基于UPF的小目标检测前跟踪算法

为提高对复杂环境下小目标的联合检测和跟踪性能,提出了一种基于粒子滤波的小目标先跟踪后检测(TBD)算法.通过粒子滤波对小目标的运动状态和出现状态进行联合采样,并采用Unscented粒子滤波(UPF)方法对TBD算法进行了具体实现.新算法真正将跟踪思想引入到目标检测中去,对小目标的联合检测与跟踪具有灵敏度高,捕获概率和跟踪性能高,对采样粒子数要求低等优点,能有效增强红外搜索与跟踪系统的"边检测边跟踪"能力.     

基于Mean-Shift的卡尔曼粒子滤波车辆跟踪算法研究

在视频车辆跟踪算法中针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不准确性,提出一种基于Mean-Shift的卡尔曼(Kalman)粒子滤波算法。该算法利用建立基于目标颜色直方图特征模型对视频车辆目标进行建模,并将其与Kalman滤波相结合进行更新;通过采用Mean Shift算法将Kalman滤波器引用到粒子滤波器当中,通过预测迭代,从而达到对车辆的运行轨迹的修正。将先验信息预测与粒子滤波相结合在保持跟踪系统整体上的非线性、非高斯性,兼顾了卡尔曼滤波局部的线性高斯特性。实验结果表明,该方法与传统粒子滤波方法相比,具有较好的实时性和较高的准确率,能够准确稳定地对目标车辆进行跟踪。     

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。     

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。     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

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%。     

基于辅助粒子滤波的红外小目标检测前跟踪算法

研究低信噪比复杂环境下的红外小目标检测和跟踪问题,提出了基于辅助粒子滤波的检测前跟踪算法.首先使用形态学滤波算法对图像进行白化预处理;然后在跟踪阶段采用辅助粒子滤波算法估计目标运动状态,在检测阶段利用跟踪滤波器的输出构造似然比,并进行似然比检验.对真实红外图像序列的实验表明,该算法可成功跟踪和检测信噪比为2的小目标,且其性能优于传统的检测前跟踪算法.     

二进制无线传感器网络中的分布式自适应粒子滤波目标跟踪算法

为了提高无线传感器网络目标跟踪的实时性,减少通信量,提出了一种二进制无线传感器网络的分布式自适应粒子滤波算法,该算法在簇头更换时,簇头之间只需要传送滤波值和误差方差,而无需传递大量粒子,同时该算法根据滤波方差在线调整粒子数,从而降低了算法的计算量。从算法耗时、均方根误差(跟踪精度)以及通信量等方面进行了仿真研究。仿真结果表明,分布式自适应粒子滤波算法的耗时、通信量要明显少于集中式粒子滤波和分布式粒子滤波;同时其均方根误差的变化幅度受粒子数的影响非常小,具有更好的跟踪性能。     

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。     

基于纹理和颜色特征的目标跟踪检测算法研究与实现

对运动目标进行跟踪,常采用粒子滤波跟踪算法。本文为了减少相似背景像素点及光照变化对机动目标跟踪的干扰,采用了基于目标纹理特征和颜色特征融合的自适应粒子滤波算法,通过采用了不同的状态转移模型和观测模型,该模型优点在于能够根据不同的实验环境给出相应的实验方案。试验证明,该算法在跟踪的性能和鲁棒性方面的改进。     

改进的交互式多模型跟踪算法

针对传统交互式多模型算法实行正则滤波的单一化缺点,提出一种改进的跟踪算法。利用卡尔曼滤波匹配系统线性部分,粒子滤波匹配非线性部分,根据匹配深度判断目标遮挡程度,当目标被严重遮挡时,采用迭代的多级粒子滤波方法进行重采样,并结合卡尔曼滤波更新模型概率。实验结果表明,该算法实时性强,能提高模型滤波速度和目标状态的估计精度,缩短计算时间,解决跟踪过程中的遮挡问题。     

卡尔曼滤波与粒子滤波之间跟踪模式的优化

鉴于卡尔曼滤波(Kalman Filter,KF)和粒子滤波(Particle Filter,PF)都是贝叶斯估计的一种,粒子滤波比卡尔曼滤波应用广泛,而卡尔曼滤波比粒子滤波使用简便,提出了一种算法在卡尔曼滤波和粒子滤波之间切换的跟踪模式。定义出算法性能评价参数,使参数可以在线反映算法的好坏;通过仿真使噪声不满足卡尔曼使用条件,确定切换是否可行,结合实际情况定义切换条件;应用至实际视频中。结果证明,卡尔曼滤波与粒子滤波间跟踪模式的优化是可行的。     

基于无极卡尔曼滤波算法的雅可比矩阵估计

在基于图像的机器人视觉伺服中,采用在线估计图像雅可比的方法,不需事先知道系统的精确模型,可以避免复杂的系统标定过程。为了有效改善图像雅可比矩阵的在线估计精度,进而提高机器人的跟踪精度,针对机器人跟踪运动目标的应用背景,提出了利用无极卡尔曼滤波算法在线估计总雅可比矩阵。在二自由度的机器人视觉伺服仿真平台上,分别用卡尔曼滤波器（KF）、粒子滤波器（PF）和无极卡尔曼滤波器（UKF）三种算法进行总雅可比矩阵的在线估计。实验结果证明,使用UKF算法的跟踪精度优于其他两种算法,时间耗费仅次于KF算法。     

Target tracking using Interactive Multiple Model for Wireless Sensor Network

Target tracking in a Wireless Sensor Network (WSN) environment is a challenging research problem. Interactive Multiple Model (IMM) is a popular scheme for accurate target tracking. The existing target tracking scheme used in WSN employs Kalman Filter (KF) which fails to track the target accurately due to non availability of target data at regular intervals and missing of packets. Though existing KF based tracking in WSN scheme detects the target, it fails to identify the target. To overcome these problems, this paper proposes a IMM based Target Tracking in WSN named ITTWSN that uses multiple models (velocity and acceleration) to handle both maneuvering and non maneuvering targets and multiple sensors to detect and identify the targets. The performance of the proposed ITTWSN is compared with the KF scheme and it is found that the accuracy of the proposed ITTWSN is better than the existing KF based approach.     

UKF、PF与UPF跟踪性能的比较

无迹卡尔曼滤波器(UKF)是用一系列确定样本来逼近状态的后验概率密度,对任何非线性高斯系统都有较好的跟踪性能。粒子滤波器(PF)是用随机样本来近似状态后验概率密度函数,适用于任何非线性非高斯系统,但当似然函数出现在转移概率密度函数的尾部或者在高精度测量的场合,PF的跟踪性能降低。针对强非线性、非高斯系统、高精度测量的环境,文中提出采用UPF算法进行跟踪,并对PF、UKF和UPF三种跟踪算法进行了仿真,结果表明,UPF的跟踪精度要远高于PF、UKF的精度。     

基于快速判别式尺度估计的核相关滤波方法

针对核相关滤波（KCF）算法无法对视频序列中目标尺度变化作出响应的问题，提出一种基于快速判别式多尺度估计的核相关滤波跟踪算法。首先，使用核相关滤波器来估计目标位置；然后，通过使用一组不同尺度的目标样本来在线学习快速判别式尺度滤波器；最后，在目标位置应用学习的尺度滤波器来获得目标尺寸的准确估计。选取Visual Tracker Benchmark视频序列集进行实验，并与基于判别式尺度空间跟踪（DSST）的KCF算法和传统KCF算法进行对比，结果表明，在目标尺度发生变化时，所提算法在跟踪精度上提高了2.2%至10.8%；并且在平均帧率上，所提算法比DSST的KCF算法提高了19.1%至68.5%，表明该算法对目标尺度变化有很强的适应能力和较高的实时性。     

一种针对小目标的跟踪算法

给出一种针对小目标跟踪问题的改进算法,该算法将背景建模与粒子滤波相结合对运动目标进行检测跟踪。其中,针对小目标在检测过程中容易出现的漏检问题,算法在进行背景建模时利用粒子滤波反馈的目标运动信息来指导混合高斯背景建模。实验结果表明,该算法能够自动地进行运动目标的跟踪,并且可以克服常规检测算法中小目标的丢失问题。     

改进的核相关滤波器目标跟踪算法

针对传统单目标的核相关滤波器(KCF)跟踪算法在目标尺度变化的跟踪中存在的问题,提出了一种基于相关滤波器(CF)和尺度金字塔的多尺度核相关滤波器(SKCF)跟踪算法。首先通过传统KCF跟踪算法中分类器的响应计算当前目标是否受到遮挡,在未受到遮挡的情况下,对当前目标建立尺度金字塔;然后通过相关滤波器求取尺度金字塔的最大响应得到当前目标尺度信息;最后使用新目标图像为训练样本更新目标的外观模型和尺度模型。与核化的结构化输出(Struck)算法、KCF算法、跟踪-学习-检测(TLD)算法和多示例学习(MIL)算法进行对比,实验结果表明,所提出的多尺度核相关滤波器(SKCF)跟踪算法在五种算法中精确度和重合度都取到最高值。所提算法能够广泛应用于目标跟踪领域,对目标进行准确的跟踪。     

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。     

基于强跟踪滤波器预测的主动表观模型人脸特征点跟踪

利用主动表观模型(AAM)可以对视频序列中人脸进行特征点定位,当目标对象与初始位置偏离过大时,就会使拟合过程陷入局部最小,使迭代无法收敛到正确位置,造成定位失败。针对此问题,提出了一种基于强跟踪滤波器(STF)预测的AAM(STF-AAM)人脸特征点跟踪方法。首先,将视频中头部运动看成动态系统,然后利用强跟踪滤波器对其进行预测跟踪,从而找到每一帧的拟合初始位置并进行拟合运算。由于视频序列中每一帧中的拟合初始位置都能被快速找到,从而取得了比较精确、快速的跟踪结果。实验结果表明,所提方法与传统方法相比在保证拟合精度的同时,提高了算法的跟踪定位速度。