基于K-均值聚类的改进粒子滤波跟踪算法

针对粒子滤波算法因计算量过大带来的实时性问题,文中提出一种基于K-means聚类的粒子滤波目标跟踪算法。该算法利用K-means算法对重采样后的粒子进行聚类以达到进一步寻优的目的,这样可以得到更为有效的粒子集,从而大大减小计算的复杂度。通过与基于传统粒子滤波算法的实验数据的分析表明提出的算法可以有效地减小计算量,改善粒子滤波算法的实时性问题。同时,相比于传统粒子滤波目标跟踪算法,改进算法的鲁棒性也有所提高。     

一种基于QMC-APF的检测前跟踪算法

针对粒子滤波检测前跟踪算法中存在的粒子数目大,导致计算量和存储量大的问题,提出了一种基于拟蒙特卡罗的辅助粒子滤波检测前跟踪算法。该算法通过引入拟蒙特卡罗思想,产生低差异序列代替原来算法中的伪随机序列,使得粒子分布更加均匀,可以有效降低粒子数;采用辅助粒子滤波算法,对粒子进行两次加权操作。实验仿真表明,在对雷达弱目标进行检测与跟踪的过程中,该算法能够在保证算法性能的同时减少算法中的粒子数目,有效降低计算量和存储量。     

基于辅助粒子滤波的机动弱目标 TBD算法

为了解决低信噪比条件下的机动目标检测跟踪问题,研究了辅助粒子滤波与多模粒子滤波（ MMPF）相结合的检测前跟踪（ APF-MMPF）算法。将多模粒子滤波过程中包含目标存在变量及运动模式变量的预测粒子直接用于产生辅助变量,进行辅助粒子滤波过程实现对机动目标的检测跟踪。通过APF-MMPF算法与单纯MMPF算法的仿真结果对比可见,APF-MMPF算法的检测概率高、跟踪误差小,检测跟踪性能优于MMPF算法。由算法机理和仿真结果可见,由于APF-MMPF算法中粒子采样利用了当前量测信息,可有效提高对机动目标的检测跟踪性能。     

基于辅助粒子滤波的机动弱目标TBD算法

为了解决低信噪比条件下的机动目标检测跟踪问题,研究了辅助粒子滤波与多模粒子滤波(MMPF)相结合的检测前跟踪(APF-MMPF)算法。将多模粒子滤波过程中包含目标存在变量及运动模式变量的预测粒子直接用于产生辅助变量,进行辅助粒子滤波过程实现对机动目标的检测跟踪。通过APF-MMPF算法与单纯MMPF算法的仿真结果对比可见,APF-MMPF算法的检测概率高、跟踪误差小,检测跟踪性能优于MMPF算法。由算法机理和仿真结果可见,由于APF-MMPF算法中粒子采样利用了当前量测信息,可有效提高对机动目标的检测跟踪性能。     

基于分层采样粒子滤波的麦克风阵列说话人跟踪方法

针对噪声与混响环境下的说话人跟踪问题,本文提出了一种基于粒子滤波的麦克风阵列声源定位与跟踪方法.该方法在粒子滤波框架下,将无混响影响的语音建立信号作为观测信息,通过计算麦克风阵列波束形成器的输出能量来构建似然函数,同时考虑语音信号不同频率成分在声源定位中的作用,利用分层采样方法提高粒子的采样效率.实验结果表明,本文方法提高了说话人声源跟踪系统的抗噪声与抗混响能力.     

改进粒子滤波算法在深空红外小目标跟踪中的应用

非负矩阵分解具有较好的特征提取性能,广泛应用于数据融合领域,而粒子滤波则是一种处理非线性和非高斯动态系统状态估计的有效方法.该文结合两种算法的优点,提出了一种基于改进粒子滤波的红外小目标跟踪算法.利用NMF融合当前与之前的粒子分布权重,减小经典粒子滤波退化发散带来的精度误差.避免了目标遮挡及暂时消失带来的跟踪错误.仿真实验证明本文算法相对于经典粒子滤波,具有更好的跟踪精度和稳定性.     

基于粒子滤波和均值平移的目标跟踪

提出一种粒子滤波和均值平移相结合的跟踪算法,其中均值平移起主导作用,当其失效时会产生少量的粒子进一步搜索,确定目标位置以减少误差.与传统的粒子滤波相比,这种方法只需少量的粒子覆盖可能的目标分布,大大减少了计算量.     

基于高斯粒子滤波的机载GMTI雷达跟踪

在使用机载雷达对地面目标进行跟踪过程中,常规粒子滤波算法时间复杂度高,误差性能改善幅度不明显。在状态向量服从高斯分布的条件下,将高斯粒子滤波算法应用到机载GMTI雷达非线性滤波过程中。该方法可以根据状态向量的二阶统计量抽取粒子,粒子权值不需要递推计算。相对于常规粒子滤波算法,降低了时间复杂度,并且能够在一定程度上提高误差性能。仿真结果证明了该方法的有效性。     

IMM迭代扩展卡尔曼粒子滤波跟踪算法

该文提出了一种交互式多模型(IMM)迭代扩展卡尔曼粒子滤波机动目标跟踪算法。该算法在多模型中使用了改进的粒子滤波器,通过对迭代扩展卡尔曼滤波(IEKF)的测量更新按照高斯牛顿方法进行修正,减小了非线性滤波带来的线性化误差,然后利用修正的IEKF来产生粒子滤波的重要性密度函数,使其融入最新观测信息。最后将所提算法与交互式多模型粒子滤波(IMMPF)进行了比较,仿真结果表明该算法具有更好的跟踪性能。     

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.