基于Meanshift与Kalman的视频目标跟踪算法

针对传统的Meanshift方法在复杂条件下目标跟踪丢失问题,提出了一种将Meanshift与Kalman滤波器融合的视频运动目标跟踪算法。该算法可对跟踪加入运动目标预测,根据Meanshift跟踪结果判断是否开启Kalman滤波器的预测及滤波,能提高跟踪的鲁棒性。实验结果表明,该算法可以有效改善在复杂条件下的跟踪效果,具有较好的鲁棒性。     

一种适用于机动目标跟踪的改进卡尔曼滤波算法

针对卡尔曼滤波跟踪强机动目标时性能下降的问题,提出了一种适用于机动目标跟踪的改进卡尔曼滤波算法.该算法在卡尔曼滤波算法的基础上,根据当前量测目标航向与前一目标航向之间的航向角度差,判断机动强弱并计算出加权函数值,然后用加权函数值根据量测数据依次修正机动目标加速度预测值和目标预测状态,最终改进目标的状态估计.仿真结果表明,目标强机动时该算法具有较高的跟踪精度.     

基于Kalman滤波器的运动目标跟踪算法

运动目标跟踪是计算机视觉中的一个典型问题,如何能准确快速的跟踪目标是研究的关键。提出了Kalman滤波器结合Camshift的改进算法。首先选取一段视频图像序列,通过背景差分法快速检测出运动目标,初始化搜索窗口,用Kalmam滤波器预测目标位置,再用Camshift迭代算法计算目标最优的位置,将结果作为Kalman滤波器进行下一次预测的估计值。实验表明,当目标被严重遮挡或受到同色背景干扰时,本算法仍能快速准确的跟踪运动目标。     

基于均值漂移和卡尔曼滤波的目标跟踪方法

分析了Mean-shift难以有效跟踪复杂背景下灰度运动目标的主要缺陷,提出了结合Mean-shift和强跟踪滤波器的目标跟踪方法。该方法利用强跟踪滤波器预测目标在当前时刻的起始位置,然后Mean-shift在该位置的邻域内寻找目标所处位置。同时,采用Bhattacharyya系数度量"目标模型"和"候选模型"相似程度,提出一种目标遮挡因子,作为目标被遮挡程度的判断根据,并由此确定"候选模型"是否更换为"目标模型",避免目标模型过度更新。对城区交通环境下的车辆目标进行跟踪。实验结果表明,该方法较原Mean-shift方法可明显提高阻挡情况下的目标跟踪稳定性。     

基于多模式多特征融合粒子滤波视频目标跟踪

本文研究了目标的多特征融合跟踪问题.提出了衡量各特征质量的标量方法,利用粒子权值平方和来表示各特征信息的粒子退化程度,并以此值作为各特征信息质量状况的衡量.该方法能根据跟踪的实际情况判定各分信息粒子质量,并在此基础上提出了多模式融合策略,该策略能依据各分信息的质量变换各融合模式达到跟踪过程中各模式的最优组合.实验结果表明:在对复杂背景视频目标的跟踪中,该算法具有强的鲁棒性,较高的识别精度.     

基于Kalman滤波的红外弱小目标检测前跟踪算法

红外弱小目标检测跟踪问题具有重要的军事意义和广阔的应用前景,检测前跟踪算法是解决这一问题的有效途径。提出了一种基于Kalman滤波的检测前跟踪算法：首先对红外图像进行形态学top-hat算子滤波预处理;然后利用恒虚警率阈值提取单帧候选目标,并利用目标灰度模板进行灰度核密度估计,初步剔除大部分虚假目标,累积处理若干帧后,利用Kalman滤波器筛选出最优轨迹;最后依据一定的判断准则从当前帧候选目标中提取出真实目标。与一种典型的基于管道滤波的算法进行对比,仿真实验结果表明,该算法对目标运动速度和信噪比的变化有较强的适应能力,同时能用于目标遮挡或消失等情况。     

基于改进卡尔曼滤波目标跟踪分簇方法研究

针对现有的目标跟踪分簇算法没有从根本上解决参与跟踪的节点数量过多,导致整个无线传感器网络(WSN)能耗的增加问题,提出一种基于Fisher信息矩阵的改进卡尔曼滤波的目标跟踪分簇方法 (Fisher Matrix for Kalman Filter,FMKF),用于针对性的选择节建立跟踪簇。该算法利用随机矢量估计的克拉美罗下界获得未知噪声的统计特性,优化卡尔曼滤波器的误差协方差。在无线传感器网络动态分簇时,创新的使用信息判据作为标准,并且加入节点剩余能量判据。仿真结果显示,FMKF算法与控制簇的激活半径算法和无分簇算法相比,FMKF算法可以在减少跟踪节点的数量的同时提高跟踪精度。     

基于小波变换与卡尔曼滤波的多目标跟踪

利用小波变换和卡尔曼滤波研究多目标检测与跟踪问题.采用小波三层分解原理,对图像进行去噪处理,得到的低频图像再进行背景差分运算,从而检测出运动目标.采用卡尔曼滤波先预测出目标在下一帧的位置,通过前后帧的目标位置计算半径值,结合k近邻算法在半径内采用k近邻数据关联,取与预测位置欧氏距离最短的点为目标在下一帧中出现的真实位置.通过MATLAB对实验进行仿真.结果表明,方法可有效提高多目标检测与跟踪的准确性和抗遮挡性.     

基于视频检测的卡尔曼滤波车辆跟踪算法及行为分析

采用基于目标检测的运动目标跟踪策略, 首先用时间差分法进行运动目标检测, 获得运动目标的初始位置;然后采用卡尔曼滤波器预测运动目标下一时刻所在的位置, 再利用运动目标检测的结果评估和矫正预测结果, 获得运动目标的准确位置, 并依据跟踪结果进行车辆的行为分析.实验结果表明, 本方法可有效地解决运动目标部分遮挡及短时间全遮挡下的可靠跟踪问题.     

TLD目标追踪算法研究

文章利用一个二值分类器、P-N分类器来改善未标记的数据的分类。P-N分类器需要利用数据集进行模型的学习,学习过程是通过正样本和负样本的约束,P-N分类器被用于目标检测以及追踪的在线学习。试验表明,利用P-N分类器的学习算法能够从一段未标记的视频序列检测、追踪指定目标。     

在混合坐标系下的机动目标跟踪滤波器

本文介绍了在球面－直角坐标系下跟踪机动目标的卡尔曼滤波算法．为克服观测噪声非白，本文引入了扩充向量，并应用旋转增益算法，对卡尔曼滤波的协方差阵及增益阵实现了解耦．通过仿真计算，对本文提出的算法与国外两种类似的算法在相同的机动和量测噪声特性情况下进行了比较，其结果显示了本算法的优越性．     

基于改进粒子滤波的目标跟踪算法

针对传统的粒子滤波采用系统转移概率作为建议分布,不能利用当前观测信息.提出了一种结合集合卡尔曼滤波的粒子滤波跟踪方法.对每个粒子产生一个采样子集,使用集合卡尔曼滤波结合当前的观测信息构造建议分布,依据新的建议分布对粒子进行采样.同时在跟踪过程中对于遮挡现象给出了判断和解决方法.实验结果证明该方法提高了粒子滤波估计的准确性,相对于传统粒子滤波和其他粒子滤波方法有更好的稳定性.     

螺旋机动目标建模与跟踪滤波器设计

建立了一种描述弹道导弹作圆锥形螺旋机动的三维耦合运动数学模型.根据目标进行圆锥形螺旋机动的两种运动模式,得出了两种模式下具有相同形式的描述目标运动的状态方程,此运动状态方程是线性的且只与目标机动频率相关.进而给出了该状态方程的离散化形式,以及通过坐标转换关系,设计此类螺旋机动目标的跟踪滤波器的方法.最后通过导弹拦截实例仿真,验证了本文所提出的方法具有良好的目标跟踪效果.     

转换测量值卡尔曼滤波的激光目标跟踪

为了解决在实际的目标跟踪系统中测量方程与运动方程的非线性问题，在传统的卡尔曼滤波的基础上提出了转换测量值的卡尔曼滤波器，并以此为基础在三维空间对其进行了推导。最后结合激光器的特点把它应用于激光跟踪目标的仿真，与扩展卡尔曼滤波相比较，应用转换测量值卡尔曼滤波器进行仿真的精度要明显高于应用扩展卡尔曼滤波器所得到的结果。     

多传感器跟踪型数据滤波融合算法

在实际系统中，常用的数据融合方法是基于扩展的卡尔曼滤波法的融合算法，但是这种融合算法的跟踪精度并不是很高，通过对滤波跟踪数据融合的研究，提出了基于转换测量值卡尔曼滤波算法的非线性系统中的数据融合方法，研究表明，在利用激光干涉仪进行目标跟踪时，这种基于融合算法的集中式融合算法的跟踪性能优于分布式融合算法，但是，从仿真结果可以看出，两种融合算法的差别并不大，结果基本相同，因此，在非线性系统中，基于转换测量值卡尔曼滤波算法的分布融合算法可以重构集中式融合算法。     

基于多模型粒子滤波的机动多目标跟踪算法

针对密集杂波环境下机动多目标跟踪中系统强非线性以及运动模式切换对于滤波精度的不利影响,提出了一种基于多模型粒子滤波的机动多目标跟踪算法.新算法实现了多模型粒子滤波和广义概率数据关联算法的有机结合.通过在粒子状态采样过程中引入模型信息改善了交互式多模型和粒子滤波结合中导致的计算量膨胀问题,并利用广义概率数据关联算法实现回波的有效确认和回波信息的充分利用.给出了应用该方法的具体步骤,最后,理论分析和仿真实验证明该算法的有效性.     

无线传感器网络中卡尔曼滤波在移动目标跟踪中的研究

基于无线传感器网络结合卡尔曼滤波理论的方法对单个移动目标的跟踪研究。在实验中,运用MIT的室内定位系统Cricket系统作为硬件验证系统,采用到达时间差(Time Difference of Arrival,TDOA)的方法来测距,然后根据测得的距离采用极大似然估计算法来定位。最后根据移动目标的运行特点,建立目标的跟踪模型,并采用卡尔曼(Kalman)滤波的测量跟踪算法来实现移动目标的跟踪过程。实验结果表明,该方法可以有效地跟踪移动目标,并且误差范围在0～4.5cm内,稳定性也比较高。     

基于卡尔曼预测的视频目标实时跟踪

在视频目标跟踪中,搜索区间大小直接影响着跟踪的速度和效率.现采用图象坐标系下的卡尔曼滤波预测来指导跟踪,设计了卡尔曼滤波器,对被跟踪目标的运动参数(位置,速度,加速度)进行滤波预测.缩小了搜索区间(减至为匹配模型的大小),提高了系统的实时性和跟踪精度.实验结果表明:在对大运动和大运动大机动两种视频目标的跟踪中,耗时仅为全局搜索的1/4,精度可达3像素以内.     

目标跟踪中的观测时间控制算法

为解决目标跟踪精度与观测时间间隔的矛盾，提出了一种基于目标状态估计协方差控制的观测时间确定算法．该算法以卡尔曼滤波器作为状态估计工具，根据跟踪精度要求设定目标估计状态协方差上限，通过目标估计状态协方差来控制观测时间间隔，从而实现对目标的优化观测．仿真结果验证了算法的有效性．     

基于IMM的舰载雷达目标跟踪算法研究

首先研究了目标跟踪中的卡尔曼滤波算法和常用的机动目标跟踪模型,分析了各模型基于卡尔曼滤波算法的跟踪性能。然后,引入交互式多模型算法,使用多个不同的运动模型匹配目标不同的运动模式,且各模型之间存在交互。在MATLAB中模拟舰载雷达的目标运动航迹,采用交互式多模型算法,通过对经典交互式模型(即一个CV模型和一个CA模型)的实验仿真,验证了在目标跟踪系统中交互式多模型算法的有效性。