运动背景下基于粒子滤波的目标跟踪

粒子滤波方法是一种针对非刚性目标运动跟踪的有效工具。运用基于贝叶斯估计的粒子滤波算法,对复杂的运动背景下目标移动进行跟踪。论述了贝叶斯估计理论,推导粒子滤波过程,并将状态粒子决定的区域所对应的色彩直方图用作测量,与目标参考直方图相比较,得出最佳的后验估计。运用窗口粒子平均方法确定目标的坐标,实现跟踪。算法采用单目标以及多目标序列图象进行跟踪实验,并与均值移动(mean-shift)跟踪算法结果进行比较,证明该跟踪算法更为有效。     

非线性粒子滤波目标跟踪应用仿真

针对非线性环境中存在的机动目标跟踪问题,对基于贝叶斯估计的粒子滤波器进行研究,为解决混合退火粒子滤波重要密度函数构造的问题,在混合退火粒子滤波的基础上,通过对系统状态和观测粒子方差的研究,提出了非线性环境下动态退火参数粒子滤波的改进算法,在混合退火粒子滤波中引入动态退火参数来构造高效的重要密度函数,提高了混合退火粒子滤波的跟踪精度,应用该滤波方法对机动目标模型进行仿真,并对多种滤波跟踪算法进行性能测试和比较,仿真实验结果表明,在非线性环境下该粒子滤波方法可行有效.     

用于目标跟踪的智能群体优化滤波算法

针对目标跟踪中的状态估计，提出一种智能群体优化滤波算法。算法在贝叶斯滤波的基础上，运用智能群体优化的3种运动模型估计目标的后验状态，其中内聚运动在保持了粒子多样性的情况下增加了样本的权值，分离运动和排列运动相协调能够更加准确地预测下一时刻目标的先验状态。实验结果表明:与标准粒子滤波相比，该算法能够更加准确地估计非线性系统中的后验状态，在复杂多变的场景环境中，表现出更高的跟踪准确性。     

复杂背景下感兴趣运动目标的跟踪算法

针对由于复杂背景的干扰而导致不能准确跟踪感兴趣运动目标的问题,提出一种基于多特征自适应融合的粒子滤波跟踪算法。首先在HSV颜色空间中得到感兴趣运动目标的加权颜色分布模型,然后利用不变矩特征来消除背景中相似颜色物体和光照变化的干扰,两种特征通过自适应调整权重来更新粒子权值而融合于粒子滤波算法中,从而能够准确和稳定地跟踪运动目标。实验证明,该算法在运动目标平移、姿态变化、遮挡、光照变化及相似颜色干扰等复杂背景下都能够准确地进行跟踪,对背景干扰具有很强的鲁棒性。     

基于粒子滤波和Mean-shift的跟踪算法

粒子滤波作为一种基于贝叶斯估计的算法,在处理非线性运动目标跟踪问题上具有特殊的优势。基于此,提出一种基于粒子滤波和Mean-shift的混合跟踪算法(KMSEPF)。KMSEPF算法对一般的Mean-shift和粒子滤波混合算法进行改进。结果证明,KMSEPF算法与混合算法MSEPF相比,在计算效率提高的同时,跟踪准确性和处理遮挡的能力没有下降。     

基于粒子滤波和Mean-shift的跟踪算法

粒子滤波作为一种基于贝叶斯估计的算法,在处理非线性运动目标跟踪问题上具有特殊的优势。基于此,提出一种基于粒子滤波和Mean-shift的混合跟踪算法（KMSEPF）。KMSEPF算法对一般的Mean-shift和粒子滤波混合算法进行改进。结果证明,KMSEPF算法与混合算法MSEPF相比,在计算效率提高的同时,跟踪准确性和处理遮挡的能力没有下降。     

采用EM算法对粒子滤波跟踪算法进行改进

提出了一种改进粒子滤波跟踪算法EMPF(expectation-maximization particle filter)。针对传统粒子滤波存在的动态模型的不确定问题,将EM算法与粒子滤波算法有效结合,将运动模型的参数作为待估量,采用EM算法来确定目标的运动模型参数,从而获得对目标状态的较准确估计。实验结果表明,当目标做复杂的转弯运动时,该算法能够显著地提高对目标运动状态的预测精度。     

基于动态贝叶斯网络的多特征目标跟踪

通过将动态贝叶斯网络模型应用到人体目标跟踪中,提出了一种多特征融合跟踪算法。该方法基于动态贝叶斯网络建立状态模型,分别针对形变、遮挡、有干扰三种情况提取运动中人体的颜色和梯度特征,利用粒子滤波方法对颜色特征和梯度特征进行融合。实验表明,提出的多特征跟踪算法能较好地解决复杂环境下的目标跟踪问题,相比传统的利用单一目标特征的跟踪算法具有更好的鲁棒性和准确性。     

一种改进的基于Camshift的粒子滤波实时目标跟踪算法

为了能够快速和准确地跟踪运动目标,提出了一种改进的基于Camshift的粒子滤波算法。在粒子滤波框架下,首先对传统目标模型进行改进,提出一种新的融合目标颜色信息和运动信息的模型,以增强目标跟踪的稳健性和准确性;同时为了提高跟踪的效率,将一种改进的Camshift算法嵌入到粒子滤波中,用来重新分配随机粒子样本,使之向目标状态的最大后验概率密度方向移动。实验结果表明,与传统的粒子滤波算法或Camshift算法相比,该方法能有效处理目标快速运动或背景存在强干扰等情况,实现对目标快速和稳健的跟踪。     

基于运动特征的颜色粒子滤波器

传统颜色粒子滤波器不能对跟踪状态进行自我判断,粒子容易失效,导致目标跟偏甚至跟丢。针对该问题,设计一种基于运动特征的颜色粒子滤波器。在分析目标运动特征的基础上,改进系统运动模型,建立自适应背景颜色尺度;在跟踪过程中通过最优估计速度和加速度来判断粒子滤波器的跟踪状态,建立相应的捕获机制以跟踪目标。实验结果证明,改进的颜色粒子滤波器能对与背景相似的运动目标进行有效准确的跟踪。     

多特征自适应融合的军事伪装目标跟踪

针对军事伪装目标在运动过程中存在与背景分布十分相似或遮挡等强干扰情况下的跟踪问题,提出了一种基于自适应多特征融合的均值漂移算法优化的粒子滤波跟踪算法。利用背景加权后的联合直方图表述目标灰度和梯度方向信息,根据前一帧目标特征的可信度自动调节双方的权重,在粒子滤波算法的框架下,利用改进后的均值漂移算法使粒子向目标状态的最大后验核密度估计方向移动,并设计了特征融合的观测模型,以提高跟踪算法的场景适应能力。实验结果表明,该算法可实现对与背景相似的军事伪装目标的稳定跟踪,对目标的严重遮挡具有很好的鲁棒性。     

基于视觉注意力计算的运动目标检测方法研究

为了更准确地在全局运动视频场景中检测运动目标,提出了一种基于运动注意力和粒子滤波自底向上和自顶向下相结合的运动目标检测方法。基于多尺度可变块运动估计估计运动矢量场（Motion Vector Filed,MVF）,构建运动注意力模型,得到运动注意力显著图,继而得到运动注意力的初始分布;采用自顶向下的基于目标颜色信息的粒子滤波算法,调整运动注意力的分布状况;使注意力集中到待测目标上,并提取出待测运动目标。实验结果表明,该方法在全局运动场景中能更加准确地检测目标。     

基于CUDA 与粒子滤波的多特征融合视频目标跟踪算法

针对复杂环境中非线性运动目标跟踪,单一特征无法满足对目标的准确描述,造成不能准确跟踪的问题,提出了一种基于粒子滤波与多种特征自适应融合的跟踪方法．该方法先对目标区域提取轮廓方向分布与颜色分布。根据自适应规则融合后,然后与粒子滤波理论相结合,实现对各种复杂环境中视频运动目标的有效跟踪．同时,通过使用CUDA（ComputeUnifiedDevicemchitecture）加速,实现了目标跟踪的实时性．实验结果表明,该方法可对非线性、非高斯的运动目标进行有效的跟踪,对目标的遮挡与暂时消失,背景焦距的拉伸与背景颜色的变换,有很强的鲁棒性和实时性．     

基于粒子滤波和在线训练支持向量机的目标跟踪新方法

序列图像中运动目标跟踪的有效性和鲁棒性是一个非常富有挑战性的课题。为提高在运动背景条件下视觉目标跟踪的性能,克服复杂环境对跟踪算法准确性的影响,提出了一种基于粒子滤波和在线训练支持向量机的目标跟踪新方法。从目标的特征描述和提取着手,引入了积分直方图快速提取特征的方法,加快粒子滤波器运行速度,满足一定的实时性要求。同时,分析了运动背景条件下具有代表性的跟踪算法的本质和特性,结合目标识别创新性地提出在线训练支持向量机的方法,通过在线识别信息和跟踪信息的融合保证算法具备较强的鲁棒性。实验结果表明,该算法能有效的解决动态背景条件下遮挡、光照变化和运动模糊等复杂情况下,对目标进行准确、有效、近乎实时的跟踪。     

粒子滤波理论、方法及其在多目标跟踪中的应用

本文梳理了粒子滤波理论基本内容、发展脉络和最新研究进展, 特别是对其在多目标跟踪应用中的一系列难点问题与主流解决思路进行了详细分析和报道. 常规粒子滤波研究重点主要围绕重要性采样函数、计算效率、权值退化/样本匮乏和复杂系统建模展开. 作为一类复杂估计问题,多目标跟踪一方面需要准确的目标新生/消亡与演变、虚警/漏检等建模技术, 另一方面需要多传感器信息融合、航迹管理等复杂决策方法.暨有限集统计学应用于多目标跟踪后,粒子 滤波进入一个新的发展阶段---随机集粒子滤波.基于不同的背景假设,可以构建不同近似形式的随机集贝 叶斯滤波器并采用粒子滤波实现.但机动目标、未知场景、多目标航迹管理以及跟踪性能评价等仍是多 目标粒子滤波的研究难点和重点.     

基于局部模型匹配的目标轮廓跟踪

在复杂背景下,传统轮廓跟踪方法会发生漂移,甚至丢失目标。针对上述问题,提出一种基于局部模型匹配（LMM）的目标轮廓跟踪算法。利用超像素技术结合EMD相似性度量构建局部特征模型,从而进行局部模型匹配。结合粒子滤波的Snake模型作提取目标轮廓,实现目标轮廓精确跟踪。实验结果表明,该算法在目标形变、部分遮挡、复杂背景等条件下均具有较高的跟踪成功率。与多种目标轮廓跟踪算法进行对比,该算法具有较高的准确性和鲁棒性。     

基于分块和改进粒子滤波的运动目标检测方法

为了快速准确地检测到视频场景中的运动目标,提出了一种基于分块和改进的粒子滤波的运动目标检测方 法。首先,对视频图像序列分块并提取每个图像块的颜色特征;然后,用改进的粒子滤波对每个图像块进行操作,计算 出每个块对应的粒子的权重;最后,根据粒子的平均权重建立背景模型,提取运动目标。将分块和粒子滤波相结合,能 够在不降低检测精度的基础上,大幅减少算法的计算量,提高算法的执行速度。实验结果表明,该方法具有较好的鲁 棒性、杭噪性和抗光照变化能力,提取的运动目标更加完整。     

融合HOG与ARMA模型的粒子滤波跟踪

传统的粒子滤波算法在跟踪目标受到相似背景干扰和遮挡或跟踪目标高速运动时,容易造成跟踪误差增大或跟踪失效的影响。针对室外运动目标跟踪的复杂性,提出一种对于干扰适应性较强的融合梯度方向直方图与自回归移动平均(ARMA)模型的粒子滤波跟踪方法。建立ARMA运动模型,用前两帧目标的位姿状态预测目标下一帧的状态,解决目标跟踪的角度变化与部分遮挡问题。实验结果表明,该模型能克服光照突变引发目标色彩突变的问题。