一种快速估计线性一非线性状态的粒子滤波器

提出了一种快速估计线性一非线性状态的粒子滤波器。针对混合线性一非线性模型中传统的Rao-Blackwellized Particle Filter（RBPF）方法对状态估计处理速度较慢的不足,将条件相关的线性与非线性状态进行分离,对于非线性状态运用粒子滤波（PF）算法进行估计,取出从非线性状态中抽取出的粒子的均值,将此均值传播到线性状态中做一次卡尔曼滤波,得出对线性状态的估计。仿真结果表明：与RBPF相比可以将处理速度提高50％～60％,有效改善状态估计的实时性。     

一种可以用于小卫星跟踪的平滑粒子滤波器

针对小卫星的地面机动目标跟踪环境日趋复杂,跟踪精度要求日益提高的现状,引入平滑粒子滤波器。算法结合粒子滤波器和吉布斯采样器(Gibbs Sampler),通过对系统的机动性和测量与目标关联问题的平滑估计,很好地解决了在杂波环境下具有非高斯非线性特性机动目标的跟踪问题。在对杂波环境下机动目标跟踪问题的仿真研究中,对比了该算法与BMM PDA算法(BMM,靴带多模型算法)的跟踪性能,结果证明了新的平滑粒子滤波器算法以计算量为代价获得了更好的跟踪性能。     

一种同时估计状态及参数的非线性过滤器

精确快速地同时估计出非线性动态系统的状态及参数对高精度非线性控制系统是必需的.本文在指出文献[1]若干错误的基础上,给出了一种改进型非线性滤波器,可同时精确估计出系统状态及参数.仿真实例证实了本文方法的有效性.     

一种新颖的基于颜色信息的粒子滤波器跟踪算法

传统的基于直方图的粒子滤波器算法常常需要在准确表达颜色分布和计算效率之间做出妥协,从而影响跟踪算法的性能甚至导致跟踪算法失败.针对这一问题,文中提出一种新颖的基于颜色信息的粒子滤波器跟踪算法.该算法采用自适应剖分颜色空间的概率模型,能够用较少的子空间准确地表达目标的颜色分布.文中进一步提出一种推广的积分图像,通过在该积分图像上进行数组索引操作得到每一个子空间的像素数目、均值向量和协方差矩阵,从而能够快速地计算出颜色模型.然而在CPU上计算积分图像十分耗时,为此文中提出一种基于GPU的并行算法快速计算积分图像.该并行算法在显卡的GPU上创建3个线程网格,分别顺序执行3个Kernel函数,依次完成创建原始积分图像以及对它的行和列执行前缀求和算法的任务.同传统的基于直方图的粒子滤波器算法相比,新算法每帧平均跟踪时间显著减少,同时跟踪准确性和鲁棒性都有较大提高.     

基于粒子滤波器的人体目标跟踪

提出一种非常有效且具有良好鲁棒性的人体目标跟踪算法。由于传统的卡尔曼滤波不能很好地解决非线性、非高斯问题的跟踪,为此提出了一种新型的粒子滤波器跟踪算法。该算法采用加权的粒子集模型表示状态的分布,用迭代运算跟踪状态的变化,从而有效地解决了数据处理的量大和模型出现高维的问题。实验结果证明,该算法对固定摄像机单一背景下人体目标跟踪是快速且有效的。该算法可广泛应用于航空器位置的跟踪、噪声环境通信信号的估计、人体或车辆的跟踪。     

状态估计中的采样型滤波器

基于采样方法的滤波器在现代非线性滤波领域内得到了广泛应用。其共同特点是利用抽样粒子点模拟系统状态的概率分布,从而不受状态先验分布假设(如高斯假设)的约束,拥有更高的滤波精度和更广的应用范围。论文在抽样意义下重新论述了确定性采样滤波器如高斯和型滤波器和UKF,以及基于随机模拟的粒子滤波器,并对这三种滤波器及其衍生方法在状态估计领域(滤波)的应用进行了精度和计算负荷分析。某Benchmark信号处理算例验证了该类方法的估计精度和扩展能力。给出基于实际系统需求一般性评价和选用原则。     

基于t-分布粒子滤波器的目标跟踪

针对贝叶斯跟踪中目标状态的预测分布和后验分布,利用序列蒙特卡洛方法,基于多变量t-分布提出了一种新的粒子滤波算法,称之为t-分布粒子滤波器．为了根据样本估计目标状态的概率分布,提出了一种新的ECME算法,并嵌入到t-分布粒子滤波器中．理论分析表明,在t-分布条件下,t-分布粒子滤波器是在样本数量上的渐近最优估计器．在机动目标跟踪实验中,比较了t-分布粒子滤波器、无色卡尔曼滤波(Unscented Kalman filter)及自助式粒子滤波器(Bootstrap particle filters)的跟踪精度．     

EM-GMPF:一种基于EM的混合高斯粒子滤波器算法

粒子滤波器算法是一种基于贝叶斯推理和蒙特卡罗方法的非线性、非高斯动态系统的实时推理算法.因其具有灵活、易于实现、并行化等特点,成为统计学、信号处理、人工智能等领域新的研究热点,并被广泛地应用于目标跟踪等领域中.粒子滤波器算法中存在的主要问题是再取样步骤带来的粒子枯竭,从粒子滤波器的表示方法角度出发,提出了一种基于EM的混合高斯粒子滤波器算法,仿真数据和可视化跟踪实验表明,与传统的粒子滤波器算法和基于单高斯模型的粒子滤波器算法相比,该方法在降低对粒子数目需求的同时显著提高了粒子滤波器的估计性能.     

一种不确定目标状态的跟踪估计方法

本文针对不确定目标状态跟踪问题，提出了一种集值估计的思想方法，着重研究了集值估计的理论基础，并推导出集值Ｋａｌｍａｎ滤波估计方法，仿真结果表明，该方法可以有效地解决不确定目标状态的跟踪问题，并且随着有效观测数据的增多，集值估计方法可以转化为传统的点估计方法。     

基于Mean Shift算法和粒子滤波器的目标跟踪

本文提出了一种综合Mean Shift算法和粒子滤波器的跟踪算法,该算法利用Mean Shift算法在重采样之后将粒子收敛到靠近目标真实状态的区域内,克服了传统粒子滤波器的退化现象并缩短了计算时间,而且算法在遮挡时能实现很好的跟踪．实验表明．算法的实时性得到了提高．     

一种用于解决非线性滤波问题的新型粒子滤波算法

粒子滤波算法受到许多领域的研究人员的重视,该算法的主要思想是使用一个带有权值的粒子集合来表示系统的后验概率密度.在扩展卡尔曼滤波和Unscented卡尔曼滤波算法的基础上,该文提出一种新型粒子滤波算法.首先用Unscented卡尔曼滤波器产生系统的状态估计,然后用扩展卡尔曼滤波器重复这一过程并产生系统在k时刻的最终状态估计.在实验中,针对非线性程度不同的两种系统,分别采用5种粒子滤波算法进行实验.结果证明,文中所提出的算法的各方面性能都明显优于其他4种粒子滤波算法.     

基于新型粒子群优化的粒子滤波雷达目标跟踪算法

针对基于粒子群优化算法的粒子滤波精度不高,容易陷入局部最优,难以满足目标跟踪的问题,提出了一种新的粒子群优化粒子滤波算法,该算法利用社会个体对群体的认知规律优化了粒子更新的方法,并且完善了粒子速度的更新策略,使优势速度有较小概率变异,从而提高了寻优能力,同时将劣势速度随机初始化,保证了样本的多样性.实验结果表明,该算法精度高,鲁棒性强,可以有效地应用于雷达机动目标跟踪.     

A Multiple Model Tracking Algorithm Based on an Adaptive Particle Filter

The interacting multiple model based on a particle filter fails to meet the requirements of real‐time performance when manoeuvring target tracking by radar due to deficiencies in its high calculation complexity. An improved particle filter based on landscape adaptive particle swarm optimization is proposed. This filter adopts the method of updating inertia weight, using not only local information and global information, but also preventing algorithm trapping in a local optimum, so the filter can find the optimal solution with less iteration. Additionally, an improved tracking model is presented. With the help of systematic resampling, the model can figure out the model index of particles. The experimental results prove that the new tracking algorithm not only improves manoeuvring target tracking accuracy, but also decreases computing complexity.     

基于改进的粒子滤波算法的目标跟踪

将均值漂移算法与粒子滤波有效结合,通过比较粒子的权重,对粒子进行重采样,剔除大量的权重小的粒子,再加入均值漂移算法对粒子进行聚类,使用很少的粒子就能完全描述目标的状态信息,克服了粒子滤波计算量大的缺点,在实时监控中大大提高了跟踪效率。实验证明,该算法具有较好的实时性、鲁棒性和准确性。     

Efficient Particle Swarm Optimized Particle Filter Based Improved Multiple Model Tracking Algorithm

To meet the requirements of modern radar maneuvering target tracking system and remedy the defects of interacting multiple model based on particle filter, noninteracting multiple model (NIMM) and enhanced particle swarm optimized particle filter (EPSO‐PF) are proposed. The improved maneuvering target tracking algorithm (NIMM‐EPSO‐PF) in this article combines the advantages of NIMM with those of EPSO‐PF. NIMM is used to figure out the index of particles to avoid the high computing complexity resulting from particle interaction, and EPSO‐PF can not only improve the equation of particle update through the rules individuals develop an understanding of group but also enhance particle diversity and accuracy of particle filter through the small variation probability of superior velocity. Besides, the random assignment of inferior velocity is capable of upgrading filter efficiency. As shown by the experimental result, the NIMM‐EPSO‐PF not only improves target tracking accuracy but also maintains high real‐time performance. Therefore, the improved algorithm can be applied to modern radar maneuvering target tracking field efficiently.     

粒子过滤器在眼睛跟踪中的应用

提出了一种实时的眼睛跟踪算法，它能在各种照明条件和各种脸部姿势条件下很好地工作．与传统的基于瞳孔亮度的方法比较，此方法不仅克服了各种条件的限制，而且提高了跟踪的正确率．实验研究表明与目前存在的技术相比，该方法有很大地改进．     

基于多特征融合的粒子滤波算法研究

传统的粒子滤波跟踪算法只依靠单一的颜色特征作为跟踪依据。在复杂背景或者遮挡物颜色与跟踪目标接近时传统的粒子滤波算法很容易造成跟踪目标丢失。针对该问题,提出一种基于多特征融合的粒子滤波算法,该算法按一定的权值系数利用目标的颜色特征和边缘特征来构建似然函数作为跟踪目标的跟踪依据,克服了依靠单一颜色特征跟踪目标的跟踪算法的不足。实验结果表明,多特征融合后的跟踪算法有较好的跟踪性能。     

粒子滤波器在机动目标被动跟踪中的应用

为处理机动目标被动跟踪中的非线性非高斯问题,提出了一种基于粒子滤波器的交互多模型（IMM）多观测站跟踪方法。使用转弯率建立了被动跟踪模型,用“蛙跳”处理方式来提高多站被动跟踪问题的可观测性,结合被动跟踪模型,利用非线性粒子滤波方法,对IMM算法进行了改进,提高了对IMM混和密度的近似程度,通过被动跟踪仿真实例,同时使用IMM粒子滤波器（IMM-PF）与IMM扩展卡尔曼滤波器（IMM-EKF）进行跟踪仿真,分析了轨迹跟踪性能,利用均方根误差比较了误差性能。仿真结果表明,与IMM-EKF相比,IMM-PF具有更高的跟踪精度和更快的机动响应速度。