运动平台的磁性目标实时定位方法

针对目前基于运动平台的磁性目标定位方法计算过程复杂、实时性差的问题,通过对单点磁梯度张量定位算法的空间微分推导,提出了基于磁场三阶张量的目标定位算法,并通过研究运动平台磁梯度张量与磁场三阶张量的微分数学关系,提出了基于运动平台的磁性目标实时定位方法。该方法可利用运动平台的磁梯度张量观测值实时定位静止磁性目标,不需要求解非线性方程组,计算过程简单,实时性强。最后通过仿真实验证明了该定位算法的有效性,并验证了磁力仪精度和系统基线是影响定位结果的主要因素。     

一种基于Camshift聚类的粒子滤波人脸跟踪算法

针对Camshift算法无法处理相似背景颜色干扰、背景复杂和传统粒子滤波人脸跟踪算法中的粒子退化、计算量大等问题,提出了一种基于Camshift聚类的粒子滤波人脸跟踪算法.在粒子滤波框架下,将Camshift算法中的聚类方法引入人脸状态估计中,使每个粒子沿着梯度最大方向迭代至局部密度最大值区域,让所有粒子移动到与人脸颜色相似的区域.实验结果表明:该算法用较少的粒子实现了人脸曲线无规则运动的跟踪,在光照和遮挡问题上有较好的鲁棒性.该算法性能明显优于传统的粒子滤波人脸跟踪算法,用于实现人脸跟踪具有很好的实时性、鲁棒性和有效性.     

基于张量特征值和特征向量的磁性目标定位

针对磁偶极子模型提出了基于磁性目标磁梯度张量矩阵的特征值和特征向量的定向和定位方法。该方法以磁梯度张量信息作为磁测信息,以测量坐标系下的测量点坐标作为辅助信息,先通过单点梯度张量解得位置方向矢量,包括虚解和正解,再结合多点方向和辅助信息确定正解从而实现定位。在高信噪比情况下的仿真和实验结果表明,该方法与直接反演法的定位效果相当,说明了该方法的可行性。     

核粒子滤波目标跟踪算法

针对粒子滤波的退化问题以及使用单一特征跟踪鲁棒性不高的缺点,提出了一种基于多特征融合的核粒子滤波目标跟踪方法.首先在核粒子滤波中提出新的权值更新方法,然后将颜色和纹理特征在核粒子滤波方法框架下进行融合实现鲁棒跟踪.对颜色和纹理特征的计算分别采用空间直方图和积分直方图的计算方法,这2种计算方法有效地克服了2种特征自身存在的缺点.该算法提高了采样效率,解决了粒子滤波的计算量大和粒子退化问题.最后应用本文算法在复杂背景和严重遮挡等情况下的目标序列上进行了测试,实验表明该算法不仅能准确地跟踪目标,而且能很好地处理目标遮挡等问题.     

改进的梯度与肤色融合均值移动粒子滤波人脸跟踪

针对单一肤色特征的跟踪算法鲁棒性不高的问题,提出一种多特征融合的均值移动粒子滤波(MSPF)跟踪算法.该算法用肤色特征与梯度特征表示候选目标,通过粒子滤波与均值移动算法进行特征融合.实验结果表明,该算法能够较好地提高跟踪效率,并对光照、人脸遮挡和人脸旋转等有一定的适应性.     

基于改进的交互式多模型粒子滤波算法

针对交互式多模型粒子滤波算法中因采样粒子缺乏最新量测信息而造成的滤波精度受限问题,在混合卡尔曼粒子滤波算法的基础上,对交互式多模型粒子滤波算法进行了改进,提出了交互式多模型混合卡尔曼粒子滤波算法,并研究了不同组合方式对跟踪精度的影响。首先用无迹卡尔曼滤波产生系统的状态估计,然后用扩展卡尔曼滤波得到粒子的重要性建议分布,充分利用量测信息,对粒子状态进行更新。仿真结果表明,所提出的改进交互式多模型粒子滤波算法目标跟踪精度优于交互多模型无迹卡尔曼粒子滤波算法以及交互多模型扩展卡尔曼粒子滤波算法,从而证明了该算法的有效性。该方法对于进一步提高非线性、非高斯环境下机动目标的跟踪精度具有重要意义。     

基于肤色模型与粒子滤波的人脸自动检测、跟踪算法

首先通过一种基于亮度聚类的肤色模型,检测人脸的初始位置;其次提出了一种基于粒子滤波的特征融合跟踪算法,用颜色直方图和方向梯度直方图来描述目标,在柱子滤波框架下将目标颜色和梯度信息有机结合,并自适应更新来跟踪人脸位置.实验表明,该算法不仅提高了跟踪精度,而且具有较强的鲁棒性.     

量化量测条件下的交互多模型箱粒子滤波

在分布式多传感器网络中,为了节省通信带宽,需要将传感器得到的点量测量化成区间量测,而传统的滤波算法均不能直接处理这种量化量测．箱粒子滤波作为一种“广义粒子滤波”算法,用箱粒子和误差界限模型来取代传统的点粒子和误差统计模型,是新近出现的处理区间量测的有力工具．相比粒子滤波,箱粒子滤波还具有所需粒子数少、算法复杂度低、运行速度快等优点．因此,为了处理量化量测条件下的机动目标跟踪问题,提出了交互多模型箱粒子滤波算法．仿真对比实验表明：在量化量测条件下,交互多模型箱粒子滤波算法和交互多模型粒子滤波算法都能够准确地估计机动目标状态,但交互多模型箱粒子滤波所需粒子数更少、计算效率更高．     

基于改进粒子滤波的传感器网络目标跟踪研究

在分析粒子滤波算法(PF)的基础上研究了一种改进的粒子滤波算法-无迹粒子滤波算法(UPF).UPF算法使用无迹卡尔曼滤波(UKF)算法产生重要密度函数.动态组织传感器网络节点成簇,将UPF算法和PF算法应用于无线传感器网络(WSNs)的目标跟踪,实现了对网络中做匀速直线运动的单个目标的跟踪.最后将UPF算法与PF算法进行比较.仿真结果表明,改进算法UPF滤波提高了粒子利用效率,精度更高,跟踪性能更好.     

基于Markov跳变非线性系统的粒子滤波跟踪算法

针对粒子滤波算法在红外多目标跟踪,尤其是目标被遮挡时跟踪效果不佳的问题,本文在粒子滤波算法中引入Markov跳变非线性系统,在贝叶斯估计时融入Markov随机场来描述目标交汇时的交汇模型,并将其应用在有目标遮挡情况的红外图像的多运动目标跟踪中。实验结果表明,引入Markov跳变的粒子滤波算法,其抗遮挡能力大大提高,跟踪效果优于经典的粒子滤波算法。     

一种基于粒子滤波的红外多目标跟踪算法

针对粒子滤波算法固有的"退化"和"样贫"问题,采用基于权值选择重采样算法与粒子滤波算法相结合来优化粒子滤波的滤波性能、克服粒子退化。针对粒子滤波算法在红外目标跟踪,尤其是对遮挡目标跟踪方面的不足,本文从Markov跳变非线性系统贝叶斯状态估计的角度出发,引入一种无向图即马尔可夫随机场(MRF)来描述多目标的交互模型,提出了该系统下的粒子滤波跟踪框架,并将其用在被遮挡的红外多目标跟踪中。实验结果表明,所提出的算法能有效对被遮挡的红外目标进行跟踪,并且在抗遮挡性以及跟踪持久性等方面优于主流算法。     

一种改进的雷达弱目标检测前跟踪算法

针对基于粒子滤波的检测前跟踪算法(PF-TBD)采样盲目性的问题,提出基于辅助粒子滤波的检测前跟踪算法(APF-TBD).该算法的重要性密度函数是一种依靠过去状态与系统最近观测量的密度函数,进一步使权值变化稳定,最终使得均方根误差较小,得到的粒子更逼近真实值,并将其应用于常规雷达对弱目标的检测与跟踪.仿真结果表明,该算法比PF-TBD有更好的检测效果与跟踪效果.     

基于支持向量机粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在的粒子退化问题,提出了一种新的基于支持向量机的粒子滤波目标跟踪算法。该算法利用滤波过程中的预测粒子集及其权值,使用支持向量机估计出系统状态的后验概率密度,再根据该概率密度重采样更新粒子集,以提高粒子的多样性,从而克服粒子的退化现象。仿真结果表明,该算法能显著增加有效粒子的数量,其目标跟踪精度优于马尔可夫链蒙特卡罗移动方法以及正则粒子滤波算法。     

基于无味粒子滤波的动态场景下高机动目标跟踪

针对传统粒子滤波的目标跟踪算法存在粒子退化问题,提出了基于无味粒子滤波(UPF)的目标跟踪算法。为了将当前观测信息融入,采用无味卡尔曼滤波(UKF)生成粒子滤波的提议分布,以改善滤波效果。针对目标在机动过程中引起的视觉形变以及背景的变化,又采用了颜色直方图作为目标的颜色分布模型,并与UPF相融合。仿真结果表明,该算法对动态场景下的高机动目标有较好的跟踪效果。     

无线传感器网络下的并行粒子滤波目标跟踪算法

针对无线传感器网络环境下目标跟踪问题,提出一种基于分布式并行粒子滤波的目标跟踪方法.在建立了网络动态分簇模型和目标运动模型的基础上,将并行粒子滤波算法应用于动态目标进行跟踪.算法通过多个感知节点并行的运行局部粒子滤波器,得到每个节点对目标状态的估计,动态成簇的簇头节点对簇内每个节点的信息进行融合,形成动态目标的状态估计...     

一种适用于无线传感器网络的遗传粒子滤波跟踪算法

针对WSN遗传粒子滤波跟踪算法的粒子集退化的问题,提出了一种改进的遗传粒子滤波跟踪算法,该算法在遗传交叉过程中同时随机选取新旧粒子集中的粒子进行交叉,充分利用了父代优良基因,并给出了交叉、变异概率等参数的选取方法.仿真结果表明:与原算法相比,改进的遗传粒子滤波算法在大噪声条件下改善了粒子贫乏问题,提高了跟踪精度.     

融合KCF和HOG的改进TLD目标跟踪算法

针对跟踪-学习-检测(TLD)算法跟踪速度慢,对光照变化鲁棒性差的问题,提出了一种融合核相关滤波(KCF)和方向梯度直方图(HOG)的改进TLD目标跟踪算法.该算法将TLD跟踪模块的中值流跟踪替换为KCF目标跟踪,通过循环矩阵将计算从时域转换到频域,大大降低了计算量,提高了算法的跟踪速度;再通过提取目标的HOG特征,代...     

均值漂移优化的粒子滤波目标跟踪方法

为了实现粒子集的有效传播,克服粒子滤波跟踪时的退化问题,提出尺度和方向自适应的均值移动优化粒子滤波目标跟踪算法.用改进的均值移动作为一种优化机制对粒子进行传播,使粒子能够有效分散和聚类,有效解决退化问题.最后将该方法应用到真实图像序列中,实验表明算法在性能和效率上有明显提高.     

基于序列Monte Carlo方法的运动目标跟踪

针对移动机器人中的非线性非高斯特性,提出用粒子滤波的方法对运动目标进行跟踪,研究在贝叶斯框架下进行目标跟踪的原理,分析粒子滤波算法及存在的问题.应用这种方法,针对移动机器人的实际情况,建立了具体的系统模型和测量模型,比较不同的重采样算法,实现了对运动目标的跟踪任务.仿真结果表明,粒子滤波对于非线性非高斯的动态系统有良好的估计效果,在3种常用的重采样算法中,残差重采样的准确性稍高,分层重采样的计算比较简单,而多项式重采样是一种基本的重采样算法.     

基于神经网络的多机动目标跟踪算法

将神经网络理论用于多机动目标跟踪,解决了联合概率数据关联(JPDA)存在的计算量组合爆炸问题。基于神经网络数据关联(NDA)所得到的最佳关联假设,将其与简化信息融合并行自适应滤波算法(DAF)进行有效结合,在保证量测与目标有效关联的同时,还具备跟踪起始和终结的作用,实现了对多机动目标的状态滤波与预测。仿真结果表明,与传统的交互式多模型联合概率数据关联算法相比,新算法在保证多机动目标的跟踪精度及实时性要求的同时,计算量大大减少。