平方根滤波及其在目标跟踪方面的应用

在主流非线性滤波算法中,诸如扩展卡尔曼滤波和Unscented卡尔曼滤波都包含状态协方差矩阵的传递,这在滤波器更新步骤经常引起协方差矩阵失去正定,从而引发滤波器失效.平方根滤波可以降低这种数值误差的影响.基于协方差更新的Joseph形式,给出一种更简洁的平方根扩展卡尔曼滤波算法.同时将此滤波器和平方根Unscented卡尔曼滤波器应用于再进入飞行器的目标跟踪问题,仿真结果表明这种应用是有效的.     

采用粒子滤波和模糊聚类法的非线性多目标跟踪

提出一种新的非线性多目标跟踪方法,用模糊聚类算法实现数据关联,采用粒子滤波实现对各目标的独立跟踪．首先利用最大熵模糊聚类对目标和观测数据进行关联,采用模糊隶属度重建多目标滤波中的联合关联概率矩阵．然后利用粒子滤波适于处理非线性问题的特点,通过联合关联信息,采用粒子滤波独立对各目标进行滤波,实现对目标状态的更新．最后,将该算法应用于多传感器多目标纯方位角跟踪．仿真结果表明,相比于联合概率数据关联算法及MEF-JPDAF,新算法具有更高的跟踪精度．     

基于多模型信息滤波器的故障容错目标跟踪

对具有传感器随机故障的多传感器系统,提出一种故障容错的目标跟踪算法。利用多模型方法建立传感器量测故障模型,将Unscented变换(UT)嵌入信息滤波器框架,建立多模型信息滤波器。通过多模型方法在线估计量测模型概率,利用概率加权组合分别得到传感器的信息贡献,通过多传感器融合提高目标跟踪精度和传感器故障识别概率。仿真结果表明,本文算法能有效提高目标跟踪精度。     

基于多特征融合的粒子滤波自适应目标跟踪算法

为解决用单一特征无法保持在复杂环境下跟踪的鲁棒性以及粒子数量增多导致的算法效率低下的问题,选择多个特征融合的策略来保证跟踪的持续稳定,并自适应地调整每个特征的权值来适应环境的变化;为提高算法的实时性,采用自适应的粒子数量。实验结果表明:本文算法有效地解决了目标旋转、目标遮挡以及背景混淆等诸多问题,具有较高的鲁棒性。     

可控核函数的双边滤波算法

为了在滤波时保留更多的图像边缘特征,同时避免现有双边滤波需要人工预设滤波参数的不足,提出了一种参数局部自适应取值的可控核双边滤波算法。构建了适合结构张量和目标尺度描述的可控核函数,并通过结构张量控制可控核函数的方向角和长短轴比例。由目标尺度计算可控核函数的短轴尺度,解决了可控核函数的参数取值问题。使可控核函数投影在图像平滑区域为大尺度圆形,在图像边缘区域为沿边缘方向的细长椭圆形,在角点区域为小尺度圆形。仿真试验结果表明:自适应参数取值的可控核双边滤波在有效滤除噪声的同时能够保留更多的边缘特征,无论是主观评价还是客观评价,本文算法都优于传统双边滤波、对数核函数双边滤波以及改进的双边滤波算法。     

基于遗传算法和粒子滤波器的非刚性目标跟踪

基于目标颜色特征,将遗传算法和粒子滤波器相结合进行非刚性目标的实时跟 踪：一般情况下,采用遗传算法跟踪目标,以最优个体作为目标状态;当发生较严重遮挡时,最优个体不一定是目标的真实状态,利用粒子滤波器的思想,以各个体的加权平均作为跟踪结果来克服遮挡影响.实验结果表明该混合算法具有较强的鲁棒性,能有效实现复杂场景下的目标跟踪.     

基于遗传算法和粒子滤波器的非刚性目标跟踪

基于目标颜色特征，将遗传算法和粒子滤波器相结合进行非刚性目标的实时跟踪：一般情况下，采用遗传算法跟踪目标，以最优个体作为目标状态；当发生较严重遮挡时，最优个体不一定是目标的真实状态，利用粒子滤波器的思想，以各个体的加权平均作为跟踪结果来克服遮挡影响。实验结果表明该混合算法具有较强的鲁棒性，能有效实现复杂场景下的目标跟踪。     

基于迭代sigma点粒子滤波的再入目标跟踪

标准粒子滤波提议分布选择时,由于没有计入最近的观测值信息,重要性权的方差随时间递增,导致权值蜕化。针对这一问题提出了一种新的滤波算法,迭代sigma点粒子滤波算法。该算法在预测时采用sigma点粒子滤波产生拟合概率密度函数的加权粒子,并通过观测值对加权粒子进行更新;修正过程采用迭代卡尔曼滤波优化预测阶段得到的描述状态分布的均值和方差。将其运用于再入大气层目标的跟踪模型,仿真结果表明:与标准粒子滤波相比,该算法能保证滤波收敛,具有更高的估计精度和更好的鲁棒性。     

采用拟蒙特卡罗法的被动多传感器目标跟踪

使用拟蒙特卡罗采样方法替代传统的蒙特卡罗采样方法,改善了高斯粒子滤波器的性能,结合多传感器集中式融合策略,提出了一种基于拟蒙特卡罗-高斯粒子滤波器的被动多传感器目标跟踪算法,较好地解决了被动跟踪中的强非线性和弱可观测性问题．该算法在降低计算复杂度的同时提高了跟踪的精度和稳定性,使算法快速收敛,并且具有并行结构,有利于用超大规模集成电路来实现．     

多特征融合的相关滤波红外单目标跟踪算法

针对红外单目标跟踪问题,提出一种多特征的相关滤波目标跟踪算法。该算法融合了图像的卷积特征和差分特征,使用卷积特征和差分特征分别训练相关滤波模型。在跟踪阶段,对两种特征的相关滤波模型得到的响应图动态融合,利用动态融合的响应图来确定目标的最终位置,使用得到的目标位置分别更新相关滤波模型。在林雪平热红外数据集上进行了实验验证,与一些经典的跟踪算法进行了对比,表明该算法拥有更高的跟踪准确率。     

自适应上下文感知的目标追踪方法

针对相关滤波方法容易受到背景干扰导致跟踪漂移的问题,提出自适应上下文感知图像跟踪方法. 为了减少背景干扰,选取离目标位置远的高响应区域为自适应上下文区域,赋予该区域自适应的低响应值. 根据上下文区域与目标区域响应的相对差值,给上下文区域自适应的惩罚因子,使得该算法具有更好的鲁棒性. 该算法在OTB2013、OTB2015及Temple-Color128标准数据集上都展现了优秀的跟踪性能,OTB2015的重叠率精度达到61.53%,超过大部分已有的优秀算法,特别是在背景混叠及部分遮挡的情况下有着更卓越的表现. 该算法的平均跟踪速度为24.5帧/s,实时性较好.     

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。     

基于多特征组合的协方差目标跟踪方法

基于多特征组合的协方差矩阵表征目标的方法,研究用协方差矩阵来描述跟踪的感兴趣区域(ROI),从而提出基于速度预测和前景的协方差目标跟踪方法.因为积分图方法可以加快协方差的计算速度,在提出的协方差跟踪方法中使用了积分图快速算法,进一步提高算法的效率.结合目标速度的预测和前景提取缩小搜索范围,加快了匹配速度,使所提出的协方差目标跟踪方法能更进一步提高跟踪效率和准确性.通过背景强干扰、光照变化和相同颜色遮挡情况下的目标跟踪实验,结果表明基于速度预测和前景的协方差的跟踪方法在复杂场景下跟踪的准确性很高,跟踪的鲁棒性和快速性有明显提高.     

基于粒子滤波的改进算法

通过将粒子滤波算法与无迹卡尔曼滤波算法相结合,提出一种用于解决非线性、非高斯系统估计的改良粒子滤波算法.该算法在经典粒子滤波的基础上,利用无迹卡尔曼滤波生成更能够逼近真实后验概率分布的重要函数.实验结果表明,这种算法在预测结果收敛性能方面明显优于标准粒子滤波、广义卡尔曼滤波和无迹卡尔曼滤波等现有的非线性滤波器.     

一种基于多特征融合的视频目标跟踪方法

针对复杂场景下多特征跟踪算法适应性不强的问题,提出一种多特征有效融合和更新的目标跟踪方法.该方法首先在粒子滤波框架下采用加权融合的方式对目标进行多特征观测和相似性度量,通过分析粒子的空间集中度和权值分布建立一种有效的融合系数计算方法,使融合结果更加准确可靠.然后选取可信度高的特征检测遮挡,并动态调整目标模型的更新速度,以降低算法受目标变化和部分遮挡的影响.实验证明该方法对复杂的跟踪场景具有更强的鲁棒性,并适用于目标被遮挡时的跟踪.     

新遗传粒子滤波的红外弱小目标跟踪与检测

针对传统粒子滤波器的粒子退化和贫乏问题,提出基于进化思想的新遗传粒子滤波算法．将算术相加,快速Metropolis-Hastings移动作为遗传算法的交叉和变异算子,与赌轮选择一起作为粒子滤波重采样的一类方法．将新遗传粒子滤波用于红外弱小目标的跟踪与检测,利用目标的幅度特性和运动特性,进行多帧图像滤波输出的似然比假设检验,来判断目标是否存在．仿真实验结果表明,基于快速Metropolis-Hastings 变异的遗传重采样方法可以快速提高粒子的多样性,避免粒子退化;所提出的检测方法在虚警率为10^-3,信噪比为2.0时,检测概率可以达到98.5％,检测性能明显优于传统重采样粒子滤波算法．     

一种集群智能粒子滤波算法

将集群智能思想引入粒子滤波,提出一种新颖的基于人工鱼群算法的粒子滤波器.该算法利用人工鱼群算法中觅食行为和聚群行为的交替,使得先验粒子不断向高似然域移动,从而改善粒子分布,提高估计精度．此外,利用Kullback信息描述聚群行为产生的粒子分布与似然分布的差别,通过迭代发现Kullback信息是递减的,从而证明该算法是合理的．仿真实验证明,这种算法是一种有效的粒子滤波算法,其滤波性能优于扩展卡尔曼滤波和常规粒子滤波．     

基于序列Monte Carlo方法的运动目标跟踪

针对移动机器人中的非线性非高斯特性,提出用粒子滤波的方法对运动目标进行跟踪,研究在贝叶斯框架下进行目标跟踪的原理,分析粒子滤波算法及存在的问题.应用这种方法,针对移动机器人的实际情况,建立了具体的系统模型和测量模型,比较不同的重采样算法,实现了对运动目标的跟踪任务.仿真结果表明,粒子滤波对于非线性非高斯的动态系统有良好的估计效果,在3种常用的重采样算法中,残差重采样的准确性稍高,分层重采样的计算比较简单,而多项式重采样是一种基本的重采样算法.     

基于强跟踪卡尔曼滤波的电池SOC估计

针对锂电池模型不准确和状态突变导致SOC估计精度不佳的问题,提出了引入时变渐消因子的强跟踪卡尔曼滤波算法.以HPPC试验方法辨识了锂电池的等效二阶RC模型,对比分析了现有的扩展卡尔曼滤波原理及提出的强跟踪卡尔曼滤波算法.通过结合强跟踪原理和卡尔曼滤波算法并引入时变渐消因子,提出的方法能够强制估计残差保持正交特性,并保证残差满足高斯白噪声特性.仿真验证表明,与扩展卡尔曼滤波原理相比,在模型不准确和状态突变的情况下,强跟踪卡尔曼滤波算法具有更高的估计精度,估计误差低于2.5%,提高了近45%.     

多方法融合的粒子滤波算法的神经丝自动跟踪

神经丝蛋白质是医学中研究肌萎缩侧索硬化症病情进展的标志物.为了能精确捕获某种神经丝蛋白质在神经鞘中的活动特性,引入了一种多方法融合的粒子滤波算法跟踪神经丝蛋白质的运动.该算法汲取颜色直方图法、核函数法及图模法等的优点,融合粒子滤波算法,实现自动跟踪神经丝蛋白质.此外,为了解决粒子滤波中样本贫化,即在粒子滤波计算中很大一部分粒子重叠到一个单独的点上的情况,需要重采样计算解决此问题.但在重采样过程中,容易造成一些粒子丢失各向异性而导致跟踪精度降低,甚至跟踪目标失败,故结合粒子滤波算法提出了一种改进重采样约束方法.实验结果表明,基于改进重采样法及多方法融合的粒子滤波算法较传统算法能有效地减少样本贫化问题,并且可以高精度地跟踪移动、变形的神经丝蛋白质,为医学中神经丝蛋白质研究提供了新支撑方法.