改进算法能够更好地跟踪目标尺度的变化,提高跟踪的稳定性和准确性。     

移动机器人的动态目标实时检测与跟踪

通过移动机器人的视觉系统可以实现动态目标的 检测与跟踪。提出一种基于改进的高斯混合模型(GMM)的 实时动态目标检测算法,算法引入分块思想,在模型更新过程中动态调整GMM分布数目和学 习率,通过改进匹配准则来减小误检率(FPR)和漏检率(FNR) 。在目标检测的基础上,采用一种融合均值偏移(MS:Mean Shift)和粒子滤波(FP:Particl e Filter)的算法对 目标实时跟踪,在利用MS算法获得的最优候选区域周围散布采样粒子,根 据偏移向量的大小自适应调节粒子数目,不仅具有较快的收敛速度,且对遮挡具有较好的鲁 棒性。实验结 果表明,将两种改进后的算法应用于移动机器人的视觉系统中,能够对动态场景中的动态目 标实时检测与跟踪,较传统算法在实时性和精确性上均获得一定提高。     

多模型粒子滤波在机动目标跟踪中的应用

针对在非线性机动目标跟踪中存在的滤波器易发散,跟踪误差大等问题,在双机协同跟踪的基础上,提出了利用交互式多模型粒子滤波(IMMPF)对空中机动目标进行跟踪的算法。该算法将粒子滤波和交互多模型有效结合,基本解决了非线性机动目标跟踪中存在的问题。通过仿真表明,与扩展卡尔曼滤波(EKF)和交互式模型扩展卡尔曼滤波(IMMEKF)相比,IMMPF能够降低跟踪误差,提高收敛速度,且有很强的鲁棒性。     

一种基于模型选择的PF-TBD算法

在目前的基于粒子滤波检测前跟踪(PF-TBD)算法中,对粒子的预测通常是根据单一直线运动模型实现的,在目标机动时由于与运动形式相差较大,影响了跟踪效果。为此,提出一种基于模型选择的粒子滤波检测前跟踪(MM-PF-TBD)算法。该算法由已估计出的目标位置,计算相对偏转角,并以此判定目标当前的运动模式,进而选择相应的运动模型对下一时刻的粒子进行预测,显著提高了对粒子预测的精度。理论分析和仿真实验表明,文中所提算法适用于目标不同的运动形式,有效提高了目标机动时的检测和跟踪性能。     

基于ATUKF的地面动目标跟踪算法

地面动目标运动速度较小,且运动模型随着道路实时变化,在远距离前提下机载雷达如何对地面动目标进行精确跟踪已成为亟待解决的难题。针对该问题,文中提出了一种自适应转弯无迹滤波算法。首先,通过推导目标位置、速度与转弯率的关系,并将其作为状态变量进行自适应更新,提高了跟踪模型准确性;其次,引入无迹变换的思想,有效减小非线性估计误差。仿真实验表明,所提算法的位置和速度均方根误差均小于传统的Singer和交互式多模型算法,为地面动目标精确跟踪提供了一种新的思路。     

一种Camshift优化的粒子滤波跟踪算法

针对传统粒子滤波目标跟踪算法中用先验转移概率作分布函数时计算量大、粒子退化严重且未考虑最新观察信息等缺点,提出了一种Camshift优化的粒子滤波跟踪算法.算法首先在粒子滤波框架下,利用Camshift算法使粒子向目标状态的最大后验核密度估计方向移动.然后针对目标所处环境的不同,提出了适时调整参与Camshift算法优化的粒子数的方法,既考虑了跟踪算法的效率又考虑了粒子的多样性.跟踪结果表明,该算法的跟踪性能明显优于传统的粒子滤波算法,具有很好的实时性和鲁棒性.     

复杂地面场景下的红外运动目标跟踪

复杂地面场景下的红外目标易受背景影响并经常出现遮挡情况,难以简单地依靠亮度或梯度信息检测并跟踪目标。根据复杂背景下红外运动目标与背景的速度场差异,提出了利用光流对目标进行跟踪的算法。首先对图像进行配准,保证在随动跟踪时背景的相对静止;然后在目标的跟踪波门内计算改进的Horn-Schunck 光流;最后根据目标的光流特征,优化粒子滤波算法中粒子的转移概率,实现对目标的稳健跟踪。实验结果表明,该跟踪算法能对复杂地面场景下的红外运动目标持续跟踪,并不受目标被短时遮挡的影响。     

改进的多特征融合粒子滤波视频跟踪算法

视频运动目标的跟踪是一个典型的非线性、非高斯问题,粒子滤波是一个解决非线性、非高斯问题的主流方法,粒子滤波技术具有非线性等特性,在目标跟踪过程中得到了广泛的应用。传统粒子滤波跟踪算法的退化现象严重,经过几次迭代递推,权重方差随着时间推移而增大,为解决该问题引入均值漂移算法,调整初始粒子分布,使粒子集中于邻近的局部极大值区域内,以减少退化现象的发生。并且将颜色特征和边缘特征融合在粒子滤波跟踪算法中,在传统算法基础上提出改进,加入优化机制,使粒子的权值分布更加接近实际情况。实验结果表明了该算法的有效性。     

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.     

Direction‐Based Modified Particle Filter for Vehicle Tracking

This research proposes a modified particle filter to increase the accuracy of vehicle tracking in a noisy and occluded medium. In our proposed method for vehicle tracking, the direction angle of a target vehicle is calculated. The angular difference between the motion direction of the target vehicle and each particle of the particle filter is observed. Particles are filtered and weighted depending on their angular distance to the motion direction. Those particles moving in a direction similar to that of the target vehicle are assigned larger weights; this, in turn, increases their probability in a given likelihood function (part of the process of estimation of a target's state parameters). The proposed method is compared against a condensation algorithm. Our results show that the proposed method improves the stability of a particle filter tracker and decreases the particle consumption.     

结合粒子滤波的判别尺度空间目标跟踪算法

为了解决目前跟踪算法在运动目标被遮挡和尺度变换时跟踪效果不佳的问题,提出了一种结合粒子滤波的判别尺度空间跟踪算法。提取相邻两帧的目标区域,计算目标区域的结构相似性并与更新阈值进行比较,从而判断目标是否发生遮挡;其次,若发生遮挡,启用基于颜色分布的粒子滤波算法跟踪目标,反之,用判别尺度空间跟踪算法(DSST)中的位置滤波器确定目标位置;最后,利用尺度滤波器确定目标尺度并根据目标尺度更新粒子滤波的目标模型。经过在OTB2015测试集上进行实验,与判别尺度空间跟踪算法(DSST)、核相关滤波算法(KCF)等主流算法相比该算法的精确度和成功率均有所提高,尤其在发生遮挡后的跟踪效果表现最优。     

优化的多模型粒子滤波机动微弱目标检测前跟踪方法

在机动微弱目标的检测和跟踪方面,当前主要研究方法之一是多模型粒子滤波检测前跟踪（MMPF-TBD）,该方法以尽可能多的运动模型去匹配目标的机动,符合运动模型精细化研究方向,但存在模型数目与类别较多,模型之间转移计算复杂和有效模型使用效率低等问题。本文从多个运动模型结构上的相似性出发,提出一种优化的多模型粒子滤波检测前跟踪方法,通过粒子机动加速度的变化,在一个模型框架下模拟出类似MMPF TBD中的多种机动模型,简化了算法结构;在该方法实现过程中,采用辅助粒子滤波提高状态估计精度。仿真实验表明该方法相比MMPF-TBD具有更稳定的检测和跟踪性能以及在低信噪比环境中更好的适用性。