基于粒子滤波改进的行人跟踪算法

为了提高汽车安全辅助驾驶技术和减少道路交通事故,根据行人运动变化特点,对基于粒子滤波的跟踪算法进行改进,提出一种新的行人跟踪算法.通过将空间距离中心加权和相关信息相结合的颜色直方图的观测模型方法,实现行人目标跟踪.实验结果表明,与基于HSV空间颜色直方图的粒子滤波跟踪算法相比,该算法有效解决复杂背景下局部遮挡和全遮挡问题,并在鲁棒性方面明显地优于前一种算法.     

一种基于粒子滤波的自适应运动目标跟踪方法

该文提出了一种基于粒子滤波的自适应运动目标跟踪方法。均值漂移算法是一种最优梯度下降法,通过迭代来搜索目标,从而实现对运动目标的跟踪。而粒子滤波是一种在非线性和非高斯情形下进行跟踪的强有力方法。该文首先对图像的直方图进行改进,提出了一种基于统计直方图分布的目标模型,然后通过这个模型将这两种方法有效地结合起来。根据跟踪的过程,自适应地调整参数,能够较好地处理图像序列中由于光线变化或遮挡所带来的影响。实验证明,该文所提出的方法与均值漂移方法相比,即使在复杂的情形下,也能够准确地对目标进行跟踪。     

基于颜色直方图的粒子跟踪算法在视频监控中的应用

摘 要：本文通过对跟踪目标颜色特征的分析,采用了基于颜色直方图的粒子滤波跟踪算法对目标进行实时跟踪。该算法首先确定目标跟踪模型并归一化颜色直方图,其次设定粒子初始化参数、计算粒子参数、比较颜色直方图从而确定目标位置,最后通过重采样更新粒子。该算法充分利用颜色直方图作为目标的描述特征,同时兼顾粒子滤波对复杂环境的要求,可以实现非线性和非高斯噪声系统的目标跟踪。仿真效果表明,该算法可以很好的对单目标和多目标进行实时跟踪。     

基于HOG特征的粒子滤波视频跟踪算法研究

在视频分析处理领域中,特别是在视频监控领域,目标跟踪正在受到越来越多的关注。由于在实际应用中,利用运动摄像机拍摄的视频中,会造成背景的运动和目标尺寸的变化,即使是在固定摄像机拍摄的视频中,也会由于背景环境的复杂,造成目标的丢失和干扰。针对这一问题,为了改善在复杂场景下的目标跟踪效果,提出了结合梯度方向直方图(HOG)和粒子滤波的目标跟踪算法。此方法是通过在传统粒子滤波算法的算法框架下,增加目标跟踪的特征,提高了跟踪的鲁棒性,并根据检测结果确定目标。实验仿真表明,与传统单一特征的粒子滤波算法相比,文中的算法更能准确有效地跟踪复杂背景下的动态目标。     

基于改进混合高斯背景模型的车辆检测算法研究

传统的混合高斯背景模型对光照突变十分敏感,对运动车辆检测效果不理想。为此,本文提出了一种基于改进混合高斯背景模型的车辆检测算法,利用不匹配像素来消除光照突变对背景建模产生的影响。实验结果表明,与传统的混合高斯背景模型算法相比,在光照突变明显的条件下,改进后的算法更能有效检测出运动车辆。     

基于多特征建模的粒子滤波红外目标跟踪算法

提出一种基于多特征融合进行建模的粒子滤波红外目标跟踪算法.提取红外图像的灰度特征和边缘特征,将灰度直方图以及边缘直方图结合起来进行目标建模.选取的2个特征具有很强的互补性,有效地克服了使用单一特征建立目标跟踪模型时无法避免的一些缺点.分析和实验表明,该算法对于目标的各种复杂运动状态均能稳健、有效地跟踪,具有较好的实时性和准确性.     

一种Camshift优化的粒子滤波跟踪算法

针对传统粒子滤波目标跟踪算法中用先验转移概率作分布函数时计算量大、粒子退化严重且未考虑最新观察信息等缺点,提出了一种Camshift优化的粒子滤波跟踪算法.算法首先在粒子滤波框架下,利用Camshift算法使粒子向目标状态的最大后验核密度估计方向移动.然后针对目标所处环境的不同,提出了适时调整参与Camshift算法优化的粒子数的方法,既考虑了跟踪算法的效率又考虑了粒子的多样性.跟踪结果表明,该算法的跟踪性能明显优于传统的粒子滤波算法,具有很好的实时性和鲁棒性.     

一种基于SMOG模型的红外目标跟踪新算法

空间颜色混合高斯模型(SMOG)在基于颜色特征的目标跟踪中显示出比颜色直方图更强的目标鉴别能力,因为它不仅考虑了区域的颜色信息,而且也考虑了颜色的空间分布信息.本文将SMOG模型合理地引入到了红外目标的建模中,改进了原SMOG模型中的相似性度量函数,进一步提高了其对目标的鉴别能力.在粒子滤波框架内,使用简单的二阶自回归模型作为系统状态转换方程,将改进后的相似度函数作为各粒子的状态观测,给出了有效的模式更新方法以适应目标外观的变化,并设计出了一种有效的红外目标跟踪算法.实验证明,SMOG模型能有效刻画红外目标,本文提出的算法对红外目标的跟踪是稳健的.     

粒子优化组合的粒子滤波跟踪算法研究

为了改善运动目标跟踪问题中粒子滤波算法(PF)的估计精度,针对粒子滤波出现样本退化以及样本贫乏问题,提出了一种基于粒子优化组合的粒子滤波算法(POCPF)。该算法用一能使粒子朝后验概率分布值较大的区域运动的似然函数来改善粒子的位置,然后重估粒子的权值对粒子进行优化组合,满足粒子的多样性要求,从而克服了粒子的贫乏问题,在一定程度上减少系统状态为达到精确度所需的粒子数目,缩短运行时间。通过仿真实验证明了POCPF算法的有效性,当粒子数相同时,POCPF算法性能优于PF算法。     

应用于运动视频目标跟踪的改进粒子滤波模型技术研究

粒子滤波作为目标跟踪的主流技术,在人体运动视频分析中具有广阔的应用前景。为了进一步提高目标追踪的精度,提出一种基于改进粒子滤波模型的运动视频目标跟踪算法。采用HSV分布模型构建目标观测模型,结合粒子滤波器和退化权值检测运动目标是否出现在目标观测模型中。最后引入遗传算法对粒子滤波算法进行改进,以便消除粒子退化的现象。在体育运动员视频中进行测试验证,实验结果表明,提出的算法能够有效完成运动视频中的人体目标跟踪,与其他算法相比,提出算法的精度和运行效率更高。     

基于改进粒子滤波的鲁棒目标跟踪算法

为了克服样本贫化现象导致的滤波发散,本文对重采样后的粒子进行有方向性的变异操作,在增加样本集的多样性同时使粒子集更集中均匀的分布在目标的邻域.同时把Mean Shift算法引入粒子滤波(PF)框架中,对PF估计结果迭代得到最优的目标状态,并用迭代得到的状态值控制粒子变异的方向.仿真实验表明,本文提出的方法具有更高的估计...     

基于K-均值聚类的改进粒子滤波跟踪算法

针对粒子滤波算法因计算量过大带来的实时性问题,文中提出一种基于K-means聚类的粒子滤波目标跟踪算法。该算法利用K-means算法对重采样后的粒子进行聚类以达到进一步寻优的目的,这样可以得到更为有效的粒子集,从而大大减小计算的复杂度。通过与基于传统粒子滤波算法的实验数据的分析表明提出的算法可以有效地减小计算量,改善粒子滤波算法的实时性问题。同时,相比于传统粒子滤波目标跟踪算法,改进算法的鲁棒性也有所提高。     

Robust tracking algorithm for wireless sensor networks based on improved particle filter

Benefitting from its ability to estimate the target state's posterior probability density function (PDF) in complex nonlinear and non‐Gaussian circumstance, particle filter (PF) is widely used to solve the target tracking problem in wireless sensor networks. However, the traditional PF algorithm based on sequential importance sampling with re‐sampling will degenerate if the latest observation appear in the tail of the prior PDF or if the observation likelihood is too peaked in comparison with the prior. In this paper, we propose an improved particle filter which makes full use of the latest observation in constructing the proposal distribution. The quality prediction function is proposed to measure the quality of the particles, and only the high quality particles are selected and used to generate the coarse proposal distribution. Then, a centroid shift vector is calculated based on the coarse proposal distribution, which leads the particles move towards the optimal proposal distribution. Simulation results demonstrate the robustness of the proposed algorithm under the challenging background conditions. Copyright © 2010 John Wiley & Sons, Ltd.     

基于概率密度估计改进粒子滤波的行人跟踪算法研究

利用粒子滤波实现行人跟踪是视频智能监控的主要方法之一,但粒子滤波的粒子退化问题尚未得到一个比较理想的解决方法。本文利用重采样后的粒子集,构造经验分布函数,用支持向量机估计状态的后验概率密度模型,再依据该模型采样,在保证粒子有效性的同时增加了粒子的多样性,从而克服粒子退化现象,并基于加权颜色直方图模型进行了行人跟踪仿真实验。实验结果表明,该方法能有效克服粒子退化现象,跟踪精度相对于标准粒子滤波算法得到了提高,且该方法无需对后验分布作高斯假设,为解决粒子滤波算法中的粒子退化问题提供了一种方法。     

基于改进的粒子滤波算法的目标跟踪

为了解决粒子滤波算法在重采样过程中会造成粒子有效性和多样性的丧失,导致粒子贫化现象,提出了一种基于萤火虫算法的改进的粒子滤波算法。该算法在粒子滤波重要性采样过程中使用萤火虫算法,对粒子进行迭代寻优,使得采样出来的粒子更接近真实的后验概率;在粒子滤波重采样过程中,使用萤火虫算法使得粒子向高似然区域移动,提高粒子的多样性。实验结果表明,基于改进的粒子滤波算法目标跟踪效果优于传统的粒子滤波算法,可以在各种具有挑战性的条件下更好地进行目标跟踪。     

基于Box粒子滤波的参数自适应机动目标跟踪

针对机动目标跟踪加速度的不确定性,引入一种新的参数自适应算法,采用粒子滤波及高斯核密度估计技术,估计目标机动参数,实现对任意机动目标的跟踪。在此基础上,考虑到粒子滤波计算代价较高的问题,进一步引入区间分析技术,采用Box粒子代替传统的粒子,以提高算法的计算效率。实验结果表明,提出的算法能够有效地跟踪任意机动目标,且运算时间明显低于传统的参数自适应算法。     

基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

视频序列中基于粒子滤波的运动目标的跟踪的研究

信息时代背景下,安防、交通等领域对智能视频监控系统的需求日渐增加。粒子滤波作为一种新型滤波算法,以其自身独特的优势,在视频目标跟踪中得到了广泛应用和普及,但是,粒子滤波算法在实际应用过程中,存在很多不足之处,在很大程度上影响其跟踪效果。本文将对视频目标跟踪算法进行分析和研究,阐述视频序列中基于粒子滤波对运动目标的跟踪,并对粒子滤波算法进行适当改进,旨在为我国相关领域发展提供支持。     

一种导向粒子滤波跟踪算法

粒子滤波算法在运动目标跟踪方面有着广泛的使用,粒子滤波中的重采样是解决粒子退化的一种重要方法,但是重采样会导致粒子的多样性的丧失。针对这个问题,改进粒子滤波算法,改进过程中结合了导向滤波的基本思想,因此将这种方法称为导向粒子滤波跟踪算法。导向滤波是近几年提出的一种新的滤波方式,与传统滤波相比,它在滤波的时候会引入一幅指导图像,鉴于这个思想,我们在进行粒子滤波的时候,引入一种导向粒子作为一个指导量,来保留一些目标图像上的信息。实验证明了这种算法可以更好地对目标进行定位跟踪。     

基于RB粒子滤波的多传感器目标跟踪融合算法

构建面向多传感器信息融合系统的粒子滤波(PF)器是拓展采样型非线性滤波应用领域的关键,针对PF在多传感器融合目标跟踪系统的有效实现问题,提出了一种基于Rao-Blackwellized(RB)PF(RB-PF)的多传感器目标融合跟踪(MT-RB-PF)算法。首先,利用RB建模技术实现跟踪系统非线性状态估计的降维处理;其次,结合多传感器融合系统特点,给出一种多量测下粒子权重优化新方法用以改善粒子权重度量的可靠性和稳定性;最终,通过标准PF和卡尔曼滤波(KF)实现非线性和线性状态分量的估计,并利用状态重构方法构建当前时刻的状态估计值。理论分析和仿真实验验证了算法的有效性。