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.     

多线程的多特征粒子滤波跟踪并行算法

多特征粒子滤波较传统粒子滤波跟踪精度高,其运算量大,跟踪实时性差．文中结合多特征粒子滤波的算法特点,提出了基于多线程的多特征并行模型,在算法实施上采用多线程与多特征进行匹配,并分析了该模型的并行效率以及各特征间通讯机制的协调性．实验结果表明：该并行算法提高了多特征粒子滤波两倍以上的效率．     

基于多特征融合的粒子滤波自适应目标跟踪算法

为解决用单一特征无法保持在复杂环境下跟踪的鲁棒性以及粒子数量增多导致的算法效率低下的问题,选择多个特征融合的策略来保证跟踪的持续稳定,并自适应地调整每个特征的权值来适应环境的变化;为提高算法的实时性,采用自适应的粒子数量。实验结果表明:本文算法有效地解决了目标旋转、目标遮挡以及背景混淆等诸多问题,具有较高的鲁棒性。     

一种基于多特征融合的视频目标跟踪方法

针对复杂场景下多特征跟踪算法适应性不强的问题,提出一种多特征有效融合和更新的目标跟踪方法.该方法首先在粒子滤波框架下采用加权融合的方式对目标进行多特征观测和相似性度量,通过分析粒子的空间集中度和权值分布建立一种有效的融合系数计算方法,使融合结果更加准确可靠.然后选取可信度高的特征检测遮挡,并动态调整目标模型的更新速度,以降低算法受目标变化和部分遮挡的影响.实验证明该方法对复杂的跟踪场景具有更强的鲁棒性,并适用于目标被遮挡时的跟踪.     

核粒子滤波目标跟踪算法

针对粒子滤波的退化问题以及使用单一特征跟踪鲁棒性不高的缺点,提出了一种基于多特征融合的核粒子滤波目标跟踪方法.首先在核粒子滤波中提出新的权值更新方法,然后将颜色和纹理特征在核粒子滤波方法框架下进行融合实现鲁棒跟踪.对颜色和纹理特征的计算分别采用空间直方图和积分直方图的计算方法,这2种计算方法有效地克服了2种特征自身存在的缺点.该算法提高了采样效率,解决了粒子滤波的计算量大和粒子退化问题.最后应用本文算法在复杂背景和严重遮挡等情况下的目标序列上进行了测试,实验表明该算法不仅能准确地跟踪目标,而且能很好地处理目标遮挡等问题.     

和声搜索粒子滤波视觉跟踪

为了降低粒子滤波精度对精确重要性采样函数的依赖性,提高粒子滤波的视觉跟踪效果,将和声搜索引入到粒子滤波框架中,提出了一种基于和声搜索的粒子滤波视觉跟踪算法.通过记忆考虑、基因变异、随机变异等和声搜索算子结合当前观测信息,改善了粒子滤波视觉跟踪算法的重要性采样函数,增强了重要性采样函数对系统状态转移模型的鲁棒性.同时,对和声搜索参数进行了优化,平衡了视觉跟踪实时性和精确性的要求,并对粒子的权重进行了补偿,使其符合粒子滤波的理论基础贝叶斯估计.实验结果表明:优化的和声搜索参数,比常见参数更适合和声搜索粒子滤波;与基于粒子滤波、和声搜索、Mean-Shift改进的粒子滤波、分布场、多示例学习等视觉跟踪算法相比,和声搜索粒子滤波视觉跟踪算法能够在光线变化、遮挡等复杂场景下获得了更精确的视觉跟踪效果.和声搜索粒子滤波算法较好地结合当前观测与历史信息,获得鲁棒的视觉跟踪性能.     

基于均值漂移采样调整和积分直方图表达的粒子滤波跟踪算法

粒子滤波跟踪算法是对视频目标跟踪常用算法的改进。通过对采样粒子的均值漂移调整,使采样粒子集中于其邻近的局部极大值区域,加快了粒子收敛的速度;通过图像的积分直方图表达方式,对原算法中低效的直方图的统计工作,用粒子所在矩形区域的4个顶点的积分直方图的加减运算代替,运算速度得到较大程度的提高。对实际图像的跟踪和分析表明,本算法和传统的粒子滤波算法相比,具有更快的收敛速度,更短的计算时间,且粒子数越多,粒子所在区域面积越大,本算法的优势越明显。     

基于粒子滤波/Mean Shift的改进跟踪算法

针对单一特征所带来的跟踪不稳定问题,该文提出一种基于纹理特征粒子滤波/Mean Shift的改进目标跟踪算法。该算法中建立一种选择反馈机制,首先对目标同时进行基于纹理信息的粒子滤波和基于颜色信息的Mean Shift两种算法的跟踪,然后对两种算法的跟踪结果进行比较,选择结果较好的输出,并把结果反馈到粒子滤波与Mean Shift中作为下一帧处理的初始值。实验结果表明,该方法克服了单一特征所带来的跟踪不稳定问题且具有较强的鲁棒性。     

均值漂移优化的粒子滤波目标跟踪方法

为了实现粒子集的有效传播,克服粒子滤波跟踪时的退化问题,提出尺度和方向自适应的均值移动优化粒子滤波目标跟踪算法.用改进的均值移动作为一种优化机制对粒子进行传播,使粒子能够有效分散和聚类,有效解决退化问题.最后将该方法应用到真实图像序列中,实验表明算法在性能和效率上有明显提高.     

基于PSO粒子滤波的弹道目标跟踪方法

为了在观测值有复杂噪声的情况下获得良好的弹道跟踪效果,提出了一种基于小生境粒子群优化粒子滤波算法的弹道跟踪预测方法.根据外弹道理论建立了跟踪状态模型,在贝叶斯框架下通过由观测量获取状态量的后验概率而消除观测噪声带来的影响,得到当前状态的准确信息,在重采样过程中使用了小生境粒子群优化算法,使得重采样过程更高效.最后进行了基于某型弹丸的弹道跟踪效果仿真,在观测量具有高斯噪声和厚尾噪声的情况下,跟踪弹道与预测弹道均与实际弹道吻合得很好,并优于卡尔曼滤波方法.说明本文方法对弹道的预测跟踪是有效的,为弹道跟踪的实际应用提供了一种参考.     

Tracking Algorithm Based on Improved Interacting Multiple Model Particle Filter

一种改进的交互多模粒子滤波跟踪算法

冯海林,郭娟丽

（西安电子科技大学 数学与统计学院,西安 710126）

创新点说明：

1）针对闪烁噪声建立一种新的模型,即混合高斯噪声模型。已有文献中都是使用高斯白噪声模型,这不符合实际问题中涉及到的闪烁噪声的特点,而本文所建立的混合高斯噪声模型能更准确地描述闪烁噪声的拖尾性,这是本文的创新点之一。

2）在粒子滤波中重要性密度函数的选取上做了改变。本文以观测似然函数作为重要性密度函数,并建立其与观测噪声之间的联系。这解决了传统粒子滤波中粒子抽样的困难,而且这样做最大的好处是能用到最新观测信息,降低粒子退化问题。这是本文的创新点之二。

3）文献[14]中交互多模粒子滤波不能很好地处理闪烁噪声问题,文献[18]中改进的处理闪烁噪声的粒子滤波不能较好地解决目标机动问题。本文第三个创新点是结合交互式多模型算法和本文改进了重要性密度函数的粒子滤波,从而解决闪烁噪声环境中的机动目标跟踪问题。据我们所了解到的文献,这方面的工作几乎没有。这也是本文在目标跟踪问题中的一个尝试。

研究目的：

解决闪烁噪声环境中机动目标的跟踪问题。

研究方法：

1）理论方法：状态估计方法;贝叶斯估计方法。

2）试验方法：蒙特卡罗重要性抽样方法,重采样方法。

3）主要设备：计算机。

研究结果：

在闪烁噪声存在的条件下,即使目标发生机动,通过此算法也能对其进行较为准确地跟踪,即对目标在每一时刻的状态都能做出估计。

结论：

仿真实验表明,本文算法对闪烁噪声环境中的机动目标进行跟踪的结果比已经存在的一些算法更加准确,跟踪精度更高,误差更小,且算法具有较强的鲁棒性和较快的收敛速度,符合对闪烁噪声中的机动目标跟踪的期望。

关键词：观测噪声,交互式多模型,目标跟踪,粒子滤波

     

基于粒子滤波的抗遮挡跟踪算法

摘要：目标遮挡在图像跟踪中是一个不可避免的问题,粒子滤波器能够实现杂背景下的目标跟踪,但在目标被长时间被全部遮挡再重新出现时难以恢复有效跟踪。本文基于粒子滤波器提出了一种利用分块匹配结果进行遮挡判别和目标全遮挡出现时进行全局搜索的方法,实验证明该方法有效解决了长时间被全遮挡的目标的跟踪问题。     

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.     

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.     

基于粒子滤波的目标主动轮廓跟踪算法

传统的粒子滤波方法采用若干维参数定义的简单几何图形给出跟踪结果,不能精确表示现实中具有复杂形状的目标物体。针对这一问题,该文提出基于粒子滤波的主动轮廓算法,用于计算复杂形状目标的轮廓跟踪任务。在目标状态后验分布的模拟样本基础上引入主动轮廓模型,并使用带权粒子定义其能量函数,使得模型的轮廓线向具有重要权重粒子的所在区域演化,并最终收敛到具有最大目标似然的图像区域,从而实现对目标物体的全局运动及局部形态演化的同时估计。精确的目标区域提高了目标模型的更新精度,避免了跟踪中漂移现象的发生。最后,结合真实机场监控验证了该方法在实际复杂场景下的有效性及鲁棒性。     

基于粒子滤波的多区域辨识性建模跟踪算法

为使跟踪算法中的目标模型不被相同特征的背景像素所干扰,在粒子滤波的框架下引入多区域辨识性建模机制,提出1种新的鲁棒的目标跟踪算法。提出的算法侧重能够辨识前景与背景的最有效信息,把目标物体划分为多个子区域。通过统计子区域与背景类别的类内/类间特性选择出最具信息量的子区域。在选出的目标区域基础上,提出的算法以贝叶斯的方式同时考虑图像信息及空间信息,建立具有辨识性的目标表观模型,并在粒子滤波的更新阶段用以估量目标的所在区域。在一系列具有挑战性的视频序列上的实验结果证明了,在许多复杂场景下,提出的方法与传统的粒子滤波跟踪器相比的鲁棒性以及有效性。     

基于遗传算法改进的粒子滤波重采样模型

提出一种基于遗传算法改进的新粒子滤波算法,该算法对于每次迭代计算出的最差粒子并未简单地进行丢弃,而是将这些最差粒子利用生物遗传中的遗传性和变异性将其进行修正。该算法利用最差粒子数据与种群中特殊数据进行交叉变异方法来增强粒子种群中的多样性,从而有利于粒子滤波对机动目标的跟踪;同时保留部分粒子在未来进行唤醒也体现了多样性。该算法更有利于实现粒子滤波在机动目标跟踪的适应性,提高其跟踪效果。     

基于确定性重采样的粒子滤波算法

复杂背景下的运动目标跟踪往往要面对非线性非高斯问题,粒子滤波算法在非线性非高斯模型中的良好处理能力,使其得到广泛的应用.引入重采样方法(SIR)解决粒子退化问题的同时导致了样本枯竭.针对上述问题,文中提出了一种融合基本重采样方法和确定性重采样方法的新方法,能有效保持粒子的多样性.通过仿真实验表明,该方法能有效提高粒子滤波算法的准确性.