基于混合粒子PHD滤波的多目标视频跟踪

针对可变数目多目标视频跟踪,粒子滤波不能持续维持目标的多模态分布问题,本文提出一种混合粒子概率假设密度(PHD)滤波的多目标视频跟踪算法.该算法首先用K-means算法对粒子进行空间分布聚类,给各粒子群附加身份标签,使各粒子群分别对应混合粒子滤波的各分量,采用相互独立的各分量粒子滤波跟踪各目标,这样提高了目标状态估计的准确性,也能有效维持各目标的多模态分布.实验结果表明,该算法能有效处理新目标出现、合并、分离等多目标跟踪问题.     

基于箱粒子的多扩展目标PHD滤波

在高斯混合多扩展目标PHD 滤波的基础上, 结合最新兴起的箱粒子滤波, 提出一种基于区间分析的多扩展目标PHD 滤波算法. 采用大小可控的非零矩形区域来代替传统的多个点量测, 这样可降低权值计算中对量测分布的要求. 仿真对比实验表明, 采用区间分析方法在保证近似于传统滤波精度的同时可降低计算复杂度, 在目标数目估计及抗杂波干扰方面也具有较为突出的优势, 并且可解决在目标靠近时由于不能正确给出子划分而造成的漏检问题.

     

基于自适应遗传PHD滤波的多群目标跟踪方法

针对标准的概率假设密度（PHD）滤波算法在杂波环境下对群目标跟踪误差较大的问题,提出一种基于自适应遗传PHD滤波的多群目标跟踪方法。该方法在PHD粒子滤波的基础上,利用选择概率减少了新生粒子的数量。为了有效抽取交叉粒子,在时间更新阶段引入当前量测与群目标间的马氏距离。为了提高预测粒子的鲁棒性,推导出自适应交叉与变异操作方案。仿真实验表明,所提出的方法能有效跟踪杂波环境下的多群目标,具有目标总数估计稳定、运动状态估计准确的特点。     

箱粒子PHD演化网络群目标跟踪算法

群演化网络模型对群结构的构建和实时更新提供了良好的实现方式.针对粒子概率假设密度(SMC- PHD)滤波算法存在运算量大的问题,提出一种基于箱粒子概率假设密度(BP-PHD)滤波的演化网络群目标跟踪算法.将群演化网络模型得到的群结构信息反馈回BP-PHD滤波过程中,从而实现群目标的跟踪和群数目的估计.对比实验表明,所提出算法可以在保证跟踪效果的同时减少计算量,并且在杂波密集的条件下具有更好的跟踪精度和鲁棒性.     

基于协同关联粒子滤波算法的交互多视频目标跟踪

首先介绍了带马尔科夫跳变非线性系统(JMNSs)的状态估计问题,然后总结了JMNSs最优状态估计的难点和具有交互作用的多目标跟踪问题.在总结分析各类不同算法的基础上,提出了一种协同关联粒子滤波算法来解决目标数目在变化的交互多目标跟踪问题,改进后的算法不需要观测与目标状态关联和目标数量已知的假设.最后,通过仿真实验验证了改进后的算法在跟踪效果上优于现有算法,并能成功估计目标的数量.     

免聚类粒子PHD滤波多目标状态提取方法

概率假设密度粒子滤波（P-PHD）以粒子集形式反映目标的状态信息,是一种有效的多目标跟踪方法,其关键步骤是从粒子集中准确提取多目标状态信息。提出一种免聚类概率假设密度粒子滤波多目标状态提取方法,通过分解P-PHD迭代更新过程,筛选疑似真实目标量测类别,并重新分配粒子集,根据新粒子集直接提取目标状态,可避免粒子中心聚类和粒子峰值提取过程。仿真结果表明该方法具有较高状态提取精度。     

粒子滤波的视频目标跟踪算法研究

目标跟踪是计算机视觉和图像处理的一个重点课题,在视频监控、机器人视觉导航以及智能交通控制中具有广泛的应用前景.通过粒子滤波技术,研究了如何整合颜色特征、前景信息和积分图运算等技术实现视频目标跟踪的粒子滤波算法.在对目标进行分割中采用了混合高斯背景建模方法;同时结合积分直方图的计算方法对颜色特征进行分段统计及相互遮挡的判断,实现基于粒子滤波的目标跟踪算法的优化,解决跟踪中诸如遮挡、光照变化、背景干扰、尺寸变化等难以解决的问题.实验结果表明提出的方法达到了预期目标.     

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．     

基于云自适应粒子群优化粒子滤波的视频目标跟踪

针对视频目标跟踪中遮挡问题处理不佳和快速运动目标易丢失的问题,提出一种云自适应PSO（CAPSO）优化粒子滤波的视频目标跟踪算法。算法利用粒子滤波预测目标区域在视频下一帧图像的位置,结合颜色直方图统计特性,引入CAPSO算法并根据粒子适应度值将粒子集分成三个子群,分别采用不同的惯性权重生成 策略,普通种群的惯性权重由X条件云发生器自适应地调整,利用云模型云滴的随机性和稳定倾向性特点,使惯性权重满足快速寻优能力又具有随机性。通过CAPSO优化,降低了粒子滤波重采样帧数,减少了算法的运算量,同时提高了搜索精度,能较好处理目标遮挡问题。并且CAPSO算法通过采用这三种不同的惯性权重生成策略,可自适应地平衡算法的全局和局部搜索能力来调节粒子的搜索范围,有效地解决了快速运动目标易丢失的问题。仿真实验结果表明,新算法对视频目标跟踪中的遮挡和快速运动目标易丢失的情况具有较好的实时性和准确性。     

基于多特征融合的粒子滤波视频跟踪算法

将颜色特征和边缘特征融合在粒子滤波跟踪框架中,并在原有跟踪算法的基础上提出改进算法,加入许多优化机制,包括利用HSV颜色模型对目标颜色特征进行核密度无参估计,使用更符合目标实际运动特性的动态模型以及利用均值偏移聚类粒子等。同时,在边缘特征匹配中引入均值偏移,通过加入边缘预处理过程,使各粒子权值的分布更加符合实际情况。实验结果表明,该算法具有较好的鲁棒性和实时性。     

基于箱粒子滤波的混合标签多伯努利跟踪算法

针对标签多伯努利滤波器在目标处于近邻或目标量测与轨迹关联模糊情况下,更新步中由于近似产生信息丢失,导致跟踪效果下降的问题,引入区间分析技术,结合标签多伯努利滤波器及广义标签多伯努利滤波器各自的优势,提出一种箱粒子滤波下的混合标签多伯努利跟踪算法.建立两种滤波器的参数模型,通过Kullback Leibler散度和熵两项评定标准在两种滤波器间进行切换,在特殊环境中使用广义标签多伯努利滤波器提高跟踪性能,在其他环境中使用标签多伯努利滤波器近似降低算法的复杂度,提高运算效率;同时基于箱粒子滤波实现混合标签多伯努利算法.仿真实验表明,在特定环境中,与原有滤波算法相比,所提出的改进算法在保证计算效率的同时,可提高跟踪的精确度及稳定性.     

基于边缘方向分布和粒子滤波的视频目标跟踪

针对背景复杂的非线性视频运动目标,提出了一种基于边缘方向分布和粒子滤波技术相结合的跟踪方法。该方法利用边缘算子获取目标区域边缘方向图,采用高斯核函数建立目标区域边缘方向分布,结合粒子滤波理论,实现对非线性视频运动目标的有效跟踪。计算机仿真结果表明,该方法可对非线性、非高斯的运动目标进行有效的跟踪,且在跟踪目标区域与背景颜色接近,背景复杂的场景下,与采用灰度特征的方法相比,有较强的鲁棒性和较高的跟踪精度。     

基于粒子滤波的交互式多模型多机动目标跟踪

针对交互式多模型联合概率数据关联滤波算法(IMM-JPDAF)在非线性情况下跟踪精度低,并不适用于非高斯问题的情况,提出了一种基于粒子滤波的交互式多模型多机动目标跟踪算法;将交互式多模型联合概率数据关联(IMM-JPDA)与粒子滤波相结合,在交互式多模型联合概率数据关联的框架下,各模型采用粒子滤波算法处理非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差。仿真结果表明,IMM-JPDA-PF算法的跟踪性能明显优于IMM-JPDAF算法,能够对杂波环境中的多机动目标进行有效跟踪。     

基于高斯混合PHD滤波的多目标状态提取方法

高斯混合概率假设密度滤波(GM-PHD)方法可有效解决线性高斯模型下的多目标跟踪问题,在估计目标个数的同时提取多目标状态。但当杂波浓度过高、目标过于密集时,GM-PHD的状态提取精度有所下降。针对GM-PHD滤波算法在复杂环境下性能下降的问题,提出一种改进的GM-PHD滤波多目标状态提取方法,通过修正高斯分量更新权值,强化合并规则,降低密集目标和杂波造成的干扰。仿真实验表明该方法能在不同杂波环境下提高多目标状态估计的准确度。     

基于粒子滤波的机动目标跟踪

在单机动目标跟踪中,目标的机动情况是未知的,提出的算法用粒子滤波器求加速度的估计,由Kalman滤波得到加速度的重要性概率密度函数。仿真实验结果表明,该算法可较好地跟踪目标状态（包括加速度）的变化。     

基于ViBe和粒子滤波的多目标汽车跟踪

针对汽车多目标跟踪,提出了基于自适应阈值ViBe算法和粒子滤波的汽车多目标跟踪方法。通过ViBe算法提取运动车辆前景区域,对每个运动车辆目标创建独立的粒子滤波器,使用Harris算法计算角点数,以初始化粒子数,通过粒子滤波对车辆进行跟踪。该方法经实验验证,鲁棒性较好。     

基于混合粒子滤波的目标跟踪

为了克服多目标跟踪中估计效果对初始样本选择的强依赖性,首先通过Harris角点检测和KLT算法实现对图像序列中的特征提取和匹配,然后利用Mean-shift算法对匹配的特征点进行聚类和定位,将Mean-shift算法与粒子滤波器相结合,提出了基于Mean-shift算法的混合粒子滤波器,给出了具体算法流程,并就实际图像序列的动态多目标跟踪进行了实验,实验结果证明了该方法的有效性。     

基于粒子滤波和多示例学习的目标跟踪

目标跟踪是计算机视觉领域中研究的热点问题。当前,基于多示例学习的目标跟踪算法引起了较多的关注。在研究多示例学习算法的基础上,针对原始的多示例学习目标跟踪算法中使用运动模型的不足,提出一种改进的基于在线学习的目标跟踪方法。该方法首先根据方向直方图局部特征(HOG特征)来描述目标,然后通过粒子滤波方法对目标位置进行预测,再用基于Boosting的在线多示例学习方法来建立描述目标的模型和分类器,最后在下一帧的图像中利用该分类器来跟踪目标,同时在线更新分类器。通过实验表明,改进的方法可以有效地提高目标跟踪精度和算法的鲁棒性。