基于序列蒙特卡罗滤波的车辆跟踪算法研究

针对非线性目标跟踪中模型或函数近似等最优估计缺陷问题,提出了基于帧间预测和特征匹配的序列蒙特卡罗滤波跟踪算法.算法中采用在HSV色彩下的空间加权直方图描述跟踪车辆的状态特征,通过简单的随机漂移模型实现估测样本的帧间传递,利用估测样本与期望目标间的相似度量完成样本权重赋值运算,最终利用加权样本值估计实现待测目标的后验状态.实验结果表明,基于序列蒙特卡罗滤波的车辆跟踪算法计算简单有效,能够在复杂环境下实时、准确跟踪道路上无规律、非线性运动的车辆,并能够有效适应车辆部分遮挡和短时丢失等情况.     

基于序列蒙特卡罗滤波的人脸跟踪算法

结合图像的色彩分布和空间布局,提出了一种基于HSV色彩和空间信息的序列蒙特卡罗滤波人脸跟踪算法.通过比较采样值和期望值的特征距离来计算采样状态对应的权值.利用加权采样值来估计未知量后验概率,当采样数趋于无穷时,由大数定理保证采样值分布逼近于真实值分布.仿真实验给出了利用加权采样对人脸跟踪的结果.实验表明,基于序列蒙特卡罗的人脸跟踪算法计算简单有,M能够准确预测人脸的位置并且很好地跟踪其运动轨迹.     

基于蒙特卡罗方法的目标跟踪

为了更鲁棒和快速地进行目标跟踪,在基于粒子滤波的目标跟踪方法的启发下,提出了一种新的基于蒙特卡罗方法的目标跟踪方法。该方法首先运用蒙特卡罗技术对下一帧目标可能出现的位置和尺度进行抽样;然后计算各抽样与参考目标的相似度;最后通过估计目标状态来获得跟踪目标。实验表明,该方法无需目标运动信息,特别适用于目标灵活运动时的跟踪,与现有的算法相比,不仅算法实现简单,同时有较好的鲁棒性和通用性。     

基于Hamiltonian马氏链蒙特卡罗方法的突变运动跟踪

在计算机视觉领域,由镜头切换、目标动力学突变、低帧率视频等引起的突变运动存在极大的不确定性,使得突变运动跟踪成为该领域的挑战性课题.以贝叶斯滤波框架为基础,提出一种基于有序超松弛Hamiltonian马氏链蒙特卡罗方法的突变运动跟踪算法.该算法将Hamiltonian动力学融入MCMC（Markov chain Monte Carlo）算法,目标状态被扩张为原始目标状态变量与一个动量项的组合.在提议阶段,为抑制由Gibbs采样带来的随机游动行为,提出采用有序超松弛迭代方法来抽取目标动量项.同时,提出自适应步长的Hamiltonian动力学实现方法,在跟踪过程中自适应地调整步长,以减少模拟误差.提出的跟踪算法可以避免传统的基于随机游动的MCMC跟踪算法所存在的局部最优问题,提高了跟踪的准确性而不需要额外的计算时间.实验结果表明,该算法在处理多种类型的突变运动时表现出出色的处理能力.     

一种基于蒙特卡罗方法的小目标视觉跟踪算法

CAMSHIFT是一种利用颜色直方图反向投影的视觉跟踪算法,通常用于人脸跟踪等领域。但在目标较小的情况下,由于信息量有限,往往不能获得稳定的跟踪结果。为了提高跟踪结果的稳定性,提出了一种基于蒙特卡罗方法的改进算法。该算法通过产生高斯随机样本的方法补充样本,不仅增强了目标颜色特征分布的鲁棒性,而且提高了跟踪的稳定性。结果表明该算法是有效的。     

蒙特卡罗方法在教学中的应用

介绍了蒙特卡罗方法在教学中的应用,给出了两个实例.     

基于改进粒子滤波算法的人体运动跟踪

在复杂环境中对人体进行有效性和鲁棒性的跟踪是计算机视觉领域一个非常富有挑战性的课题,提出了一种基于改进粒子滤波算法实现的人体运动跟踪。利用改进的粒子滤波算法跟踪视频序列中的人体运动,不但解决了传统粒子滤波算法计算量大、误码多的缺点,而且能较好地处理遮挡和自遮挡问题。实验结果表明,该改进算法能更准确、更有效地跟踪运动人体。     

一种基于蒙特卡罗方法的体绘制算法*

为解决医学图像三维可视化中大规模体数据显示速度与成像质量问题,引入一种基于蒙特卡罗方法的新颖体绘制算法。本算法根据给出的概率密度函数从随机样本点或其子集中选取一个点阵来进行绘制,主要适用于对大规模体数据集的有效可视化。另外,使用渐进细化的方法在图像质量和交互性上进行权衡折中,以适应实时要求。实验结果表明,在最终图像分辨率固定的情况下,本算法的时间复杂度和空间复杂度都比之前的算法要好,成像质量也满足实时绘制要求,可以在实际应用中使用。     

蒙特卡罗方法模拟计算圆周率——基于R语言的实现方法

蒙特卡罗方法是一种新型计算方法,它需要真实的随机数,在统计学方面有强有力的应用,随着高性能计算机变得越来越便宜,此方面变得愈发普遍,该文通过设计一个随机试验,建立pi值与试验次数的联系方程,使用R语言来模拟计算PI值。     

3D运动跟踪

运动跟踪的有效运用可以改变你的实景拍摄画面。运动图形专家JJ Johnstone透露如何在处理After Effects和Cinema 4D中的复杂3D合成时运用运动跟踪。[编者按]     

Structure from Motion Using Sequential Monte Carlo Methods

In this paper, the structure from motion (SfM) problem is addressed using sequential Monte Carlo methods. A new SfM algorithm based on random sampling is derived to estimate the posterior distributions of camera motion and scene structure for the perspective projection camera model. Experimental results show that challenging issues in solving the SfM problem, due to erroneous feature tracking, feature occlusion, motion/structure ambiguity, mixed-domain sequences, mismatched features, and independently moving objects, can be well modeled and effectively addressed using the proposed method.     

Partial Linear Gaussian Models for Tracking in Image Sequences Using Sequential Monte Carlo Methods

The recent development of Sequential Monte Carlo methods (also called particle filters) has enabled the definition of efficient algorithms for tracking applications in image sequences. The efficiency of these approaches depends on the quality of the state-space exploration, which may be inefficient due to a crude choice of the function used to sample in the associated probability space. A careful study of this issue led us to consider the modeling of the tracked dynamic system with partial linear Gaussian models. Such models are characterized by a non linear dynamic equation, a linear measurement equation and additive Gaussian noises. They allow inferring an analytic expression of the optimal importance function used in the diffusion process of the particle filter, and enable building a relevant approximation of a validation gate. Despite of these potential advantages partial linear Gaussian models have not been investigated. The aim of this paper is therefore to demonstrate that such models can be of real interest facing difficult usual issues such as occlusions, ambiguities due to cluttered backgrounds and large state space. Three instances of these models are proposed. After a theoretical analysis, their significance is demonstrated by their performance for tracking points and planar objects in challenging real-world image sequences.     

CBMeMBer滤波器序贯蒙特卡罗实现新方法的研究

为提升多伯努利滤波器序贯蒙特卡罗(Sequential Monte Carlo, SMC)实现中粒子采样的有效性,提出一种CBMeMBer辅助粒子滤波(Auxiliary particle filter, APF)实现的新方法.首先,利用多伯努利后验概率密度选择适合于CBMeMBer滤波器的辅助变量去重新定义采样问题.分别选择量测和先验密度分量作为辅助变量,确保最终的状态粒子能够集中在真实目标量测对应航迹的伯努利概率密度上进行采样,以使粒子向似然函数的峰值区移动,得到更为精确的多目标多伯努利(Multi-target multi-Bernoulli, MeMBer)后验概率密度的估计.同时,文中深入研究并给出了在量测更新和漏检情况下辅助变量以及多目标状态采样分布函数的设计,并研究利用渐近更新(Progressive correction, PC)算法对先验密度分量的量测更新进行迭代逼近计算,以提高最终分布函数求解的准确度.最后,针对两个典型非线性多目标跟踪问题的应用验证了算法的有效性.     

似然值波门SMC-PHD滤波器

概率假设密度(Probability Hypothesis Density, PHD)滤波器的序贯蒙特卡罗(Sequential Monte Carlo, SMC)实现需要大量的粒子。为了解决其计算的有效性,本文提出一种改进的SMC-PHD滤波器,称之为似然值波门SMC-PHD滤波器。首先,以所有预测粒子为依据,利用全部的多目标后验信息,最大限度地确认出所有目标生成的观测。其次,基于校正器中所有预测粒子的似然值,避免为粒子贴标签以及传统的距离计算,使得算法在各种应用中易于实现,只有有效观测才参与粒子权值的更新。最后,与基本SMC-PHD滤波器相比,其优秀的实时性和更好的滤波精度通过仿真得到证实。     

基于多假设跟踪的移动机器人自适应蒙特卡罗定位研究

针对移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)算法在含有对称和自相似结构的环境中容易失败的问题, 提出了一种基于多假设跟踪的自适应蒙特卡罗定位改进算法. 该算法根据粒子间空间相似性采用核密度树聚类算法对粒子群进行聚类, 每簇粒子代表一个位姿假设并用一个独立的MCL算法进行跟踪, 总体上形成了一组非等权的粒子滤波器, 很好地克服了普通粒子滤波器由于粒子贫乏而引起的过度收敛问题. 同时运用该核密度树实现了自适应采样, 提高了算法的性能. 针对机器人``绑架'问题对该算法作了进一步的改进. 实验结果证明了该算法的有效性.     

基于蒙特卡洛方法的粒子滤波算法研究

针对非线性、非高斯问题,文章详细分析了贝叶斯滤波的原理及其进展.采用近似线性及高斯假设处理,传统的卡尔曼滤波提供了一种很好的解决方案.但是,真实世界的非线性、非高斯问题存在,使得人们得不寻找一种更好的最优滤波方法.基于随机滤波理论、贝叶斯统计量和蒙特卡洛方法的粒子滤波理论迅速发展,并广泛应用到数字通信、目标跟踪、计算机视觉和机器故障诊断领域.