基于FOE和改进MCMC的视频运动目标跟踪方法

改进的马尔可夫链蒙特卡洛MCMC(Markov Chain Monte Carlo)粒子滤波跟踪算法可以实现稳定跟踪多目标的目的。但在运动场景下,常常出现跟丢或者误跟的情况。考虑到相机聚焦中心FOE(Focus Of Expansion)在估计摄像头运动方面有不可替代的作用,首先通过构建FOE与目标在视频中位置的一个简单估计模型,估计目标的位置,再通过FOE与MCMC的结合,改善了目标丢失和抖动的现象,达到更加准确估计目标的目的。实验表明该方法对摄像头前后平移运动有比较理想的效果。     

基于广义标签多伯努利滤波的可分辨群目标跟踪算法

针对杂波条件下可分辨群目标的状态估计、目标个数与子群个数估计问题,提出了一种基于标签随机有限集（Label random finite set,L-RFS）框架下的可分辨群目标跟踪算法,该算法主要包括两个方面:可分辨多群目标动态建模和多群目标的跟踪估计.本文工作主要包括:1）结合图论中的邻接矩阵对可分辨群目标运动进行动态建模.2）利用基于L-RFS的广义标签多伯努利滤波（Generalizes label multi-Bernoulli,GLMB）算法对目标的状态和个数进行估计,并且通过估计邻接矩阵得到群的结构和个数估计.3）通过个数不同、结构不同的三个子群目标在二维平面分别做线性和非线性运动进行算法验证.仿真分析表明本文算法能够准确估计出群目标中各目标的状态、个数以及子群的个数,并且能获得目标的航迹估计.     

基于单声矢量传声器虚拟扩展的多机动声目标跟踪算法

为解决单声矢量传声器(Acoustic vector sensor, AVS)可跟踪声目标数目少、跟踪性能差的问题,提出了基于AVS虚拟扩展的多机动声目标跟踪算法.首先,引入高阶累积量预处理过程并建立高阶似然函数,不仅能够抑制高斯噪声、提高估计精度,还可通过AVS的虚拟扩展增加可跟踪目标数目.然后,在边缘化δ广义标签多伯努利(Marginalizedδ-generalized label multi-bernoulli, M δ-GLMB)滤波框架下,提出了基于累积量的增广运动模型状态的M δ-GLMB (Cumulants-based augumented motion model state M δ-GLMB, Cum-AMMS-GLMB)算法.算法引入多种运动模型,并将表征不同模型的索引标号作为目标状态的增广参数,通过各模型间的加权混合获取优于单一运动模型的跟踪性能.除此之外,算法的序贯蒙特卡洛(Sequential Monte Carlo, SMC)实现过程中,依据高阶预处理获得的归一化空间谱拟合检测概率函数,抑制了杂波向可用粒子扩展,进一步增强了高似然区域的粒子.最后,推导了...     

基于迭代平方根容积粒子滤波目标跟踪算法

针对粒子滤波目标跟踪算法粒子退化及跟踪精度问题,提出了一种基于马尔可夫链-蒙特卡罗(MCMC,Markov Chain Monte Carlo)的迭代平方根容积粒子滤波(ISRCPF,iterated square root cubature Kalman particle filter)算法(ISRCPF-MCMC).在该滤波算法中,利用容积数值积分原则计算非线性随机函数的均值和方差,通过正交矩阵分解代替矩阵开方,在生成的粒子滤波建议分布中融入当前量测值,提高对系统后验概率的逼近程度.然后在此基础上融合MCMC抽样算法(MH,Metropolis Hasting)对所选建议分布进行优化,增加粒子多样性,以提高跟踪精度.仿真试验结果表明,ISRCPF-MCMC算法的估计误差与其他算法相比降低至0.403％.     

鲁棒的机器人蒙特卡洛定位算法

提出一种基于粒子滤波器的机器人定位算法. 首先利用一并行扩展卡尔曼滤波器作为粒子预测分布, 将当前观测的部分信息融入, 以改善滤波效果, 减小所需粒子数; 然后提出变密度函数边界的马尔可夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)重采样方法, 以提高粒子的细化能力; 最后结合普通重采样方法, 提出一种改进的MCMC重采样的机器人定位算法, 减少粒子匮乏效应的同时, 提高了定位精度. 实验结果表明, 该算法较传统方法在计算复杂度、定位精度和鲁棒性方面都有显著提高.     

一种改进的粒子滤波算法及其在说话人跟踪中的应用

针对非线性、非高斯系统状态的在线估计问题,提出一种改进的粒子滤波算法,该算法综合考虑"优选建议分布函数"和"重采样"两种并行改进滤波性能的方法.首先通过Unscented卡尔曼滤波器产生系统的状态估计,并在协方差预测阶段引入衰减记忆因子,消弱滤波器对历史信息的依赖,增强当前量测信息对滤波器的修正作用,从而产生一个优选的建议分布函数,有效抑制了粒子退化现象;接着在重采样阶段引入MCMC(Markov Chain Monte Carlo)方法来构造马尔科夫链产生服从目标分布的粒子,使样本更加多样化,有效避免了粒子枯竭问题.最后,通过系统仿真及说话人跟踪实验,证明了该算法的有效性.     

基于模糊支持度采样的粒子滤波算法

针对粒子滤波中重采样导致粒子多样性减弱造成的滤波精度下降问题,给出了一种基于模糊支持度采样的改进粒子滤波算法;该算法在重采样过程后,首先根据MCMC(Markov Chain Monte Carlo)原理抽取候选粒子,然后依据重采样粒子和候选粒子自身数据中的蕴含信息,并结合模糊理论构建支持度函数和支持度矩阵,以充分地提取数据中的有效信息,在增强粒子多样性的同时实现其对于粒子的优选;最后仿真结果表明,该算法可有效地提高对于系统状态的估计精度。     

多模型概率假设密度平滑器

针对杂波环境下的多个机动目标跟踪问题, 本文将多模型概率假设密度(Multiple-model probability hypothesis density, MM-PHD)滤波器和平滑算法相结合, 提出了MM-PHD前向--后向平滑器. 为了避免引入复杂的随机有限集(Random finite set, RFS)理论, 本文根据PHD的物理空间(Physical space)描述法推导得到了MM-PHD平滑器的后向更新公式. 由于MM-PHD前向--后向平滑器的递推公式中包含有多个积分, 因此它在非线性非高斯条件下没有解析的表达形式. 故本文又给出了它的序贯蒙特卡洛(Sequential Monte Carlo, SMC)实现. 100次蒙特卡洛(Monte Carlo, MC)仿真实验表明, 与MM-PHD滤波器相比, MM-PHD平滑器能够更加精确地估计多个机动目标的个数和状态, 但MM-PHD平滑器存在一定的时间滞后, 并且需要耗费更大的计算代价.     

不变结构半弹道式再入飞行器的混合状态估计与模型集设计

多模型方法是混合估计的主流方法之一,以该方法估计不变结构半弹道式再入飞行器(SBRV)混合状态的难点在于设计有效的模型集.文中提出了一种伪Monte Carlo模型集可以使SBRV混合状态估计器在最小均方差(MMSE)意义下接近于最优.SBRV的再入估计具有高度的非线性,同时其模式由多个边界已知的参数张成.给出了这种伪Monte Carlo模型集的设计方法,并分析了其性能特征.该模型集相比于Monte Carlo方法生成的模型集有更高的精度,理论分析和仿真结果表明了新设计模型集的有效性与合理性.     

未知杂波环境下的多目标跟踪算法

提出了一种未知杂波环境下的多目标跟踪算法. 该算法通过有限混合模型(Finite mixtrue model, FMM)建立多目标似然函数, 其中混合模型参数可通过期望极大化(Expectation maximum, EM)算法及模型合并与删除技术得到. 由估计的混合模型参数可进一步得到杂波模型估计、目标个数估计以及多目标状态估计. 类似基于随机有限集(Random finite set, RFS)的多目标跟踪算法, 该算法也可避免目标与测量的关联过程. 仿真实验表明, 当杂波分布未知并且较复杂时, 本文算法的估计效果要明显优于未进行杂波拟合时的多目标跟踪算法.     

Combining particle MCMC with Rao-Blackwellized Monte Carlo data association for parameter estimation in multiple target tracking

We consider state and parameter estimation in multiple target tracking problems with data association uncertainties and unknown number of targets. We show how the problem can be recast into a conditionally linear Gaussian state-space model with unknown parameters and present an algorithm for computationally efficient inference on the resulting model. The proposed algorithm is based on combining the Rao-Blackwellized Monte Carlo data association algorithm with particle Markov chain Monte Carlo algorithms to jointly estimate both parameters and data associations. Both particle marginal Metropolis–Hastings and particle Gibbs variants of particle MCMC are considered. We demonstrate the performance of the method both using simulated data and in a real-data case study of using multiple target tracking to estimate the brown bear population in Finland.     

基于增量式有限混合模型的多目标状态极大似然估计

提出了增量式有限混合模型来提取概率假设密度滤波器序贯蒙特卡罗实现方式中的多目标状态. 该模型以增量方式构建, 其混合分量采用逐个方式插入其中. 采用极大似然准则来估计多目标状态. 对于给定分量数目的混合模型, 应用期望极大化算法来获得参数的极大似然解. 在新分量插入混合模型时, 保持已有混合模型的参数不变, 仍旧采用极大似然准则从候选新分量集合中选择新插入分量. 新分量插入混合步和期望极大化算法拟合混合参数步交替应用直到混合分量数目达到概率假设密度滤波器的目标数目估计值. 利用k-d树生成插入到混合模型的新分量候选集合. 增量式有限混合模型统一了分量数目变化趋势和粒子集合似然函数的变化趋势, 有助于一步一步地搜寻混合模型的极大似然解. 仿真结果表明, 基于增量式有限混合模型的概率假设密度滤波器状态提取算法在多目标跟踪的应用中优于已有的状态提取算法.     

基于视觉显著性的两阶段采样突变目标跟踪算法

针对运动突变目标视觉跟踪问题,提出一种基于视觉显著性的两阶段采样跟踪算法.首先,将视觉显著性信息引入到Wang-Landau蒙特卡罗（Wang-Landau Monte Carlo,WLMC）跟踪算法中,设计了结合显著性先验的接受函数,利用子区域的显著性值来引导马尔可夫链的构造,通过增大目标出现区粒子的接受概率,提高采样效率;其次,针对运动序列中平滑与突变运动共存的特点,建立两阶段采样模型.其中第一阶段对目标当前运动类型进行判定,第二阶段则根据判定结果采用相应算法.突变运动采用基于视觉显著性的WLMC算法,平滑运动采用双链马尔可夫链蒙特卡罗（Marko chain Monte Carlo,MCMC）算法,以此完成目标跟踪,提高算法的鲁棒性.该算法既避免了目标在平滑运动时全局采样导致精度下降的缺点,又能在目标发生运动突变时有效捕获目标.实验结果表明,该算法不仅能有效处理运动突变目标的跟踪问题,在典型图像序列上也具有良好的鲁棒性.     

Model-based clustering for longitudinal data

A model-based clustering method is proposed for clustering individuals on the basis of measurements taken over time. Data variability is taken into account through non-linear hierarchical models leading to a mixture of hierarchical models. We study both frequentist and Bayesian estimation procedures. From a classical viewpoint, we discuss maximum likelihood estimation of this family of models through the EM algorithm. From a Bayesian standpoint, we develop appropriate Markov chain Monte Carlo (MCMC) sampling schemes for the exploration of target posterior distribution of parameters. The methods are illustrated with the identification of hormone trajectories that are likely to lead to adverse pregnancy outcomes in a group of pregnant women.     

基于GMM-RBMCDA的实时监控多目标跟踪方法

为了有效提取视频监控场景中的前景目标信息并准确跟踪目标的状态,提出一种基于混合高斯模型和Rao-Blackwellized蒙特卡洛数据关联的视频多目标跟踪方法。该方法根据场景中像素点的特征信息,利用混合高斯模型进行建模,并对前景目标进行检测,使用Rao-Blackwellized蒙特卡洛数据关联算法来降低可能的目标交叉及杂波干扰带来的影响,通过设置目标存在和消失参数,实现了实时多目标跟踪。实验结果表明,该方法不仅能对场景中未知目标的个数进行有效估计,而且可以准确地跟踪目标的状态,取得了良好的实际效果。     

Efficient direct sampling MCEM algorithm for latent variable models with binary responses

While latent variable models have been successfully applied in many fields and underpin various modeling techniques, their ability to incorporate categorical responses is hindered due to the lack of accurate and efficient estimation methods. Approximation procedures, such as penalized quasi-likelihood, are computationally efficient, but the resulting estimators can be seriously biased for binary responses. Gauss-Hermite quadrature and Markov Chain Monte Carlo (MCMC) integration based methods can yield more accurate estimation, but they are computationally much more intensive. Estimation methods that can achieve both computational efficiency and estimation accuracy are still under development. This paper proposes an efficient direct sampling based Monte Carlo EM algorithm (DSMCEM) for latent variable models with binary responses. Mixed effects and item factor analysis models with binary responses are used to illustrate this algorithm. Results from two simulation studies and a real data example suggest that, as compared with MCMC based EM, DSMCEM can significantly improve computational efficiency as well as produce equally accurate parameter estimates. Other aspects and extensions of the algorithm are discussed.     

Estimation of sample selection models with two selection mechanisms

This paper focuses on estimating sample selection models with two incidentally truncated outcomes and two corresponding selection mechanisms. The method of estimation is an extension of the Markov chain Monte Carlo (MCMC) sampling algorithm from Chib (2007) and Chib et al. (2009). Contrary to conventional data augmentation strategies when dealing with missing data, the proposed algorithm augments the posterior with only a small subset of the total missing data caused by sample selection. This results in improved convergence of the MCMC chain and decreased storage costs, while maintaining tractability in the sampling densities. The methods are applied to estimate the effects of residential density on vehicle miles traveled and vehicle holdings in California.     

宽带最大似然方位估计快速算法水池实验研究

建立了宽带阵列高分辨方位估计水池实验系统,进行了宽带最大似然方位估计快速算法的水池实验研究。研究结果表明,基于马尔可夫链蒙特卡罗方法宽带最大似然方位估计快速算法分辨能力强,突破了二分之一波束宽度,估计出了目标的方位。     

Oil spill detection from SAR intensity imagery using a marked point process

This paper presents a new algorithm for the detection of oil spill from SAR intensity images. The proposed algorithm combines the marked point process, Bayesian inference and Markov Chain Monte Carlo (MCMC) technique. In this paper, the candidates of oil spills or dark spots in a SAR intensity image are characterized by a Poisson marked point process. The marked point process is formed by a group of random points (as a point process modelling the locations of oil spills) and a set of parameters including geometric parameters of windows centred at the random points and gamma distribution parameters (as the marks attaching to each point). As a result, the candidates of oil spills are represented by a group of windows, in which the intensities of pixels follow independent and identical gamma distribution with lower mean than that for the identical gamma distribution of the pixels out of windows. Following the Bayesian paradigm, the posterior distribution, which characterizes the locations and statistical distributions of oil spills, can be obtained up to a normalizing constant. In order to simulate from the posterior distribution and to estimate the parameters of the posterior distribution, the Revisable Jump MCMC (RJMCMC) algorithm is used. The optimal locations and sizes of dark spots are obtained by a maximum a posteriori (MAP) algorithm. The proposed approach is tested using Radarsat-1 SAR images with oil spills indicated by human analysts. The results show that the proposed approach works well and is very promising.     

MCMC方法在生物逆问题求解中的应用

提出用马尔科夫链蒙特卡罗(MCMC)方法来求解生物逆问题。导出待求参数分布规律的后验概率密度函数;采用自适应Metropolis算法构造Markov链;然后截取收敛的链序列计算数学期望,成功估计出未知参数。数值实验结果表明,该方法具有很高的估计精度和较好的抗噪声性能。