基于粒子滤波的移动机器人目标追踪控制改进算法

针对移动机器人目标追踪控制问题,以三轮全向移动智能足球机器人为研究对象,结合图像区域分割技术建立机器人运动模型和测量模型,提出基于高斯和粒子滤波的移动机器人目标追踪改进算法应用于足球机器人比赛环境。该算法将高斯和滤波中的并行扩展卡尔曼滤波用并行高斯粒子滤波代替,充分考虑当前时刻观测量对状态分布的影响,提高系统精度的同时降低滤波过程中使用的粒子数目,减轻系统计算量;仿真结果表明,该算法有效的减少足球机器人目标追踪过程中的误差和修正时间,特别是目标物体曲线行驶时,可以有效的将x轴与y轴方向的误差控制在一个较稳定的范围内,提高系统的稳定度。     

基于粒子滤波的移动物体定位和追踪算法

提出一种基于粒子滤波的目标定位算法PFTL(particle filter based target localization)以及一种基于网络覆盖问题的节点组织策略SAC(sampling aware tracking cluster formation).PFTL 的基本思想是,采用一系列带权粒子(weighted particles)来预测移动物体位置的后验分布空间,每个新时刻根据传感器的测量数据来权衡和定位目标.PFTL 通过引入误差容忍(error tolerant)的方式来存储和发送目标位置数据,使汇聚点关于物体位置信息的数据误差在一个可控的范围内,进而极大地减少网络通信负荷.SAC基于传感器采样离散化的特点来制订数据融合策略,并以最大化覆盖物体运动轨的方式动态地选取节点和进行节点簇的有效组织.模拟实验结果表明,与现有的几种定位算法和追踪协议相比,结合PFTL 算法和SAC 策略能够以较小的代价取得更好的定位效果和网络负载均衡,进而延长网络寿命.     

基于核函数粒子滤波和多特征自适应融合的目标跟踪

经典粒子滤波及其改进算法在观测模型与真实情况存在偏差时会导致滤波发散,针对这一问题,提出一种核函数粒子滤波算法.该算法根据目标状态与粒子状态之间的距离,利用核函数产生权值对粒子进行二次加权,根据粒子的二次加权结果进行粒子重采样;以改进的粒子滤波算法为框架,提出了一种自适应多特征融合目标跟踪方法,利用相似性度量动态地评价特征对目标与背景的区分能力,并自适应地计算特征融合权重,以适应目标跟踪过程中目标与背景的变化,提高目标跟踪的鲁棒性.实验结果表明,文中提出的目标跟踪方法比经典粒子滤波目标跟踪方法具有更强的抗干扰性能和较高的跟踪精度.     

基于目标跟踪的粒子群粒子滤波算法研究

针对粒子滤波方法在重采样阶段容易造成样本有效性和多样性的损失,导致了样本贫化问题,提出了一种改进的粒子滤波算法.算法将粒子群优化思想引入粒子滤波中,在粒子采样过程前先利用粒子群算法进行优化.粒子群算法将最新观测值融合到粒子进化公式中,大部分粒子经过粒子群优化后,朝着后验概率分布比较密集的区域运动,聚集在最优粒子附近,使粒子的权值被提高,避免了在重新采样过程中被舍弃,进而缓解了样本被贫化问题.目标跟踪系统中的位置估计由于物体运动具有突然性,很难准确估计.采用非线性目标跟踪模型和分时恒定值模型分别研究改进粒子滤波算法对误差均方值的影响.仿真结果表明改进算法与常规粒子滤波算法和扩展卡曼滤波算法相比,更加有效地降低变量的误差均方值,从而提高了滤波性能.     

核函数K-粒子滤波算法研究

针对粒子滤波易出现粒子退化这一问题,引入核函数K,提出一种核函数K粒子滤波算法.根据粒子滤波中重采样得到的粒子集合的概率特征,设计合适的核密度K(·)和核带宽h,使得真实的后验概率密度与对应的K估计之间的均方误差均值最小.通过设计的核函数模拟离散分布重建它的连续分布,然后从后验分布的连续近似中重新获得重采样粒子,从而保证粒子的多样性,抑制粒子退化.将提出的KPF算法与PF算法应用到单变量非静态增长模型和SINS/SAR组合导航系统中,通过仿真验证结果表明,提出的KPF算法能改善滤波性能,进一步提高解算精度.     

改进无迹粒子滤波的室内移动目标定位算法

针对室内移动目标定位算法抗差性易受到异常噪声干扰的问题,提出了一种抗差自适应无迹粒子滤波室内移动目标定位算法.根据信号接收强度的分布特性,采用多项式拟合的方法对信号强度观测值进行修正;对无迹粒子滤波算法引入抗差估计,利用马氏距离构造等价权函数,抑制异常噪声对算法的影响,增强算法对环境扰动的控制能力.仿真结果表明:与传统...     

基于联合特征的边缘粒子滤波目标跟踪算法研究

针对采用单一特征建立的动态空间模型与实际系统差距较大,从而使估计误差增加的问题,通过将系统的状态参数引入颜色特征模型中,与颜色特征参数一起构成系统状态空间向量,提出了一种联合颜色状态特征的优化目标跟踪算法.应用Rao-Blackwellization算法思想,由Kalman线性滤波方法解析处理线性的颜色特征转移和更新过程;而目标位置参数采用粒子滤波进行估计,提高了视频目标跟踪的精度和实时性.通过与其他相似算法的比较实验结果可以看出,算法在环境亮度发生变化、目标遮挡等情况下,仍能够保持较高的跟踪精度,既提高了跟踪系统的鲁棒性,又保证了算法的实时性,优于传统的单一特征视频跟踪算法.     

基于核岭回归方法的定位算法研究

针对无线传感器网络环境下的定位问题,提出了一种基于核岭回归(Kernel ridge regression,KRR)的定位算法。核岭回归算法是在岭回归算法的基础上加入了核函数,该算法在离线阶段采用核岭回归方法提取所有位置指纹数据间的非线性关系,训练出非线性回归定位模型;在线阶段采集目标点的接收信号强度指示（Received signal strength indicator,RSSI）值,利用非线性定位模型估计目标点的物理位置。仿真分析了影响算法性能的各个因素,并在室内典型办公环境下进行了定位实验。实验结果表明,该算法在不同因素的影响下,相比传统加权K近邻算法(Weight K-nearest neighbor,WKNN)算法能达到更好的定位精度,在位置网格间距1.8 m时,WKNN算法平均定位误差为2.53 m,而该算法误差为1.58 m。     

基于边缘粒子滤波的目标跟踪算法研究

为了提高目标跟踪过程中粒子滤波结果的精度,将边缘粒子滤波算法应用于目标跟踪。首先将目标运动状态向量划分为线性和非线性两个子向量,然后,采用卡尔曼滤波方法处理线性状态子向量,采用粒子滤波方法处理非线性状态子向量。使用边缘粒子滤波算法和标准粒子滤波算法对目标进行跟踪仿真。仿真结果表明：将边缘粒子滤波算法应用在目标跟踪过程中,能够取得更高的跟踪精度;时间复杂度增加仅6%;在粒子数相对较少的条件下,仍能够保持较好的滤波性能。     

基于移动WSN目标追踪算法

水下移动无线传感器网络是追踪水下目标的重要手段,由于水下环境复杂,传感器节点会因为损坏或能量耗尽等问题脱离WSN网络,造成目标追踪困难。针对该问题,在拓扑熵理论基础上建立移动WSN目标追踪算法模型,利用拓扑熵对空间中点集拓扑关系描述移动WSN节点的部署情况。当有节点脱网后,通过不断计算拓扑熵值的变化合理调度节点移动,实现节点移动过程中的分布式自适应部署。仿真结果表明,在传感器节点损耗的情况下,提出算法和现有WSN目标追踪方法相比,在优化移动传感器网络的部署和目标追踪方面,具有更高的算法性能和效率。     

目标跟踪的自适应双重采样粒子滤波算法

针对传统粒子滤波存在的粒子退化、贫化问题及粒子集个数不能自适应改变带来的滤波精度和收敛速度下降的问题,提出一种基于双重采样的自适应粒子滤波算法。该算法首先利用观测新息来确定重采样粒子分布方案,然后在首次重采样基础上,采用粒子交又聚合算法进行二次重采样,提高了粒子的使用效率,避免了由于使用过多粒子而增加计算量的问题。基于DR/GPS的实验仿真结果表明,与传统的PF算法相比,该算法有效提高了滤波精度和稳定性。     

一种基于改进粒子滤波的运动目标跟踪

基于传统粒子滤波的运动目标跟踪方法中存在重要密度函数选择困难、缺乏通用性、重采样设计难度大、粒子退化现象难以有效解决等问题。因此提出了一种改进的粒子滤波运动目标跟踪方法,该方法采用人工鱼群算法改进重要密度函数,通过粒子间的不断交互及协调行为,使其状态接近后验分布,从而提高重要密度函数的通用性。在此基础上,结合人工免疫算法的免疫算子改进重采样,平衡粒子群的收敛性和多样性,抑制早熟现象。实验结果表明,与传统粒子滤波算法相比,该方法通过参数调节,提高了运动目标跟踪的准确性和抗干扰能力,并能有效地抑制粒子退化现象。     

MB-LBP特征提取和粒子滤波相结合的运动目标检测与跟踪算法研究

在复杂环境下,由于行人密度大以及运动随机性,导致运动目标(行人)难以检测和跟踪,造成人员计数误差。提出一种MB-LBP(Multi-scale Block Local Binary Pattern)特征提取和粒子滤波相结合的运动目标检测与跟踪算法来解决此问题。该算法首先用AdaBoost提取MB-LBP特征训练生成分类器进行人头检测,并根据人头目标尺寸变化范围去除部分误检,然后用改进的粒子滤波算法预测跟踪多个运动目标,最后对跟踪的运动目标进行计数。实验结果表明,提出的算法能够对复杂环境下多个运动目标进行有效检测及跟踪,准确、快速地对视频帧中的人员进行计数。     

无线传感器网络目标跟踪算法的研究

研究传感器网络目标跟踪精度问题,跟踪目标的运动轨迹具有时变性,是一种非线性、非高斯问题,传统跟踪算法解决非线性问题时具有局限性,导致目标跟踪精度不高。为提高目标跟踪精度,将不受非线性、非高斯问题限制的粒子滤波算法引入到无线传感器网络目标跟踪应用中,并对基本粒子滤波算法的缺陷进行改进。仿真结果表明,改进粒子滤波算法提高了粒子利用效率,不仅提高了目标跟踪的精度,跟踪性能更好,并适合于目标跟踪的精度和实时性要求,为设计网络系统提供了参考。     

粒子滤波器在图像序列目标跟踪中的应用

粒子滤波器是一种根据带有噪声的观测数据序列估计未知运动状态的技术,它主要用于非线性、非高斯的信号处理系统,它由状态转换模型和观测模型两个部分构成,其基本思想是用一组带权的粒子来表示随机变量的后验概率分布。该文中以图像序列运动目标的位置为未知运动状态变量,相邻两帧图像经过全局运动补偿后的差图像为观测数据,针对室内环境单个步行者的情况,提出了一种简单有效的基于运动检测的状态转换模型和观测模型。实验结果表明,该模型具有良好的跟踪性能。     

基于自适应蝙蝠粒子滤波算法的WSN目标跟踪

为了解决粒子滤波(PF)的无线传感器目标跟踪中样本贫化导致的精度较低的问题,提出了自适应蝙蝠粒子滤波的WSN目标跟踪方法。通过自适应的蝙蝠算法的滤波算法优化粒子重采样过程,结合最新的观测值定义粒子的适应度函数,引导粒子整体上向较高的随机区域移动。同时利用动态自适应惯性权重探索新的粒子位置更新为设计机制,引入动态适应惯性权重值, 有效调整全局探索和局部探索适应能力、改善粒子贫化和局部极值问题,增加粒子群多样化从而提高跟踪性能。实验结果表明,自适应蝙蝠粒子滤波算法重采样方法可以防止粒子的退化,增加粒子的多样性,减少跟踪误差,可以减少算法的运行时间,实时追踪性能大幅提高。与BA-PF算法和PF算法相比较,IBAPF 算法的计算时间是最短的,IBA-PF算法的位置和速度的平均平方根误差最小(位置0.0311、0.0202、速度0.0262、0.0101),PF算法的跟踪精度是最低的,而IBA-PF跟踪精度较高,IBA-PF算法被证明具有良好的跟踪性能。     

基于目标跟踪的粒子滤波重采样算法研究

传统粒子滤波（PF）中,重采样步骤里存在着粒子的＂平均化＂现象,导致粒子本身概率大小的因素被忽略,没有充分利用粒子集所包含的信息。通过改进抛弃小权值粒子的原则,以及充分利用粒子权值大小所代表的意义来进行粒子复制的两点进行算法改进,采用一维非线性目标跟踪模型和新的二维动态跟踪模型分别研究改进PF算法对于平均RMSE的影响。通过仿真,证明了改进后的算法可以显著降低变量的平均RMSE,特别是在二位动态跟踪模型中,使位置坐标和速度两种变量的平均均方根误差（RMSE）都有所改善,从而提高了滤波性能。     

基于DSST的运动目标跟踪算法研究

针对传统MeanShift目标跟踪算法中运动目标有速度较快或者尺度变换时,而不能准确进行跟踪的问题,引入了DSST运动目标跟踪算法.该算法加入了多尺度估计,并且在样本提取时采用多维特征,可以较好的估计下一帧中运动目标的位置.本文分析了DSST算法的原理,并进行了实验仿真.实验结果表明,DSST的运动目标跟踪算法能较好的...