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.     

视频序列的多特征粒子滤波跟踪方法

提出了一种应用于视频序列的多特征粒子滤波（PF）跟踪算法,该方法在重采样后,对每一粒子应用CamShift算法,使所有粒子都趋于一个局部稳定的位置附近. 其中,权重中的似然函数根据颜色与边缘直方图分布的Bhattacharyya系数更新．该方法结合了CamShift计算量小的特点,使PF用较少的粒子能够对目标较准确的跟踪. 实验结果表明,该方法对遮挡具有一定的鲁棒性．     

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.     

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．     

多特征融合的相关滤波红外单目标跟踪算法

针对红外单目标跟踪问题,提出一种多特征的相关滤波目标跟踪算法。该算法融合了图像的卷积特征和差分特征,使用卷积特征和差分特征分别训练相关滤波模型。在跟踪阶段,对两种特征的相关滤波模型得到的响应图动态融合,利用动态融合的响应图来确定目标的最终位置,使用得到的目标位置分别更新相关滤波模型。在林雪平热红外数据集上进行了实验验证,与一些经典的跟踪算法进行了对比,表明该算法拥有更高的跟踪准确率。     

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.     

融合颜色和梯度方向直方图的粒子滤波跟踪算法

针对基于单一颜色特征的粒子滤波跟踪算法在复杂环境下会导致跟踪失败的问题,提出了一种融合颜色直方图和梯度方向直方图,形成一种新的综合直方图特征的粒子滤波跟踪算法.颜色直方图是对目标在彩色图像中的全局描述,而梯度方向直方图包含了一定的结构信息,两者可以互为补充.实验结果表明,采用综合直方图特征能够在背景颜色干扰导致目标颜色特征鉴别能力丧失的情况下,仍能稳定可靠地跟踪目标,提高了跟踪精度,具有较强的鲁棒性.     

基于模糊逻辑的多特征融合的粒子滤波跟踪算法

传统粒子滤波跟踪方法采用单一的特征信息,存在跟踪精度低、鲁棒性弱的缺点,为此本文提出了一种基于模糊逻辑的融合颜色和局部二值模式(LBP)的粒子滤波跟踪方法,提高了目标跟踪的精度。首先,提取出能够表征目标的局部二值模式和基于核函数的加权颜色直方图两种信息;然后,利用模糊逻辑的方法对两种特征进行有效的自适应融合。大量试验表明本文算法在复杂环境下能够进行有效的跟踪,具有较强的鲁棒性和准确性。     

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.     

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

     

Target Tracking Algorithm Based on Meanshift and Kalman Filter

Directed at the problem of occlusion in target tracking, a new improved algorithm based on the Meanshift algorithm and Kalman filter is proposed. The algorithm effectively combines the Meanshift algorithm with the Kalman filtering algorithm to determine the position of the target centroid and subsequently adjust the current search window adaptively according to the target centroid position and the previous frame search window boundary. The derived search window is more closely matched to the location of the target, which improves the accuracy and reliability of tracking. The environmental influence and other influencing factors on the algorithm are also reduced. Through comparison and analysis of the experiments, the modified algorithm demonstrates good stability and adaptability, and can effectively solve the problem of large area occlusion and similar interference.     

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。     

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。