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.     

基于灰色系统理论和粒子滤波器的目标跟踪算法

提出一种基于灰色系统理论和粒子滤波的目标跟踪算法,自适应调整搜索范围,并采用交叉熵理论来度量目标模型与粒子确定区域特征模型之间的相似度。先用粒子滤波算法对运动目标状态进行估计,确定目标中心位置,利用历史目标位置状态序列,通过灰色系统理论对下一帧目标状态进行预测;然后对重采样后的粒子的位置和粒子的搜索范围进行修正,采用交叉熵理论来衡量目标与粒子确定区域的特征模型之间的相似度。仿真结果表明,相比传统的粒子滤波算法,新算法具有更好的鲁棒性和跟踪精度。     

基于相关区域分层的改进Meanshift目标跟踪算法

针对背景图像阴影、物体遮挡等对目标跟踪干扰的问题,提出一种基于相关区域分层的改进Meanshift目标跟踪算法。Meanshift跟踪算法搜索匹配问题,采用一种相关区域分层匹配搜索方法,提高在跟踪过程中重新搜索匹配的快速性,并结合自适应Kalman滤波算法提高目标跟踪的准确性。实验结果表明了该算法的可行性及有效性。     

融合相似性检测的抗遮挡粒子滤波跟踪算法

在粒子滤波跟踪算法运行过程中,由于目标遮挡导致丢失目标,将严重地降低跟踪精度与鲁棒性。为了解决此问题,提出了目标丢失状态判定方法和基于改进序贯相似性检测的目标位置重建方法,当检测到目标丢失时,重启跟踪算法。改进序贯相似性检测使用Bhattacharyya距离代替像素累积误差,更好地适应检测目标发生旋转、形变、缩放等情况。使用OTB-100标准数据集,将该算法和传统粒子滤波跟踪算法、SCM等经典算法比较。实验结果表明,对于含遮挡特性视频序列,本文算法比传统粒子滤波跟踪算法和OTB-100抗遮挡最优算法跟踪成功率分别提高36.6%和3.2%,提升了跟踪过程的稳定性。此外,还将实验结果与最新粒子滤波跟踪研究成果作对比分析。     

尺度自适应的压缩跟踪算法

针对原始压缩跟踪使用固定大小的跟踪框来跟踪目标,提出一种尺度自适应的压缩跟踪算法,在原始的压缩跟踪算法的基础上加入粒子滤波方法,利用分类器的响应产生粒子权重,根据粒子权重大小重新采样,从而避免了粒子退化,利用一个2阶的状态转换模型去估计目标的当前位置和尺度大小,使得跟踪算法能适应运动目标的尺度变化。实验结果表明,与原始的压缩跟踪算法相比,该算法在视频流中的跟踪性能得到提升。     

一种基于水下无线传感器网络的目标跟踪方法

本发明公开了一种基于水下无线传感器网络的目标跟踪方法。该方法首先根据最强信号原则选择簇节点,然后根据单跳距离准则组成簇网络对目标进行观测,如果观测信号强度超过阈值,则发送观测数据给簇头节点。簇头节点接收到粗内节点传送的数据,采用改进重采样的粒子滤波算法对当前时刻的目标位置和方差进行估计。根据目标的运动不断地更新簇头节点,将上一簇头节点状态估计值和方差估计值传送给当前簇头节点,再由当前簇头节点采用改进的重采样粒子滤波算法估计运动目标位置,直到运动目标超出了水下无线传感器网络的跟踪范围;本发明使用改进重采样算法的粒子滤波跟踪方法估计水下目标的位置和方差,提高水下无线传感器网络的目标跟踪性能。     

自适应尺度目标跟踪算法

针对复杂情况下变尺度目标跟踪问题,提出一种基于粒子滤波的自适应尺度目标跟踪算法.根据参考目标的颜色分布,将参考目标分为多个区域,每个区域的颜色分布用高斯模型表示,区域的位置关系构成了对参考目标的空间约束;根据目标分割区域的颜色分布和空间约束关系构造目标外观模型,结合粒子滤波搜索目标位置并检测目标的尺度变化.目标外观模型同时包含了空间及颜色信息,提高了跟踪算法在复杂情况下检测目标尺度变化的可靠性和准确性.实验结果表明,该算法在目标具有明显尺度变化、姿态改变和部分遮挡的情况下,可以获得准确和鲁棒的跟踪结果.     

高斯粒子群优化粒子滤波检测前跟踪算法

针对低信噪比时标准粒子滤波对弱小目标的检测与跟踪时存在的粒子贫乏、跟踪精度对粒子数目要求高等问题,提出一种基于高斯粒子群优化粒子滤波的弱小目标检测前跟踪算法。利用高斯粒子群优化算法优化重采样后的粒子集,使粒子集朝着后验概率密度分布取值较大的区域运动,增加粒子的多样性,克服了粒子贫乏问题,并在保证跟踪精度的前提下降低了跟踪所需要的粒子数目,提高了标准粒子滤波算法的检测和跟踪性能。同时,建立了检测前跟踪系统的观测模型和系统模型,对基于标准粒子滤波检测前跟踪算法和优化算法进行仿真,仿真实验结果表明高斯粒子群优化粒子滤波的检测前跟踪算法相比基于标准粒子滤波的检测前跟踪算法具有更好的检测与跟踪性能。     

基于混合粒子滤波的运动火焰跟踪算法

提出一种基于混合粒子滤波的运动火焰跟踪算法。针对通用粒子滤波算法计算量大的问题,提出了混合粒子滤波,将Mean Shift算法嵌入到粒子滤波中,并用自适应运动模型和目标模型自动更新的策略改善算法性能。基于混合粒子滤波提出了火焰识别和火焰跟踪相结合的运动火焰自动跟踪算法,先火焰识别,再火焰跟踪,且跟踪时,如果估计目标与模型的相似度小于阈值则切换到火焰识别阶段。识别与跟踪的相互切换保证了跟踪结果的正确性。实验结果表明混合粒子滤波具有很好的跟踪效果,与粒子滤波和Mean Shift算法相比,提高了跟踪精度;基于混合粒子滤波的火焰跟踪算法能够跟踪复杂环境下的运动火焰,提供火焰的精确位置。     

结合尺度不变特征变换和Kalman滤波的Mean Shift视频运动目标跟踪

为解决目标跟踪中运动目标存在较大尺度变化、旋转、快速运动或遮挡时跟踪效果欠佳的问题,提出了一种将尺度不变特征变换(SIFT)特征匹配和Kalman滤波与Mean Shift结合的运动目标跟踪方法。首先,利用Kalman滤波估计目标运动状态,将其估计值作为Mean Shift跟踪的初始位置;然后,当候选目标模型和初始目标模型的相似性测度系数小于某一阈值时,启用SIFT特征匹配寻找目标可能位置,并在该位置处建立新的候选目标模型,同时进行相似性测度;最后,比较两者所得匹配系数,取其中较大者对应的位置作为目标的最终位置。实验结果表明,该算法的跟踪平均误差较单独将Kalman滤波或SIFT特征与Mean Shift结合的跟踪算法减小了约20%。     

Intelligent video target tracking using an evolutionary particle filter based upon improved cuckoo search

The aim of this paper is to propose an evolutionary particle filter based upon improved cuckoo search algorithm which will overcome the sample impoverishment problem of generic particle filter. In our proposed method, improved cuckoo search (ICS) algorithm is embedded into particle filter (PF) framework. Improved cuckoo search algorithm uses levy flight for generating new particles in the solution and introduced randomness in samples by abandoning a fraction of these particles. The second important contribution in this article is introduction of new way for tackling scaling and rotational error in object tracking. Performance of proposed improved cuckoo particle filter is investigated and evaluated on synthetic and standard video sequences and compared with the generic particle filter and particle swarm optimization based particle filter. We show that object tracking using improved cuckoo particle filter provides more reliable and efficient tracking results than generic particle filter and PSO-particle filter. The proposed technique works for real time video objects tracking.     

基于二值掩码图像的粒子滤波目标跟踪快速算法

粒子滤波算法是进行运动目标跟踪的一种重要方法。针对传统粒子滤波算法在进行目标跟踪时存在的计算量大、实时性不足的问题,提出一种基于二值掩码图像的粒子滤波目标跟踪快速算法。该算法在传统粒子滤波算法的每个帧处理阶段产生二值掩码图像,再结合权重选择方法移除背景中权重较小的粒子,保留权重较大的重要粒子。提出的算法可以有效减少参与计算的粒子数目,节约算法的计算成本,从而提高目标跟踪的实时性。与传统粒子滤波算法进行比较,实验结果表明,提出的算法不仅能够有效地提高跟踪速度,而且跟踪结果的准确性和鲁棒性也有所增强。     

基于五帧差分和改进的Meanshift算法的运动目标跟踪

针对传统的帧差法检测运动目标时易出现空洞及Meanshift算法在复杂环境下易丢失跟踪目标甚至导致跟踪失败的缺点,提出了采用动态阈值五帧差分与跟踪目标实时模板更新的改进Meanshift的运动目标检测与跟踪算法,以提高系统的实时性和鲁棒性。结果表明该方法是可行的,能准确检测出运动目标,以提高目标跟踪的可靠性。     

基于信息分享机制的粒子滤波算法及其在视觉跟踪中的应用

针对基本粒子滤波方法存在的权值退化和计算效率低问题,提出了一种基于信息分享机制的粒子滤波算法.该方法将粒子群优化算法和蚁群优化算法的优化思想共同作用到粒子更新中,实现粒子之间信息共享,从而增强粒子的多样性和最优估计能力.同时分析了该算法的收敛性.视觉跟踪实验表明,该算法能用较少的粒子实现单目标和多目标跟踪,综合跟踪性能优于基本粒子滤波和基于粒子群优化的粒子滤波方法,验证了本算法的有效性.     

Heuristic particle filter: applying abstraction techniques to the design of visual tracking algorithms

Abstract: Many real‐world visual tracking applications have a high dimensionality, i.e. the system state is defined by a large number of variables. This kind of problem can be modelled as a dynamic optimization problem, which involves dynamic variables whose values change in time. Most applied research on optimization methods have focused on static optimization problems but these static methods often lack explicit adaptive methodologies. Heuristics are specific methods for solving problems in the absence of an algorithm for formal proof. Metaheuristics are approximate optimization methods which have been applied to more general problems with significant success. However, particle filters are Monte Carlo algorithms which solve the sequential estimation problem by approximating the theoretical distributions in the state space by simulated random measures called particles. However, particle filters lack efficient search strategies. In this paper, we propose a general framework to hybridize heuristics/metaheuristics with particle filters properly. The aim of this framework is to devise effective hybrid visual tracking algorithms naturally, guided by the use of abstraction techniques. Resulting algorithms exploit the benefits of both complementary approaches. As a particular example, a memetic algorithm particle filter is derived from the proposed hybridization framework. Finally, we show the performance of the memetic algorithm particle filter when it is applied to a multiple object tracking problem.     

A novel particle filter with implicit dynamic model for irregular motion tracking

The particle filter is an effective approach for virtual object tracking. However, it suffers from the inaccuracy of tracking performance and track drifts which are caused by the inaccurate dynamic model. In irregular motion tracking, because of the large motion uncertainty and the poor prediction of the dynamic model, these two problems will definitely occur. We propose to model the object motion by an implicit dynamic model which is optimized by an iterative optimization method. We observe that the state with the biggest value of the sum of all particles’ likelihoods will reach or be close to the ground truth which is testified by many experiments. Based on this, the dynamic model is formulated by maximizing an objective function. By evolving particles to new positions to obtain the maxima of summed particle likelihood, this particle shift strategy considerably improves the sampling efficiency. Extensive experiments show that the proposed algorithm outperforms other six trackers in dealing with irregular motions.     

Real-time visual tracking via multi-cue based adaptive particle filter framework

Visual tracking using particle filter has been extensively investigated due to its myriad of application in the field of computer vision. However, particle filter framework performance is heavily impaired due to its inherent problems namely, particle degeneracy and impoverishment. In addition, most of the tracking methods using single cue are greatly affected by dynamic environmental challenges. To address these issues, we propose an adaptive multi-cue particle filter based real-time visual tracking framework. Three complementary cues namely, color histogram, LBP and pyramid of histogram of gradient have been exploited for object’s appearance model. These cues are integrated using the proposed adaptive fusion model for the automatic boosting of important particles and suppression of unimportant particles. Resampling method using butterfly search optimization relocate low performing particles to high likelihood area. Proposed outlier detection mechanism not only helps in detecting low performing particles but also aids in updating of the reference dictionary. Online estimation of cue reliability along with its multi-cue fusion leads to quick adaptation of the proposed tracker. On average of the outcome, our tracker achieves average center location error of 6.89 (in pixels) and average F-measure of 0.786 when evaluated on OTB-100 and VOT dataset against 13 others state-of-the-art.

     

融合YOLO检测与均值漂移的目标跟踪算法

针对视频目标跟踪算法中物体快速移动以及均值漂移算法误差累积造成的目标漂移问题,提出了一种融合YOLO（You Only Look Once）与均值漂移的目标跟踪算法。采用图像增强机制对视频帧进行预处理,在保持图像信息的同时去除光照强度的干扰;为了降低YOLO算法的计算复杂度,使用二分类器区分目标和背景进行物体的快速检测。根据目标物体的位置信息,使用均值漂移处理后续图像序列,并对目标物体进行检测更新,避免物体快速移动造成目标漂移问题,从而进行有效的检测跟踪。实验结果表明,该算法与DLT（Deep Learning Tracker）算法相比,运算效率提高了12.56%,跟踪精度提高了10.2%,能够较好地适应物体快速移动,具有较强的鲁棒性和实时性。     

基于粒子滤波的红外运动目标跟踪

提出一种基于粒子滤波及Mean Shift算法的红外运动目标跟踪方法。该方法首先利用目标区域的灰度分布,建立了一种基于统计直方图的系统观测概率模型,并针对红外目标机动性强,需要大量粒子才能保证算法鲁棒性的问题,将Mean Shift算法引入到粒子更新的过程中,使粒子分布在观测的局部区域内,在利用少量粒子实现分布多样性的同时,有效克服了粒子退化现象。序列图像的实验表明：该算法能够在目标高速运动或发生遮挡的情况下稳健跟踪目标,其总体性能优于传统的粒子滤波算法。