基于粒子滤波和均值漂移的目标跟踪

将均值漂移算法嵌入到粒子滤波的跟踪框架中,将颜色分布作为观测模型,将HSV颜色空间根据人类的颜色感知差异,对各个分量进行非等间隔量化,然后利用基于核函数的直方图进行建模。该算法克服了粒子滤波计算量较大的缺点,同时也克服了均值漂移算法容易陷入局部最大且无法恢复的缺点。实验结果表明,该方法具有较强的实时性和鲁棒性。     

利用视觉显著性和粒子滤波的运动目标跟踪

针对运动目标跟踪问题,提出一种利用视觉显著性和粒子滤波的目标跟踪算法.借鉴人类视觉注意机制的研究成果,根据目标的颜色、亮度和运动等特征形成目标的视觉显著性特征,与目标的颜色分布模型一起作为目标的特征表示模型,利用粒子滤波进行目标跟踪.该算法能够克服利用单一颜色特征所带来的跟踪不稳定问题,并能有效解决由于目标形变、光照变化以及目标和背景颜色分布相似而产生的跟踪困难问题,具有较强的鲁棒性.在多个视频序列中进行实验,并给出相应的实验结果和分析.实验结果表明,该算法用于实现运动目标跟踪是正确有效的.     

基于分块颜色直方图和粒子滤波的物体跟踪

在使用粒子滤波的跟踪方法中,颜色直方图经常被用来作为目标特征。但是普通的颜色直方图易受与跟踪物颜色相似的背景和其他物体的干扰,并且在跟踪目标被部分遮挡后性能也将下降。为解决这些问题,受hog特征启发,提出一种分块重叠的颜色直方图,并且根据分块直方图特点,重新设计了粒子滤波系统的权重计算方法和模型更新方法。实验证明该系统优于传统的颜色直方图特征。     

基于运动与颜色直方图的粒子滤波目标跟踪

提出了基于运动目标历史速度和历史运动曲线的改进的粒子滤波器设计方案.为了解决运动中的遮挡问题,在粒子评价过程中引入"运动动量因子"来保持在高速运动下原来方向粒子的健壮性,提高了粒子跟踪的准确度.相应的为运动目标建立颜色模型,进一步增加了跟踪的准确性.实验结果表明,跟踪的效果优于基本粒子滤波器.     

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。     

一种基于粒子滤波的红外目标跟踪方法

为解决红外运动目标跟踪中的遮挡、形变等问题,提出一种基于粒子滤波的跟踪方法。该方法首先利用目标区域的灰度分布,建立了一种基于统计直方图的系统观测概率模型。并将飞机目标的运动看作惯性受限的非平稳过程,采用微分线性拟合模型作为系统状态转移模型。序列图像的实验表明：该算法能够在目标高速运动或发生遮挡的情况下稳健跟踪目标,其总体性能优于Mean Shift算法。     

一种基于改进粒子滤波的多目标跟踪算法

针对复杂背景环境下的多目标跟踪问题,论述了主要的数据关联技术,将目标检测算法与粒子滤波相结合,利用颜色直方图作为观测模型,并利用全领域(GNN)算法进行数据关联.提出一种改进的基于粒子滤波的多目标跟踪算法,实现了视频场景中的多个目标跟踪.该算法对于目标在场景中的频繁出现和消失、相似外表、交叉运动和短暂遮挡等均有较好的处理效果.     

多特征融合的鲁棒粒子滤波跟踪算法

为克服基于单一特征的跟踪方法在复杂环境和光照变化下易导致跟踪失败的缺点,提出了一种基于多特征融合的粒子滤波跟踪算法。通过基于HSV的多块颜色直方图来表征目标的总体分布,而方向梯度直方图又包含了一定的结构信息,两者互为补充,将两者融合于粒子滤波的框架中。同时,自适应更新融合权重、模板和噪声分布参数,动态调节粒子数目,在环境干扰较大(如遮挡)时,分配较多的粒子。实验结果表明,算法鲁棒性较高,同时提高了跟踪的精度。     

基于鲁棒子空间学习的粒子滤波跟踪算法*

线性子空间模型能够有效地描述目标表面受到光照和姿势变化的情况,然而大多数基于子空间表面模型的目标跟踪算法是在跟踪之前通过训练不同光照和姿势下目标的观测图像,得到一组特征基,并用这组特征基表示不同时刻目标表面变化,一旦训练完成之后,特征基就保持不变,不能在线更新。采用增量子空间学习的方法来构建目标表面的特征基,该特征基能够在线适应目标表面的变化。另一方面,传统的子空间学习方法是基于最小二乘重构误差,该方法容易受到异常测量数据的影响,为此采用鲁棒的子空间学习方法来降低异常测量数据对特征空间更新的影响。最后将鲁     

字典学习联合粒子滤波鲁棒跟踪

针对运动目标鲁棒跟踪问题,提出一种基于离线字典学习的视频目标跟踪鲁棒算法。采用字典编码方式提取目标的局部区域描述符,随后通过训练分类器将跟踪问题转化为背景和前景分类问题,最终通过粒子滤波对物体位置进行估计实现跟踪。该算法能够有效解决由于光照变化、背景复杂、快速运动、遮挡产生的跟踪困难。经过不同图像序列的实验对比表明,与现有方法相比,本文算法的鲁棒性较高。     

基于粒子滤波的红外运动目标跟踪

提出一种基于粒子滤波及Mean Shift算法的红外运动目标跟踪方法。该方法首先利用目标区域的灰度分布,建立了一种基于统计直方图的系统观测概率模型,并针对红外目标机动性强,需要大量粒子才能保证算法鲁棒性的问题,将Mean Shift算法引入到粒子更新的过程中,使粒子分布在观测的局部区域内,在利用少量粒子实现分布多样性的同时,有效克服了粒子退化现象。序列图像的实验表明：该算法能够在目标高速运动或发生遮挡的情况下稳健跟踪目标,其总体性能优于传统的粒子滤波算法。     

基于谱直方图和Kalman滤波的目标跟踪

为了提高背景混淆下的跟踪效果,提出了基于谱直方图和Kalman滤波的目标跟踪方法.通过将图像与滤波器组进行卷积计算获取图像的频率特征,统计获得图像的谱直方图.谱直方图将图像转移到频域进行统计,减少了颜色以及噪声等因素的干扰.为了提高跟踪效率,引入Kalman滤波运动估计,进行局部搜索运动目标,并详细探讨了Kalman参数的设置.实验结果表明,在背景混淆的场景下,相对于颜色直方图来说,该算法能够取得较好的跟踪效果.     

利用空间结构信息的相关滤波目标跟踪算法

为解决在典型相关滤波框架模型中样本信息判别性低引起的跟踪漂移问题，提出一种利用空间结构信息的相关滤波目标跟踪算法。首先，引入空间上下文结构约束进行模型构建的优化，同时利用正则化最小二乘与矩阵分解思想实现闭式求解；然后，采用互补特征用于目标表观描述，并利用尺度因子池处理目标尺度变化情况；最后，借助目标运动连续性进行目标受遮挡影响情况的判定，设计相应的模型更新策略。实验结果表明，在多种典型测试场景中所提算法的准确率较传统算法提高了17.63%，成功率提高了24.93%，可以取得较为鲁棒的跟踪效果。     

State estimation using the particle filter with mode tracking

A particle filter is a data assimilation scheme that employs a fully nonlinear, non-Gaussian analysis step. Unfortunately as the size of the state grows the number of ensemble members required for the particle filter to converge to the true solution increases exponentially. To overcome this Vaswani [Vaswani N. 2008. IEEE Trans Signal Process 56:4583–97] proposed a new method known as mode tracking to improve the efficiency of the particle filter. When mode tracking, the state is split into two subspaces. One subspace is forecast using the particle filter, the other is treated so that its values are set equal to the mode of the marginal pdf. There are many ways to split the state. One hypothesis is that the best results should be obtained from the particle filter with mode tracking when we mode track the maximum number of unimodal dimensions. The aim of this paper is to test this hypothesis using the three dimensional stochastic Lorenz equations with direct observations. It is found that mode tracking the maximum number of unimodal dimensions does not always provide the best result. The best choice of states to mode track depends on the number of particles used and the accuracy and frequency of the observations.     

融合残差Unscented粒子滤波和区别性稀疏表示的鲁棒目标跟踪

（目的）提出一种鲁棒的目标跟踪算法,将区别性稀疏表示模型应用于残差Unscented粒子滤波(RUPF)跟踪框架,从而实现对目标高效准确的跟踪。（方法）利用Unscented卡尔曼(UKF)滤波技术将目标的量测信息引入提议分布,并使用马尔科夫蒙特卡洛(MCMC)移动改进采样结果,提高了滤波的精度,同时有效防止了粒子的退化和贫化。基于稀疏表示建立区别性的目标观测模型,引入的背景成分可以增强算法分辨目标与背景的能力。采用可变方向乘子法(ADMM)解决稀疏表示中的L1优化问题,有效的提升了算法的执行效率。（结果）通过和其它跟踪算法一起对标准测试视频进行的大量定性与定量的实验表明,本文提出的跟踪算法的跟踪精度高于一些常见的跟踪算法,同时其时间复杂度低于传统的几种基于稀疏的跟踪算法。（结论）随着硬件技术的不断发展,UKF滤波技术的速度不断提升,保证了本文算法可以在较高准确率下有更快的执行速度。     

基于超像素和判别稀疏的运动目标跟踪算法

针对目标遮挡、非刚性变换、光照变换等因素干扰产生的漂移问题,提出基于超像素和判别稀疏的运动目标跟踪算法。算法首先利用SLIC方法对运动目标的观测区域进行超像素分割,然后通过K-Means算法构建包含目标和背景的超像素字典,再基于判别稀疏表示和[?1]范数最小化框架求解候选目标的稀疏系数,同时结合粒子滤波框架和在线字典更新策略完成目标跟踪。实验结果表明,该算法在多种因素干扰的环境中具有较强的鲁棒性,能够准确稳定地进行在线目标跟踪。     

采用多边形位置校正的时空正则化相关滤波跟踪

针对时空正则化相关滤波跟踪算法在背景混乱、光照变化等挑战场景下跟踪结果与正确目标位置总是存在偏离的问题,提出了采用多边形位置校正的时空正则化相关滤波跟踪算法,以提高跟踪结果的准确性和鲁棒性.该算法采用峰值噪声比对当前跟踪结果的置信度进行判别,对置信度判别结果为不可信的情况采用多边形位置校正方法对当前跟踪结果进行修正.实验表明,该算法在成功率曲线下面积和精度两种评价标准下都有较大的提升,尤其是在背景混乱和光照变化场景下都具有更好的跟踪效果,具有一定的应用价值.     

基于灰色预测模型和粒子滤波的视觉目标跟踪算法

结合灰色预测模型和粒子滤波,提出一种新的视觉目标跟踪算法.由于粒子滤波未考虑先验信息对建议分布产生的指导作用,不能很好地逼近后验概率分布,对此,采用历史状态估计序列作为先验信息,建立该序列的灰色预测模型来预测产生建议分布.与粒子滤波、卡尔曼粒子滤波和无迹粒子滤波进行对比实验,结果表明所提出的算法在视觉目标跟踪中具有更好的性能.     

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。     

改进的均值漂移和粒子滤波混合跟踪方法

为提高粒子滤波视觉目标跟踪算法的准确性和实时性,提出一种基于均值漂移和粒子滤波的混合跟踪算法。将相异性较小的粒子进行聚类,利用均值漂移算法迭代各个聚类中的代表点,通过减少参与均值漂移迭代的粒子数来降低运算复杂度;根据跟踪情况自适应调整采样粒子数目和过程噪声分布,以提高跟踪精度和减少运算时间。实验结果表明,所提算法平均每帧计算时间不到传统混合跟踪法的一半,而且跟踪精度也有所提高。