基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

一种导向粒子滤波跟踪算法

粒子滤波算法在运动目标跟踪方面有着广泛的使用,粒子滤波中的重采样是解决粒子退化的一种重要方法,但是重采样会导致粒子的多样性的丧失。针对这个问题,改进粒子滤波算法,改进过程中结合了导向滤波的基本思想,因此将这种方法称为导向粒子滤波跟踪算法。导向滤波是近几年提出的一种新的滤波方式,与传统滤波相比,它在滤波的时候会引入一幅指导图像,鉴于这个思想,我们在进行粒子滤波的时候,引入一种导向粒子作为一个指导量,来保留一些目标图像上的信息。实验证明了这种算法可以更好地对目标进行定位跟踪。     

一种多模型贝努利粒子滤波机动目标跟踪算法

交互式多模型贝努利粒子滤波器(Interacting Multiple Model Bernoulli Particle Filter, IMMBPF)适用于杂波环境下的机动目标跟踪。但是IMMBPF将模型信息引入粒子采样过程中会导致用于逼近当前时刻真实状态与模型的粒子数减少,而且每次递推各模型间的粒子都要进行交互,存在计算量过大的缺点。为提升IMMBPF中单个采样粒子对于真实目标状态和模型逼近的有效性,该文提出一种改进的多模型贝努利粒子滤波器(Multiple Model Bernoulli Particle Filter, MMBPF)。预先选定每一个模型的粒子数,且模型间的粒子不需要进行交互,减少了计算负荷。模型概率由模型似然函数计算得到,在不改变模型的马尔科夫性质的条件下避免了小概率模型的粒子退化现象。仿真实验结果表明,所提出的MMBPF与IMMBPF相比,用较少的粒子数就可获得更优的跟踪性能。     

基于改进粒子滤波算法的纯方位目标跟踪

纯方位目标跟踪是一个重要的研究课题。它要解决的问题是:利用含有噪声的方位数据来估计目标的真实运动轨迹。本文提出了一种基于粒子群优化的改进粒子滤波算法。这种算法可以将最新的观测值引入观测估计,提高了预估精度,减少所需的粒子数,从而实现对目标真实运动轨迹更好的跟踪。     

一种基于卡尔曼滤波及粒子滤波的目标跟踪算法

针对卡尔曼跟踪算法在非线性非高斯情况下跟踪结果不再准确,以及粒子滤波跟踪算法计算量大难以满足实时性的缺陷,提出了卡尔曼滤波及粒子滤波相结合的算法。利用卡尔曼滤波进行跟踪得到候选目标并计算目标模型与候选模型的匹配程度,若与目标模型匹配度小于一定阈值,则转换跟踪方式利用粒子滤波进行跟踪来修正卡尔曼滤波结果;同时,采用"模板缓冲区法"对目标模型进行更新以保证跟踪的连续性、稳定性及准确性。实验结果表明,这种跟踪算法既发挥了卡尔曼滤波的实时性又保持了粒子滤波的准确性,有较好的跟踪性能。     

一种基于差分演化的粒子滤波算法

针对粒子滤波(Particle Filter, PF)存在的粒子退化和贫化问题,该文提出一种基于差分演化(Differential Evolution, DE)的PF算法。首先,为了充分利用最新的观测信息,采用无迹卡尔曼滤波(Unscented Kalman Filter, UKF)来产生重要性分布,对重要性分布产生的采样粒子不再做传统重采样操作,而是直接把采样粒子当作DE中的种群样本,粒子权重作为样本的适应函数,对粒子做差分变异、交叉、选择等迭代优化,最后得到最优的粒子点集。试验结果表明,该算法有效缓解了传统PF算法中的粒子退化和贫化,提高了粒子的利用率,具有较好的估计精度。     

粒子滤波在目标跟踪算法中的应用研究

针对非高斯、强噪声背景下的高机动目标实施跟踪时,卡尔曼滤波、扩展卡尔曼滤波等算法将出现滤波精度下降甚至发散现象。粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法,在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势。以目标跟踪问题为背景,将粒子滤波与卡尔曼滤波算法进行了对比研究。     

改进粒子滤波算法及其在目标跟踪中的应用

雷达目标跟踪量测系统常受到闪烁噪声干扰,导致传统滤波算法的滤波性能急剧下降甚至发散。文中提出了改进粒子滤波算法,利用扩展卡尔曼滤波产生重要性概率密度函数。提出改进的重采样策略,提高采样粒子的有效性。将文中算法与PF及EKPF算法进行了仿真比较,结果表明该算法具有较优的跟踪性能。     

一种改进的粒子滤波算法

在粒子滤波中,防止粒子退化的两个关键因素是选择适当的采样建议分布和重采样算法.针对建议分布的选择条件,提出了一种改进的粒子滤波算法,该算法采用强跟踪扩展卡尔曼滤波方法构建其建议分布.强跟踪扩展卡尔曼滤波可在线调节参数,从而使得系统具有更好的自适应性和鲁棒性,对高机动目标具有更强的跟踪效果.仿真结果表明,该算法的性能优于其它几种非线性滤波算法.     

基于卡尔曼粒子滤波的目标跟踪算法

目标跟踪在计算机视觉领域有着重要的应用。文中在对运动目标跟踪算法进行研究之后,应用卡尔曼粒子滤波算法进行运动目标的跟踪,同时利用Matlab 对卡尔曼滤波算法、粒子滤波算法及卡尔曼粒子滤波算法进行了实验仿真。实验结果表明,运用卡尔曼粒子滤波算法能够更快、更准确地对运动目标进行跟踪,可将其广泛应用于目标跟踪中。     

粒子滤波的卫星电子信息舰船目标跟踪算法

针对电磁探测卫星的重访时间间隔长、且捕获得到目标信息的时间为随机,目标运动模型难于精确建立,数据杂波干扰强等问题,结合卫星电子信息给出的辐射源电磁特征,基于粒子滤波提出了一种稳健的海上舰船目标跟踪算法。首先,采用二阶自回归的状态转移模型确定候选量测的关联区域,从而减少杂波的干扰;然后选取与目标电磁特征相似的量测进行粒子滤波的状态更新,并通过重采样操作剔除权值较小的粒子以提高跟踪算法的精确性与稳健性。仿真与真实数据的实验结果表明,该方法在强杂波干扰下可以稳定跟踪卫星电子信息中的海上舰船目标并且具有较高的精确性与稳健性。      

一种精确跟踪机动目标的滤波算法的研究

介绍一种自适应调整过程噪声方差的滤波计算新方法.此方法不需要目标机动的先验知识,而是构造一个可自适应调整的缩放因子,通过该因子对过程噪声进行调节.结合协方差匹配自适应滤波算法的思想,给出一种新的机动目标跟踪算法.通过蒙特卡洛仿真,同IMM算法进行比较,结果表明算法在目标发生机动时具有更好的性能.     

一种精确跟踪机动目标的非线性滤波算法

在非线性系统中,最常用的是扩展卡尔曼滤波算法(EKF),当目标距离较远时,滤波器由于量测方程非线性的影响,误差较大。以机动目标“当前”统计模型为基础,建立新的机动目标模型,加入多普勒速度测量对补偿线性化误差的跟踪算法(PTLKF)进行改进。最后融入修正的加速度方差自适应算法对机动目标进行跟踪。仿真结果表明:在非线性观测条件下,改进的PTLKF算法和修正的加速度方差自适应算法的融合可以有效地改善跟踪的效果,并且其计算量明显小于强跟踪滤波算法。     

Energy-efficient collaborative target tracking algorithm using cost-reference particle filtering in wireless acoustic sensor networks

Target tracking is one of the most important applications of wireless sensor networks. Optimized computation and energy dissipation are critical requirements to save the limited resource of sensor nodes. A new robust and energy-efficient collaborative target tracking framework is proposed in this article. After a target is detected, only one active cluster is responsible for the tracking task at each time step. The tracking algorithm is distributed by passing the sensing and computation operations from one cluster to another. An event-driven cluster reforming scheme is also proposed for balancing energy consumption among nodes. Observations from three cluster members are chosen and a new class of particle filter termed cost-reference particle filter (CRPF) is introduced to estimate the target motion at the cluster head. This CRPF method is quite robust for wireless sensor network tracking applications because it drops the strong assumptions of knowing the probability distributions of the system process and observation noises. In simulation experiments, the performance of the proposed collaborative target tracking algorithm is evaluated by the metrics of tracking precision and network energy consumption.     

基于多特征信息融合粒子滤波的红外目标跟踪

多特征信息有较好的检测性能和适应性,而粒子滤波则是一种处理目标跟踪模型的非线性和非高斯特点的有效方法,将两者优点结合并针对红外图像特点,提出一种基于多特征信息融合的跟踪算法,该方法按一定的权值系数利用目标颜色和纹理特征构建模型,并融合于粒子滤波框架中。实验表明该跟踪方法能准确地跟踪海上红外运动目标。     

结合幅度信息的粒子滤波机动目标被动跟踪

为提高杂波条件下的机动目标被动跟踪的性能,提出了一种新的粒子滤波目标被动跟踪算法。在声纳的输出端,提取信号的幅度信息(AI),建立多模型对转弯机动目标进行状态估计,以粒子滤波算法作为基本跟踪滤波算法,将AI与概率数据关联(PDA)算法中的似然比相结合,详细推导了结合AI的粒子滤波目标被动跟踪算法(PF-AI)实现的具体过程。在同一被动目标跟踪场景,同时使用单纯PDA算法、结合辅助信息的PDA算法和PF-AI进行被动跟踪仿真,分析了轨迹跟踪性能,并使用均方根误差比较了误差性能。仿真结果表明,与两种基于PDA的跟踪算法相比,PF-AI具有更高的跟踪精度,且算法易于实现。     

基于改进的粒子滤波算法的目标跟踪

为了解决粒子滤波算法在重采样过程中会造成粒子有效性和多样性的丧失,导致粒子贫化现象,提出了一种基于萤火虫算法的改进的粒子滤波算法。该算法在粒子滤波重要性采样过程中使用萤火虫算法,对粒子进行迭代寻优,使得采样出来的粒子更接近真实的后验概率;在粒子滤波重采样过程中,使用萤火虫算法使得粒子向高似然区域移动,提高粒子的多样性。实验结果表明,基于改进的粒子滤波算法目标跟踪效果优于传统的粒子滤波算法,可以在各种具有挑战性的条件下更好地进行目标跟踪。     

基于相关滤波的目标快速跟踪算法研究

在实现高精确度和快速的目标跟踪过程中,相关滤波是一个非常好的选择,但是目前所有的相关滤波跟踪方法仍然无法解决遮挡和光照变化等因素造成的干扰。因此,在传统核相关滤波器(KCF)的基础上,提出多特征图核相关滤波器(MKCF)的目标快速跟踪方法。首先,由初始化目标区域生成多个特征图,并通过对正则化最小二乘(RLS)分类器学习获得位置和尺度核相关滤波器(KCF);然后,随机选取一个特征图,寻找位置和尺度KCF输出响应的最大值,完成目标位置和尺度的检测;最后,随机选择需要在线更新的目标模型。经过试验测试,对比KCF,MKCF的平均中心位置误差(CLE)减少了5像素,平均成功率(SR)提高了10.9%,平均距离精度提高了6.7%;MKCF在目标发生尺度变化、光照变化、形态变化、目标遮挡、轻度旋转及快速运动等复杂情况下均有较强的适应性,具有重要的理论和应用研究价值。     

机动目标跟踪的新算法

机动目标通常不是做恒定的运动,其运动状态会随时间的变化而变化.这就使描述系统运动的状态方程是非线性的,而且系统参数会不断变化.传统的推广卡尔曼滤波适用于定系统定参数的情况,如果运用到机动目标跟踪上会导致误差增大甚至滤波发散.基于此,将强跟踪滤波运用到机动目标跟踪上.强跟踪滤波在卡尔曼滤波的基础上引入了多重渐消因子,使强跟踪滤波具有极强的跟踪能力和较好地鲁棒性,因此可以很好地解决变系统变参数的问题.通过仿真,将强跟踪滤波与UT-BLUE滤波方法和EKF滤波方法进行比较,结果表明了该滤波方法的有效性和优越性.     

特征融合的灰狼优化粒子滤波目标跟踪算法

针对传统粒子滤波算法在跟踪目标所处环境迁移,目标姿态变化和发生遮挡时容易出现跟踪框漂移现象,提出一种基于灰狼算法优化的粒子滤波跟踪方法(GWOPF)。首先,将全局特征HSV颜色特征和局部特征方向梯度直方图(HOG)特征加权融合建立观测模型;然后,用灰狼算法(GWO)优化粒子滤波算法结构,利用GWO位置更新机制改善粒子空间分布状况,在粒子重采样前进行权值自适应调节,解决原始粒子滤波方法采样时出现的粒子退化问题并优化滤波效果。实验结果表明,改进后的算法在具有挑战的Tiger和Girl视频序列中跟踪成功率分别达到了97.5%和95.0%,单帧处理时间缩短至24.6 ms和18.4 ms,具有较高的跟踪精度和良好的鲁棒性,能够应对跟踪目标发生旋转、部分遮挡等情况以及实时性要求。