基于多观测模型的粒子滤波头部跟踪算法

粒子滤波在非线性和非高斯问题上具有独特的优越性,但在视频跟踪过程中,其跟踪性能却在很大程度上依赖于观测模型的选择。为了解决被跟踪目标特征状态随时间变化而与粒子观测模型不匹配的问题,提出了一种新的粒子滤波算法,即将被跟踪目标的不同特征状态与粒子观测模型相结合,形成一组具有不同观测模型的粒子,并且在跟踪过程中,对应不同观测模型的粒子根据被跟踪目标所表现的特征线索的变化而相互转换,从而动态刻画了被跟踪目标特征变化的过程。实验结果表明,本算法能够有效处理由于头部旋转而导致跟踪性能下降甚至丢失跟踪目标的问题,提高了跟踪的准确性,并且具有较好的鲁棒性。     

基于均值漂移算法和粒子滤波算法的目标跟踪

将均值漂移算法和粒子滤波算法分别做出改进后进行有效结合.在非遮挡和不严重遮挡情况下,采用改进的均值漂移算法,在严重遮挡情况下,采用改进的粒子滤波算法,并在遮挡结束后验证正确的跟踪是否得到恢复.提出有效的分块检测遮挡算法,遮挡期间颜色模板不更新.实验结果表明该算法具有较好的实时性和鲁棒性,能有效实现复杂场景下的目标跟踪.     

基于三维模型的粒子滤波行人跟踪算法

针对传统行人跟踪算法得到运动轨迹与真实轨迹差异巨大的问题,提出一种基于三维模型的粒子滤波行人跟踪算法.该方法利用摄像机标定信息和图像帧信息建立行人的三维模型,解决图像中目标尺度的变化问题,并得到目标的真实运动轨迹.同时该方法利用双指数预测模型对粒子滤波算法进行优化,以解决短时遮挡问题,同时降低运算复杂度.实验表明,基于三维模型的粒子滤波行人跟踪算法能够较准确地建立行人三维模型,对比标准粒子滤波和KPF算法,能够对行人进行有效跟踪,对短时遮挡和尺度变化有较强的鲁棒性.     

融合相关粒子滤波目标跟踪算法

相关滤波算法因其优越的高效性和鲁棒性被广泛应用于目标跟踪领域,但是该算法无法很好地处理目标遮挡和尺度变化等问题。针对该现象,提出了一种融合相关粒子滤波目标跟踪算法,该算法采用多个相关滤波器,学习到更多目标信息和背景信息,提高了目标与背景辨识度,并且引进了粒子滤波随机采样策略,在目标离开遮挡物时能够快速捕捉到目标。在尺度估计中引入了多尺度因子,对定位到的目标进行多尺度缩放,选用与滤波器响应值最大区域对应的尺度因子作为缩放比例,从而对目标进行尺度更新;粒子滤波算法随着粒子数目的增加,其计算量也随着增加,针对该问题,提出了基于粒子繁衍的重采样算法,在跟踪效率上做了提升。对提出的算法进行了三部分对比实验,实验结果验证了提出算法在处理目标遮挡和尺度变化问题上的有效性。     

改进的基于颜色的粒子滤波目标跟踪算法

提出了一种改进的粒子滤波算法,在遮挡情况下,能鲁棒地跟踪运动目标.该方法是把改进的颜色直方图结合到粒子滤波的观测模型中,并提出了一种判断目标遮挡的分块检测遮挡的方法.首先对传统的以核函数赋权值的方法进行改进,把目标中心附近的像素都赋予最大的权值,目标的边缘由于遮挡等原因采用指数分布赋权值;在遮挡检测时,提出了把跟踪窗分为左右两个子部分,分别计算相似性度量的方法,提高了遮挡检测的实时性和准确性;同时,该算法对旋转和尺寸的变化具有鲁棒性.实验结果表明,与基本的粒子滤波算法相比,提出的新算法能更好的处理目标跟踪中的遮挡问题.     

基于几何主动轮廓模型的粒子滤波跟踪算法

标准粒子滤波(SPF)是解决非线性、非高斯模型系统跟踪问题的典型方法,然而粒子更新过程严格依赖于参数的选取,且不能处理曲线拓扑结构的变化。鉴于此,提出基于几何主动轮廓模型的粒子滤波(PF)算法。利用水平集技术处理轮廓曲线拓扑结构变化,改进重采样技术,增加粒子多样性。实验结果表明,该算法是有效可行的,并提高了非线性系统状态的估计精度,具有更强的适应性。     

基于粒子滤波的人脸跟踪算法

人物跟踪技术是目前智能监控系统的核心方法之一,针对人脸运动的非线性非高斯的特点,引入粒子滤波算法来进行运动预测估计,抵抗遮挡干扰。同时,根据人脸结构特点,提出了一种分块颜色直方图,用以描述人脸的特征。并且根据预测精度对预测过程中目标运动速度和过程噪声方差进行自适应更新。实验结果表明,在人脸的旋转,肤色和部分遮挡影响下跟踪精度较高,抵抗光照环境变化,以及人脸大小变化等的鲁棒性较强。     

基于多特征的退火粒子滤波视觉目标跟踪算法

提出了一种新的融合多特征的基于改进模拟退火粒子滤波跟踪算法。首先,针对重要性采样粒子滤波算法中重要性抽样密度函数未考虑最近观测值,不能有效逼近真实后验密度函数的问题,通过采用改进的模拟退火(SA)方法优化重要抽样密度函数,并利用不同温度下扰动函数和Metropolis准则克服粒子匮乏缺陷;同时,针对SA方法在粒子滤波视觉跟踪应用上效率不高的缺陷,对经典模拟退火算法进行改进,降低了参数选择的敏感性,保持了原算法全局寻优的优点,提高了算法的速度。     

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。     

基于梯度方向直方图特征和粒子滤波算法融合的目标跟踪

基于梯度方向直方图特征的运动目标跟踪算法在遇到目标遮挡或运动过快时容易丢失目标,基于粒子滤波跟踪算法虽有较强的抗遮挡能力,但存在着计算量大、实时性差等问题.针对这些情况,提出一种融合的跟踪方法:正常情况下基于目标梯度方向直方图特征跟踪目标,当候选目标相似度小于设定阈值时,自动切换到粒子滤波跟踪算法.实验结果显示本算法有效地解决了目标遮挡或运动过快时的丢失问题,同时减轻了粒子的退化现象,提高了算法的实时性,并在图像对比度较低情况下能较好的跟踪目标.     

基于多特征选择及粒子滤波的目标稳健跟踪

研究机器人视觉问题,目标跟踪是当前计算机视觉及图像处理领域研究的热点问题,具有广泛的应用价值.目标建模是目标跟踪中的关键技术,目标模型的好坏直接影响到跟踪算法的性能.在复杂的场景中,尤其是背景与目标区分度较低的情况下采用图像单一特征建模往往无法取得理想的跟踪效果.提出一种多特征选择及粒子滤波的目标跟踪方法,以粒子滤波为跟踪框架,采用颜色和纹理特征对目标进行建模以减弱复杂背景的影响;跟踪过程中,通过对数似然比方法在线选择能区分目标和背景的最佳特征来描述目标,并更新目标模型以适应目标周围背景的变化,并进行仿真.结果表明方法在复杂背景的情况下具有鲁棒性和快速性.     

结合Mean-Shift和Particle Filter的鲁棒跟踪算法

Mean-Shift算法在图像跟踪领域得到广泛应用．但有遮挡情况发生时．算法容易陷入局部最大值．Particle Filter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,但该算法计算量大,实时处理能力差。鉴于此,将两种算法相结合,提出一种以重要性函数为切入点将Mean-Shift和Particle Filter相结合的跟踪算法．首先利用Mean-Shift算法跟踪目标,利用目标与模板的相似性系数实时判断,当有遮挡发生时,算法转向Particle Filter进行后续跟踪。实验结果表明,该算法实时性强．跟踪效率高,具有很强的实用性．     

鲁棒边缘粒子滤波及在目标跟踪中应用

边缘粒子滤波是组合导航和目标跟踪中状态估计的高效方法;文章目的 是研究附加量测噪声具有时变未知方差的鲁棒边缘粒子滤波的算法并对算法仿真验证;设计方法是使用Rao-Blackwellised原则实现混合模型中状态降维,然后状态与量测方差同时分别估计;量测分布模型设置为具有鲁棒性质的学生t分布,通过这种量测似然模型得到粒子权值;变分推断方法加入混合滤波方案进行量测噪声方差参数的实时递推估计;重采样阶段粒子权值与状态及噪声参数一起进行重采样,结果是给出状态与噪声参数估计的鲁棒边缘粒子滤波;通过对常速目标运动跟踪模型量测噪声方差渐变和突变两种情况的仿真设置分析,验证了所提算法在量测方差变化情况下性能优于边缘粒子滤波算法的结论.     

基于人类记忆模型的粒子滤波鲁棒目标跟踪算法

当目标被场景中的物体或其它运动目标遮挡,或者目标姿态发生很大改变时,粒子滤波器就会失效。为解决这类问题,受人类记忆机制的启发,文中将人类记忆模型引入到粒子滤波器模板更新过程,提出一种基于记忆的粒子滤波器。每个模板都要经过瞬时记忆、短时记忆和长时记忆3个空间的传输和处理。该粒子滤波器能记住曾经出现的目标模板,从而能更快地适应目标姿态的变化。实验结果验证了该算法的有效性。     

基于t-分布粒子滤波器的目标跟踪

针对贝叶斯跟踪中目标状态的预测分布和后验分布,利用序列蒙特卡洛方法,基于多变量t-分布提出了一种新的粒子滤波算法,称之为t-分布粒子滤波器．为了根据样本估计目标状态的概率分布,提出了一种新的ECME算法,并嵌入到t-分布粒子滤波器中．理论分析表明,在t-分布条件下,t-分布粒子滤波器是在样本数量上的渐近最优估计器．在机动目标跟踪实验中,比较了t-分布粒子滤波器、无色卡尔曼滤波(Unscented Kalman filter)及自助式粒子滤波器(Bootstrap particle filters)的跟踪精度．     

球粒子滤波视频跟踪算法

粒子退化现象是制约粒子滤波器性能的一个重要因素。为提高粒子采样质量和视频跟踪算法的精度,文中提出球粒子滤波视觉跟踪算法。将球状采样方式引入到粒子更新过程中较好地保证状态空间中粒子的有效性。与传统粒子滤波算法相比,这种采样方式能利用少量粒子实现分布多样性的同时,有效克服粒子退化现象。小球迭代运动可使粒子集朝较大后验概率分布区域移动。球粒子滤波算法不依赖系统状态模型特性可理想实现运动状态不规则的机动目标跟踪。实验结果表明,该算法有效提高粒子利用率,具有较好的跟踪精度。     

一种改进的粒子滤波跟踪算法

传统粒子滤波跟踪算法的退化现象和巨大的计算量不利于其应用,尤其在实时性要求较高的视频监控场合。引入均值漂移算法进行粒子的采样调整,采用积分直方图加快每个粒子的直方图计算速度,以改进传统粒子滤波跟踪算法的速度和跟踪效果,满足实时跟踪需要。实验结果证明了改进算法的有效性。     

一种可以用于小卫星跟踪的平滑粒子滤波器

针对小卫星的地面机动目标跟踪环境日趋复杂,跟踪精度要求日益提高的现状,引入平滑粒子滤波器。算法结合粒子滤波器和吉布斯采样器(Gibbs Sampler),通过对系统的机动性和测量与目标关联问题的平滑估计,很好地解决了在杂波环境下具有非高斯非线性特性机动目标的跟踪问题。在对杂波环境下机动目标跟踪问题的仿真研究中,对比了该算法与BMM PDA算法(BMM,靴带多模型算法)的跟踪性能,结果证明了新的平滑粒子滤波器算法以计算量为代价获得了更好的跟踪性能。     

粒子滤波器在机动目标被动跟踪中的应用

为处理机动目标被动跟踪中的非线性非高斯问题,提出了一种基于粒子滤波器的交互多模型（IMM）多观测站跟踪方法。使用转弯率建立了被动跟踪模型,用“蛙跳”处理方式来提高多站被动跟踪问题的可观测性,结合被动跟踪模型,利用非线性粒子滤波方法,对IMM算法进行了改进,提高了对IMM混和密度的近似程度,通过被动跟踪仿真实例,同时使用IMM粒子滤波器（IMM-PF）与IMM扩展卡尔曼滤波器（IMM-EKF）进行跟踪仿真,分析了轨迹跟踪性能,利用均方根误差比较了误差性能。仿真结果表明,与IMM-EKF相比,IMM-PF具有更高的跟踪精度和更快的机动响应速度。     

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。