一种基于改进粒子滤波的多目标跟踪算法

针对复杂背景环境下的多目标跟踪问题,论述了主要的数据关联技术,将目标检测算法与粒子滤波相结合,利用颜色直方图作为观测模型,并利用全领域(GNN)算法进行数据关联.提出一种改进的基于粒子滤波的多目标跟踪算法,实现了视频场景中的多个目标跟踪.该算法对于目标在场景中的频繁出现和消失、相似外表、交叉运动和短暂遮挡等均有较好的处理效果.     

多传感器高斯混合PHD融合多目标跟踪方法

针对复杂环境下单传感器多目标跟踪方法效果不佳的问题,基于FISST（Finite set statistics）跟踪理论提出一种多传感器高斯混合PHD（Probability hypothesis density）多目标跟踪方法.首先,分析了FISST下多传感器PHD的形式化滤波器,在此基础上构建一种反馈式多传感器PHD融合跟踪框架;进一步利用高斯混合技术提出多传感器PHD跟踪方法;最后,通过解决多传感器后验PHD粒子匹配与融合问题提出三种算法.仿真实验表明,与常规高斯混合PHD跟踪算法相比,本文所提算法能够有效提高目标跟踪精度和鲁棒性.     

基于自适应时空码书的粒子滤波多目标跟踪

提出一种基于自适应时空码书检测模型的粒子滤波多目标跟踪算法。使用时空码书模型进行前景背景分割,检测出前景目标,在该模型上加入目标自适应过程。将自适应时空码书检测的结果作为粒子滤波跟踪算法的初始目标状态,通过关联算法和粒子滤波实现多目标跟踪。自适应时空码书模型能明显降低对前景目标的误检率,抑制噪声干扰。实验结果表明,该算法能够在有干扰的复杂背景下实现对运动多目标的快速捕获,并有效提高跟踪的可靠性和精度。     

卷积特征多伯努利视频多目标跟踪算法*

基于随机有限集理论的多伯努利滤波方法能够有效处理多目标跟踪中数目未知且时变的问题,但难以适应复杂环境下视频多目标跟踪中目标之间或背景等干扰问题,尤其是目标相互紧邻和被遮挡时,会导致跟踪精度下降,甚至目标漏跟。针对该问题,在多伯努利滤波框架下,深度分析目标的特征信息,引入抗干扰的卷积特征,提出基于卷积特征的多伯努利视频多目标跟踪算法,并在目标状态提取过程中,进一步提出模板更新,使用自适应学习速率进行更新,适应目标的变化,以解决目标紧邻相互干扰的问题。最后,引入粒子标记技术,实现对视频多目标的航迹跟踪。实验结果表明,提出算法能够有效区分复杂环境下的紧邻多目标,且具有较好的跟踪精度。     

基于形状上下文和粒子滤波的多目标跟踪

目标跟踪是计算机视觉领域里研究的热点和难点。提出一种基于形状上下文和粒子滤波的多目标跟踪算法,通过在跟踪过程中融入目标检测信息来处理目标进入与离开场景问题和目标重叠与分离问题。首先,采用自适应增强检测算法对视频区域中的目标进行检测;然后,利用形状上下文特征来建立被跟踪目标的外观模型;最后,利用粒子滤波方法进行粒子的选择和目标的跟踪。实验证明,提出的算法能够有效处理目标进入与离开场景的问题和目标重合与分离的问题,在单一背景和复杂背景下都能进行较为准确的跟踪,还能一定程度上处理部分遮挡问题。     

基于ViBe和粒子滤波的多目标汽车跟踪

针对汽车多目标跟踪,提出了基于自适应阈值ViBe算法和粒子滤波的汽车多目标跟踪方法。通过ViBe算法提取运动车辆前景区域,对每个运动车辆目标创建独立的粒子滤波器,使用Harris算法计算角点数,以初始化粒子数,通过粒子滤波对车辆进行跟踪。该方法经实验验证,鲁棒性较好。     

粒子滤波理论、方法及其在多目标跟踪中的应用

本文梳理了粒子滤波理论基本内容、发展脉络和最新研究进展, 特别是对其在多目标跟踪应用中的一系列难点问题与主流解决思路进行了详细分析和报道. 常规粒子滤波研究重点主要围绕重要性采样函数、计算效率、权值退化/样本匮乏和复杂系统建模展开. 作为一类复杂估计问题,多目标跟踪一方面需要准确的目标新生/消亡与演变、虚警/漏检等建模技术, 另一方面需要多传感器信息融合、航迹管理等复杂决策方法.暨有限集统计学应用于多目标跟踪后,粒子 滤波进入一个新的发展阶段---随机集粒子滤波.基于不同的背景假设,可以构建不同近似形式的随机集贝 叶斯滤波器并采用粒子滤波实现.但机动目标、未知场景、多目标航迹管理以及跟踪性能评价等仍是多 目标粒子滤波的研究难点和重点.     

多传感器多目标跟踪的粒子PHD滤波算法

针对单传感器跟踪系统的缺陷,提出了基于粒子概率假设密度(PHD)滤波的多传感器多目标跟踪算法.这种算法不仅避免了多传感器多目标跟踪的数据关联问题,而且在漏检、目标密集、航迹交叉、小范围内目标数多的杂波环境下能够稳定、精确地估计目标状态和目标数.仿真实验比较了单传感器粒子PHD滤波与多传感器的粒子PHD滤波的跟踪性能,验证了该方法的跟踪性能和精度.     

基于数据关联矩阵的多目标跟踪算法

针对视频中的多目标跟踪问题,提出一种改进的基于数据关联矩阵的多目标跟踪算法,实现视频场景复杂环境下的多个目标跟踪。使用区间分布模型获取图像的背景和前景,对前景目标建立相应的运动模型。根据运动模型和Kalman滤波器的位置预测,建立相关的匹配代价函数、关联矩阵和匹配链表。实验结果表明,该算法对目标在场景中的频繁出现和消失、交叉运动和短暂遮挡等均有较好的处理效果。     

基于概率假设密度的多目标视频跟踪算法

研究目标数变化的多目标视频跟踪问题.首先阐述了概率假设密度(PHD)滤波的基本原理;然后给出序列图像多目标跟踪系统的运动目标检测算法、状态方程、观测方程以及基于高斯混合概率假设密度(GM-PHD)的多目标视频跟踪算法的具体实现.该算法有效解决了新目标出现、目标合并、目标分裂及目标消失等多目标跟踪问题.实验结果表明,该算法在复杂场景下具有较强的鲁棒性,能有效实现目标数变化的多目标视频跟踪.     

基于扩展量测混合坐标下多目标跟踪算法

摘要：文献[2,3]研究表明在二维直角坐标系中,速度量测的引入不仅可以加快跟踪系统的动态收敛速度,而且可使目标位置的估计精度提高一个数量级甚至更高。针对实际多目标跟踪系统中,由雷达、声纳得到的速度量测是一个相对径向速度,不能直接应用,本文提出了基于扩展量测混合坐标中多目标跟踪算法,导出了量测方程线性化公式,推导了基于扩展量测混合坐标系中目标跟踪算法,给出了Monte Carlo仿真。结果表明：和没有利用扩展量测的EKF算法相比,本文提出的跟踪算法不但能够提高目标状态估计的稳态跟踪精度,而且能够提高系统的动态收敛速度。     

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。     

Rao-Blackwellized particle filter for multiple target tracking

In this article we propose a new Rao-Blackwellized particle filtering based algorithm for tracking an unknown number of targets. The algorithm is based on formulating probabilistic stochastic process models for target states, data associations, and birth and death processes. The tracking of these stochastic processes is implemented using sequential Monte Carlo sampling or particle filtering, and the efficiency of the Monte Carlo sampling is improved by using Rao-Blackwellization.     

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.     

一种机动目标的跟踪算法研究

目前在机动目标跟踪领域中讨论比较多的算法包括扩展卡尔曼滤波算法、强跟踪算法、UKF算法和粒子滤波算法；扩展卡尔曼滤波算法对非线性方程进行一阶线性阶处理，这种近似所带来的误差会随着非线性化程度的严重而越来越显著，最终造成滤波器的发散；而粒子滤波作为一种基于蒙特卡洛方法的贝叶斯滤波算法，虽然不需要对非线性方程进行一阶近似，但是其计算负担过于繁重，很难满足实时性的要求，提出了一种基于粒子滤波（PF）的径向基（RBF）神经网络（PF—RBF—Neural—Networks）机动目标跟踪算法，该算法能够获得和粒子滤波几乎相同的跟踪精度，同时又克服了粒子滤波计算量大的缺陷，仿真结果验证了该算法的有效性和可行性。     

杂波环境中多机动目标自适应跟踪算法

针对多杂波多机动目标环境引起的跟踪误差和实时性问题,提出了一种结合IMMPDA和改进的IMMJPDA的自适应多机动目标跟踪算法,在跟踪过程中根据目标之间的距离来选择IMMPDA和改进的IMMJPDA算法中的一种跟踪方法,其中改进的IMMJPDA算法是根据每个模型产生的关联矩阵取并集产生关联矩阵。自适应多机动目标跟踪算法能在有效地提高跟踪实时性的同时,减小目标机动时位置误差的超调。通过蒙特卡罗仿真表明,算法是有效的。     

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.     

杂波环境下机动目标跟踪算法研究

本文给出了一种基于平方根中心差分卡尔曼滤波（sRcDKF）的交互式多模型-概率数据关联（IMMPDA）算祛。在杂波环境下,该算法较好的解决了非线性条件下机动目标跟踪的问题,可获得比基于扩展卡尔曼滤波（EKF）的IMMPDA算法更好的数值稳定性、计算精度和收敛速度,还避免了复杂的Jacobi矩阵运算;本文大量Monte Carlo仿真进一步验证了该算法的可行性和有效性。     

用于弹道目标跟踪的新的非线性滤波算法

针对再入阶段弹道目标的跟踪问题,提出一种新的自适应滤波算法,即强跟踪有限差分扩展卡尔曼滤波（STFDEKF）算法,用于非线性系统的目标跟踪。该方法使用Sterling内插公式进行多项式的近似,从而实现对非线性函数的近似,避免了非线性函数的求导运算;并且算法中引入强跟踪的因子来修正先验的协方差矩阵。新算法改进了跟踪精度,扩大了应用范围,增强了滤波收敛性。仿真实验将新算法与扩展卡尔曼滤波器（EKF）、有限差分扩展卡尔曼滤波器（FDEKF）进行了比较,结果表明,STFDEKF在跟踪精度和滤波可靠性上均优于EKF和FDEKF,但其计算复杂性更大。得出结论,STFDEKF是个很有效的非线性滤波算法。     

机动目标跟踪的IMM和IMMF-LS自适应滤波算法

介绍了一种跟踪机动目标的交互式多模型 (IMM)自适应滤波算法 ,并在其基础之上介绍了一种基于状态的扩充具有固定延时的平滑IMM算法 (IMMF -LS) ,分别采用了Singer模型和“当前”统计模型与CA模型进行交互运算。蒙特卡洛仿真结果表明了IMM具有明显的综合多模型的优点 ,IMMF -LS的跟踪精度明显高于IMM算法。