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.     

一种新型多特征融合粒子滤波视觉跟踪算法

针对单一视觉信息在动态变化环境下描述目标不够充分、跟踪目标不够稳定的缺点,提出了一种基于粒子滤波框架的新型多特征融合的视觉跟踪算法。采用颜色和形状信息来描述运动模型,通过民主合成策略将两种信息融合在一起,使得跟踪算法能根据当前跟踪形势自适应调整两种信息的权重以期达到最佳的最大似然比,实现信息间的优势互补。在设计粒子滤波跟踪算法时,利用自适应信息融合策略构建似然模型,提高了粒子滤波跟踪算法在复杂场景下的稳健性。实验结果表明,多特征融合跟踪算法不仅能准确、高效地跟踪目标,而且对光照、姿态变化引起的目标表观变化具有良好的鲁棒性。     

基于特征融合的粒子滤波红外目标跟踪算法

复杂环境中稳健的红外目标跟踪在自主导航、无人机探测、预警等方面具有重要研究意义.就经典粒子滤波红外目标跟踪算法中单一的灰度特征缺乏鲁棒性引起跟踪失效的问题,提出了一种基于特征融合的粒子滤波红外目标跟踪算法.结果表明,该算法能够从跟踪鲁棒性、准确性和实时性3个方面实现稳健的红外目标跟踪.     

基于粒子滤波的目标跟踪算法

粒子滤波是一种可在非线性和非高斯情形下进行状态估计的有效方法.文中介绍了一种基于粒子滤波来实现目标跟踪的具体方法,给出了粒子滤波的基本原理以及在该理论框架下进行目标跟踪的具体算法和实现步骤.     

改进的多特征融合粒子滤波视频跟踪算法

视频运动目标的跟踪是一个典型的非线性、非高斯问题,粒子滤波是一个解决非线性、非高斯问题的主流方法,粒子滤波技术具有非线性等特性,在目标跟踪过程中得到了广泛的应用。传统粒子滤波跟踪算法的退化现象严重,经过几次迭代递推,权重方差随着时间推移而增大,为解决该问题引入均值漂移算法,调整初始粒子分布,使粒子集中于邻近的局部极大值区域内,以减少退化现象的发生。并且将颜色特征和边缘特征融合在粒子滤波跟踪算法中,在传统算法基础上提出改进,加入优化机制,使粒子的权值分布更加接近实际情况。实验结果表明了该算法的有效性。     

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.     

基于多特征信息融合粒子滤波的红外目标跟踪

多特征信息有较好的检测性能和适应性,而粒子滤波则是一种处理目标跟踪模型的非线性和非高斯特点的有效方法,将两者优点结合并针对红外图像特点,提出一种基于多特征信息融合的跟踪算法,该方法按一定的权值系数利用目标颜色和纹理特征构建模型,并融合于粒子滤波框架中。实验表明该跟踪方法能准确地跟踪海上红外运动目标。     

基于多特征融合的均值迁移粒子滤波跟踪算法

仅用单一的颜色特征进行跟踪是大多数跟踪算法鲁棒性不高的主要原因。针对此问题,该文提出一种多特征融合跟踪算法。该算法利用颜色和纹理特征表示目标,通过均值迁移和粒子滤波算法进行特征融合,有效地避免了单一颜色特征在光照变化和背景相似情况下的不稳定问题。将两种常用的融合策略结合,减轻了粒子的退化现象,提高了算法效率。实验结果表明该算法提取的目标特征具有较强的鲁棒性,能实现复杂场景下的目标跟踪。     

特征融合的灰狼优化粒子滤波目标跟踪算法

针对传统粒子滤波算法在跟踪目标所处环境迁移,目标姿态变化和发生遮挡时容易出现跟踪框漂移现象,提出一种基于灰狼算法优化的粒子滤波跟踪方法(GWOPF)。首先,将全局特征HSV颜色特征和局部特征方向梯度直方图(HOG)特征加权融合建立观测模型;然后,用灰狼算法(GWO)优化粒子滤波算法结构,利用GWO位置更新机制改善粒子空间分布状况,在粒子重采样前进行权值自适应调节,解决原始粒子滤波方法采样时出现的粒子退化问题并优化滤波效果。实验结果表明,改进后的算法在具有挑战的Tiger和Girl视频序列中跟踪成功率分别达到了97.5%和95.0%,单帧处理时间缩短至24.6 ms和18.4 ms,具有较高的跟踪精度和良好的鲁棒性,能够应对跟踪目标发生旋转、部分遮挡等情况以及实时性要求。     

基于特征融合的粒子滤波目标跟踪新方法

针对传统粒子滤波(PF)算法采用单一颜色特征建模 跟踪目标性能差的缺陷,提出一种颜色特征与纹理特 征相融合的PF目标跟踪新算法。首先,采用一种具有抗噪声和保护纹理边缘的全局中值二值 模式 (GMBP)纹理算子,对模板图像进行局部差绝对值处理,得到幅 值序列模板,将幅值序列模板内的中值作为模板的阈值,与模板邻域比较获得新的纹理图像 ;然后,与 具有光照不变特性的局部二值模式(LBP)纹理算子结合,形成一种(GMLBP)新的纹理描述算子 。最后,分别计算GMLBP纹理特征粒子权值和HSV颜色特征粒子权 值,并依据权值大小确定融合系数,对纹理特征粒子权值和颜色特征粒子权值进行线 性融合,再对融合后粒子权值进行归一化处理,从而得到目标位置状态的最终估计值。对比 实验结果表明, 相对于单一颜色特征的目标跟踪算法,所提算法捕捉目标位置准确且具有更低的平均跟踪误 差,其平均误差降低了近2倍。     

基于粒子滤波的弹道目标跟踪

弹道目标再入段的运动受到空气阻力、重力等力的影响,具有明显的非线性特征.传统的卡尔曼滤波是线性、高斯问题的最优滤波器,但无法处理非线性的估计问题.扩展卡尔曼滤波利用泰勒级数展开把非线性方程线性化,是解决非线性估计问题的有效算法;而近些年来出现的粒子滤波以其解决非线性问题的卓越性能,得到了迅速发展.文章对弹道目标再入段的运动特征进行研究,建立了目标的状态空间模型,并应用扩展卡尔曼滤波和粒子滤波实现了对弹道目标的跟踪.通过比较仿真结果,证明粒子滤波比扩展卡尔曼滤波精度更高,对噪声的抑制能力更强,也更稳定.因而具有重大的研究意义.     

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...     

基于粒子滤波和稀疏表示的视频目标跟踪

文中将视频目标跟踪看成在粒子滤波框架下的稀疏表示问题,提出了具鲁棒性的视觉跟踪方法。在跟踪过程中,将目标的先验知识和目标状态及其观测结果联系起来构造贝叶斯概率模型,根据基本粒子滤波算法对目标位置进行估计。候选目标通过目标模板和琐碎模板稀疏表示,用l1范数稀疏正则化算法求解稀疏问题,选取具有最小残差的候选目标为跟踪结果。通过动态更新模板和非负性约束两种策略,使算法在目标遮挡、噪声、形变等各种干扰因素下,均达到了很好的跟踪性能。     

一种抗遮挡自适应粒子滤波目标跟踪方法

针对传统视觉跟踪算法在目标发生遮挡时容易发生偏离或失败的缺陷,提出了一种新的抗遮挡自适应粒子滤波(PF)目标跟踪方法。在粒子传播过程中,利用目标SSD(sum of squareddifference)残差所生成的高似然区域能自适应地调整状态空间中的粒子采样区域范围和采样粒子数量,使跟踪中粒子采样覆盖目标的各种状态可能性,全面提高状态空间质量。预测状态和粒子估计状态通过噪声协方差很好地融合起来,能够较有效地解决遮挡情况下的跟踪问题,使目标定位更加精确。粒子数量的自适应不仅能很好提高跟踪精度,而且在一定程度上降低了计算代价。实验结果表明,本文算法对跟踪目标遮挡具有较好的容错性和跟踪鲁棒性,能有效实现复杂场景下的目标跟踪。     

基于嵌入式多核DSP 系统的并行粒子滤波目标跟踪

目标跟踪中的伺服系统需要极低的跟踪延时,由于粒子滤波跟踪算法固有的庞大计算量使得目标跟踪的精度大受影响。提出了一种粒子滤波跟踪算法在多核DSP 系统中的快速实现方法。首先,利用DSP 片上的包加速器来降低以太网相机的采集延时以及CPU 占用率,CPU 占用率从31%降低到10%;其次,通过手动操作高速缓存的刷新和实效,解决了多核同时共享图像数据带来的存储器一致性问题,多个核能通过高速缓存快速获取图像数据;最后,通过在多核核心上设置代理任务的方法,建立了一种多核并行计算的机制。粒子滤波算法中计算复杂度高的运算阶段被分配到多个核心上同时运算,实现了算法的低延时。实验结果显示8 核加速比达到7 倍以上,优于开放多处理标准 OpenMP 的并行优化效果。     

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。     

基于改进粒子滤波和自适应融合的目标跟踪

针对复杂环境下视频目标跟踪精确度低的问题,提 出了一种基于混合迭代无迹粒子滤波(HI-UPF)和关联系数自 适应融合的目标跟踪算法。首先采用统计线性回归的方法对无迹变换进行优化,提出了HI- UPF,不 仅提升了滤波精度,而且有效降低了算法的时间消耗;其次基于关联系数,采用一种自适应 融合方法,实现了加性 融合和乘性融合的自适应切换,并根据关联系数提出一种改进的自适应加性融合方法。仿真 实验表明,本文方法对 于复杂条件下的目标跟踪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。