基于联合特征的边缘粒子滤波目标跟踪算法研究

针对采用单一特征建立的动态空间模型与实际系统差距较大,从而使估计误差增加的问题,通过将系统的状态参数引入颜色特征模型中,与颜色特征参数一起构成系统状态空间向量,提出了一种联合颜色状态特征的优化目标跟踪算法.应用Rao-Blackwellization算法思想,由Kalman线性滤波方法解析处理线性的颜色特征转移和更新过程;而目标位置参数采用粒子滤波进行估计,提高了视频目标跟踪的精度和实时性.通过与其他相似算法的比较实验结果可以看出,算法在环境亮度发生变化、目标遮挡等情况下,仍能够保持较高的跟踪精度,既提高了跟踪系统的鲁棒性,又保证了算法的实时性,优于传统的单一特征视频跟踪算法.     

一种多特征融合的粒子滤波跟踪新算法

仅利用单一的目标特征进行跟踪是大多数跟踪算法鲁棒性不高的重要原因。提出了一种有效的多特征融合跟踪方法,该方法同时结合了颜色和运动边缘特征,并通过粒子滤波方法合理地进行概率融合。实验结果表明,算法能够在一种特征受到背景干扰导致目标鉴别能力丧失时,其它特征仍能稳定可靠地跟踪目标,算法简单,鲁棒性高,能够有效适用于复杂背景下的目标跟踪。     

一种改进的粒子滤波跟踪算法的研究

粒子滤波是一种基于蒙特卡罗和递推贝叶斯估计的滤波方法,在处理非高斯非线性系统的状态和参数估计方面有独到的优势。但是其庞大的计算量和缓慢的速度限制了其在实时系统中的应用。本文中介绍了粒子滤波基本原理,通过改进权重计算、重采样算法,计算速度得到提高。这种改进的算法在DSP系统中进行目标跟踪仿真,证明其具有速度快、精度高的特点。     

一种基于信息融合的粒子滤波跟踪算法

针对粒子滤波在复杂背景下容易造成跟踪目标丢失的问题,提出一种基于多特征信息融合的粒子滤波算法。该方法同时利用灰度和梯度信息描述目标,有效提高了复杂场景下对目标描述的可靠性;在此基础上,推导出多信息融合的观测似然函数,将两种信息融合在一起,使得融合算法能根据当前跟踪形势自适应调整各信息的加权,实现了信息间的优势互补。实验结果表明,该算法鲁棒性较高,明显提高了跟踪精度。     

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。     

基于多线索融合的鲁棒粒子滤波跟踪算法

为了提高目标特征的表达能力和跟踪的鲁棒性,提出基于多线索的目标跟踪算法。该算法分别从目标颜色特征和结构特征来考虑,在此基础上提出了融合公式,从而使目标在不同场景中都能自适应变化,以提高跟踪的精度和性能,最后,通过几组仿真实验对该算法进行了验证。实验结果表明,该算法对于部分遮挡等情况具有良好的鲁棒性和跟踪精度。     

融合相关粒子滤波目标跟踪算法

相关滤波算法因其优越的高效性和鲁棒性被广泛应用于目标跟踪领域,但是该算法无法很好地处理目标遮挡和尺度变化等问题。针对该现象,提出了一种融合相关粒子滤波目标跟踪算法,该算法采用多个相关滤波器,学习到更多目标信息和背景信息,提高了目标与背景辨识度,并且引进了粒子滤波随机采样策略,在目标离开遮挡物时能够快速捕捉到目标。在尺度估计中引入了多尺度因子,对定位到的目标进行多尺度缩放,选用与滤波器响应值最大区域对应的尺度因子作为缩放比例,从而对目标进行尺度更新;粒子滤波算法随着粒子数目的增加,其计算量也随着增加,针对该问题,提出了基于粒子繁衍的重采样算法,在跟踪效率上做了提升。对提出的算法进行了三部分对比实验,实验结果验证了提出算法在处理目标遮挡和尺度变化问题上的有效性。     

多特征融合的自适应性粒子滤波跟踪算法

为提高粒子滤波视觉目标跟踪算法的实时性与鲁棒性,提出了一种基于多特征融合的自适应性粒子滤波跟踪算法。该算法利用颜色和结构特征表示目标,将两者融合于粒子滤波的框架中,利用融合后的信息计算粒子的权值,以降低算法受目标形变及复杂环境的影响。同时,根据跟踪预测的准确程度动态计算跟踪所需的粒子数目,对采样粒子集进行自适应调整,以提高粒子质量,降低粒子数量,减少算法运算时间。实验结果表明,所提算法对于每帧图像的平均计算时间相对于传统混合跟踪算法缩短了将近一半,而且算法的鲁棒性较强。     

一种改进的粒子滤波目标跟踪算法*

传统的Condensation跟踪算法使用状态转移分布作为采样粒子的建议分布函数,没有考虑当前的观测值,大量的粒子运算浪费在了那些具有小似然性的区域。针对该问题,提出一种基于Mean Shift以改进建议分布函数的粒子滤波跟踪方法。实验表明,由于有效地利用了当前观测值,改进的算法具有较强的鲁棒性和实时性。     

基于粒子滤波和Mean-shift的跟踪算法

粒子滤波作为一种基于贝叶斯估计的算法,在处理非线性运动目标跟踪问题上具有特殊的优势。基于此,提出一种基于粒子滤波和Mean-shift的混合跟踪算法(KMSEPF)。KMSEPF算法对一般的Mean-shift和粒子滤波混合算法进行改进。结果证明,KMSEPF算法与混合算法MSEPF相比,在计算效率提高的同时,跟踪准确性和处理遮挡的能力没有下降。     

一种基于图模型的粒子滤波跟踪方法

针对复杂背景下目标被部分遮挡时的稳定跟踪问题,提出一种基于图模型的粒子滤波跟踪方法。该方法将图模型应用于粒子滤波之中。首先,融合颜色和边缘特征建立目标的观测模型,构建粒子滤波框架。然后,选取目标特征区域,将一个目标分成几个部分,每一部分作为图的一个顶点,建立图模型。最后,将图模型应用于粒子滤波,目标跟踪过程中,图模型中每一个部分的状态信息可以传送给其它部分。实验结果表明,当目标被部分遮挡的情况下,该方法能够估计出遮挡部分的状态,实现稳定的跟踪目标。     

融合相似性检测的抗遮挡粒子滤波跟踪算法

在粒子滤波跟踪算法运行过程中,由于目标遮挡导致丢失目标,将严重地降低跟踪精度与鲁棒性。为了解决此问题,提出了目标丢失状态判定方法和基于改进序贯相似性检测的目标位置重建方法,当检测到目标丢失时,重启跟踪算法。改进序贯相似性检测使用Bhattacharyya距离代替像素累积误差,更好地适应检测目标发生旋转、形变、缩放等情况。使用OTB-100标准数据集,将该算法和传统粒子滤波跟踪算法、SCM等经典算法比较。实验结果表明,对于含遮挡特性视频序列,本文算法比传统粒子滤波跟踪算法和OTB-100抗遮挡最优算法跟踪成功率分别提高36.6%和3.2%,提升了跟踪过程的稳定性。此外,还将实验结果与最新粒子滤波跟踪研究成果作对比分析。     

基于CUDA 与粒子滤波的多特征融合视频目标跟踪算法

针对复杂环境中非线性运动目标跟踪,单一特征无法满足对目标的准确描述,造成不能准确跟踪的问题,提出了一种基于粒子滤波与多种特征自适应融合的跟踪方法．该方法先对目标区域提取轮廓方向分布与颜色分布。根据自适应规则融合后,然后与粒子滤波理论相结合,实现对各种复杂环境中视频运动目标的有效跟踪．同时,通过使用CUDA（ComputeUnifiedDevicemchitecture）加速,实现了目标跟踪的实时性．实验结果表明,该方法可对非线性、非高斯的运动目标进行有效的跟踪,对目标的遮挡与暂时消失,背景焦距的拉伸与背景颜色的变换,有很强的鲁棒性和实时性．     

一种新颖的基于颜色信息的粒子滤波器跟踪算法

传统的基于直方图的粒子滤波器算法常常需要在准确表达颜色分布和计算效率之间做出妥协,从而影响跟踪算法的性能甚至导致跟踪算法失败.针对这一问题,文中提出一种新颖的基于颜色信息的粒子滤波器跟踪算法.该算法采用自适应剖分颜色空间的概率模型,能够用较少的子空间准确地表达目标的颜色分布.文中进一步提出一种推广的积分图像,通过在该积分图像上进行数组索引操作得到每一个子空间的像素数目、均值向量和协方差矩阵,从而能够快速地计算出颜色模型.然而在CPU上计算积分图像十分耗时,为此文中提出一种基于GPU的并行算法快速计算积分图像.该并行算法在显卡的GPU上创建3个线程网格,分别顺序执行3个Kernel函数,依次完成创建原始积分图像以及对它的行和列执行前缀求和算法的任务.同传统的基于直方图的粒子滤波器算法相比,新算法每帧平均跟踪时间显著减少,同时跟踪准确性和鲁棒性都有较大提高.     

基于改进的核相关滤波器的目标跟踪算法

针对传统的KCF(核相关滤波器)目标跟踪算法在严重遮挡情况下出现目标跟踪漂移和丢失的问题,提出了一种改进的KCF目标跟踪算法.在传统的算法上增加了遮挡判断,如没有出现遮挡,则用KCF进行跟踪;若发生遮挡则用粒子滤波进行预测,然后把预测位置送给KCF算法.最后OTB-13的测试库选择David2、David3和Soccer视频遮挡序列进行跟踪测试,跟踪结果表明了改进方法的有效性;然后选择50组视频序列比较算法的有效性,相比传统的KCF算法,其跟踪精度和成功率分别提高了6.1％和2.9％.在目标发生严重遮挡时,该算法具有良好的鲁棒性.     

基于新型粒子群优化的粒子滤波雷达目标跟踪算法

针对基于粒子群优化算法的粒子滤波精度不高,容易陷入局部最优,难以满足目标跟踪的问题,提出了一种新的粒子群优化粒子滤波算法,该算法利用社会个体对群体的认知规律优化了粒子更新的方法,并且完善了粒子速度的更新策略,使优势速度有较小概率变异,从而提高了寻优能力,同时将劣势速度随机初始化,保证了样本的多样性.实验结果表明,该算法精度高,鲁棒性强,可以有效地应用于雷达机动目标跟踪.     

基于改进的粒子滤波算法的目标跟踪

将均值漂移算法与粒子滤波有效结合,通过比较粒子的权重,对粒子进行重采样,剔除大量的权重小的粒子,再加入均值漂移算法对粒子进行聚类,使用很少的粒子就能完全描述目标的状态信息,克服了粒子滤波计算量大的缺点,在实时监控中大大提高了跟踪效率。实验证明,该算法具有较好的实时性、鲁棒性和准确性。     

一种改进的粒子滤波跟踪算法

传统粒子滤波跟踪算法的退化现象和巨大的计算量不利于其应用,尤其在实时性要求较高的视频监控场合。引入均值漂移算法进行粒子的采样调整,采用积分直方图加快每个粒子的直方图计算速度,以改进传统粒子滤波跟踪算法的速度和跟踪效果,满足实时跟踪需要。实验结果证明了改进算法的有效性。     

A Multiple Model Tracking Algorithm Based on an Adaptive Particle Filter

The interacting multiple model based on a particle filter fails to meet the requirements of real‐time performance when manoeuvring target tracking by radar due to deficiencies in its high calculation complexity. An improved particle filter based on landscape adaptive particle swarm optimization is proposed. This filter adopts the method of updating inertia weight, using not only local information and global information, but also preventing algorithm trapping in a local optimum, so the filter can find the optimal solution with less iteration. Additionally, an improved tracking model is presented. With the help of systematic resampling, the model can figure out the model index of particles. The experimental results prove that the new tracking algorithm not only improves manoeuvring target tracking accuracy, but also decreases computing complexity.