目标跟踪的自适应双重采样粒子滤波算法

针对传统粒子滤波存在的粒子退化、贫化问题及粒子集个数不能自适应改变带来的滤波精度和收敛速度下降的问题,提出一种基于双重采样的自适应粒子滤波算法。该算法首先利用观测新息来确定重采样粒子分布方案,然后在首次重采样基础上,采用粒子交又聚合算法进行二次重采样,提高了粒子的使用效率,避免了由于使用过多粒子而增加计算量的问题。基于DR/GPS的实验仿真结果表明,与传统的PF算法相比,该算法有效提高了滤波精度和稳定性。     

二进制无线传感器网络中的分布式自适应粒子滤波目标跟踪算法

为了提高无线传感器网络目标跟踪的实时性,减少通信量,提出了一种二进制无线传感器网络的分布式自适应粒子滤波算法,该算法在簇头更换时,簇头之间只需要传送滤波值和误差方差,而无需传递大量粒子,同时该算法根据滤波方差在线调整粒子数,从而降低了算法的计算量。从算法耗时、均方根误差(跟踪精度)以及通信量等方面进行了仿真研究。仿真结果表明,分布式自适应粒子滤波算法的耗时、通信量要明显少于集中式粒子滤波和分布式粒子滤波;同时其均方根误差的变化幅度受粒子数的影响非常小,具有更好的跟踪性能。     

基于粒子滤波的分布式目标跟踪算法

根据无线传感器网络分布式目标跟踪的特性,提出一种改进粒子滤波算法。将簇内各节点最新的观测数据用极大似然估计法得到目标的状态信息,该信息作为参考分布更换粒子滤波部分粒子,引入模糊推理的数据融合方法为各个节点滤波结果分配不同权值,通过加权平均法得到目标的状态信息。仿真实验表明该算法能有效提高目标跟踪的精度。     

改进粒子滤波的无线传感器网络目标跟踪算法

针对粒子滤波(PF)重采样后造成的粒子枯竭现象的问题,提出了一种基于改进重采样的粒子滤波无线传感器网络目标跟踪算法.该算法避免了残差重采样算法中的残留粒子重采样问题,减少了计算时间;通过产生新的粒子,增加了粒子的多样性,从而改善了粒子枯竭现象.仿真实验结果表明:改进重采样的粒子滤波算法提高了目标跟踪精度,降低了跟踪误差.     

基于改进粒子滤波的机动目标自适应跟踪算法

在粒子滤波的基础上融合扩展卡尔曼滤波算法,融合后的算法在计算提议概率密度分布时,充分考虑当前时刻的量测,使粒子的分布更加接近状态的后验概率分布.将此改进粒子滤波算法在"当前"统计模型框架下进行机动目标自适应跟踪.仿真实验验证了该种方法对机动目标的良好自适应跟踪性能.     

WMSN目标跟踪的改进粒子滤波算法

分析了无线移动传感器网络中目标的跟踪原理,研究了基本粒子滤波算法的主要技术。对基本粒子滤波的重要性函数和重采样技术进行改进后,给出了一种提高基本粒子滤波算法跟踪精度的方法。通过仿真比较可以看出改进粒子滤波算法有较好的跟踪精度。在无线移动传感器网络中强调跟踪精度的场合,改进的粒子滤波算法会有更好的跟踪效果。     

基于目标跟踪的粒子滤波重采样算法研究

传统粒子滤波（PF）中,重采样步骤里存在着粒子的＂平均化＂现象,导致粒子本身概率大小的因素被忽略,没有充分利用粒子集所包含的信息。通过改进抛弃小权值粒子的原则,以及充分利用粒子权值大小所代表的意义来进行粒子复制的两点进行算法改进,采用一维非线性目标跟踪模型和新的二维动态跟踪模型分别研究改进PF算法对于平均RMSE的影响。通过仿真,证明了改进后的算法可以显著降低变量的平均RMSE,特别是在二位动态跟踪模型中,使位置坐标和速度两种变量的平均均方根误差（RMSE）都有所改善,从而提高了滤波性能。     

基于自适应粒子滤波的无人机目标跟踪算法研究

随着人工智能技术的发展以及数字图像处理技术的应用日渐普及,目标跟踪成为国内外学者的研究热点,该文针对无人机目标跟踪易受遮挡、形变、等复杂背景的干扰导致跟踪失败等问题提出一种基于自适应的粒子滤波的无人机目标跟踪算法。实验结果表明,该算法能有效地减少因复杂因素干扰导致的目标跟踪精度下降的问题,具有良好的鲁棒性。     

基于目标跟踪的粒子群粒子滤波算法研究

针对粒子滤波方法在重采样阶段容易造成样本有效性和多样性的损失,导致了样本贫化问题,提出了一种改进的粒子滤波算法.算法将粒子群优化思想引入粒子滤波中,在粒子采样过程前先利用粒子群算法进行优化.粒子群算法将最新观测值融合到粒子进化公式中,大部分粒子经过粒子群优化后,朝着后验概率分布比较密集的区域运动,聚集在最优粒子附近,使粒子的权值被提高,避免了在重新采样过程中被舍弃,进而缓解了样本被贫化问题.目标跟踪系统中的位置估计由于物体运动具有突然性,很难准确估计.采用非线性目标跟踪模型和分时恒定值模型分别研究改进粒子滤波算法对误差均方值的影响.仿真结果表明改进算法与常规粒子滤波算法和扩展卡曼滤波算法相比,更加有效地降低变量的误差均方值,从而提高了滤波性能.     

粒子滤波目标跟踪算法综述

随着人工智能科学的发展,目标跟踪成为中外学者研究的热点,近年来很多目标跟踪算法相继被提出,其中,经典的卡尔曼滤波算法常被用于目标跟踪领域。然而,在实际情况中,目标跟踪过程常涉及到非线性非高斯问题,由于粒子滤波算法在非线性非高斯系统中有较好的性能,因此将其引入目标跟踪研究领域。针对粒子滤波算法存在的跟踪精度差、实时性不高等问题,近年来国内外学者提出很多改进方法。从特征融合、算法融合和自适应粒子滤波三个方面介绍了相关改进方法的基本思想,展望了粒子滤波算法在目标跟踪领域的发展方向。     

一种用于目标跟踪的改进粒子滤波算法

为解决目标跟踪中粒子滤波算法的估计精度、粒子退化问题,提出一种改进的粒子滤波算法。在粒子滤波的基础上,利用UKF生成粒子滤波的建议分布,以改善滤波效果,在无味粒子滤波的基础上,融合典型的MCMC抽样算法,减少传统算法未考虑当前量测对状态的估计作用所带来的影响,增加采样粒子多样化。将该算法应用于具有非线性、非高斯特点的目标跟踪问题中,仿真结果表明,与普通的粒子滤波算法相比,其跟踪精度和滤波效果有较大提高。     

基于均值漂移算法和粒子滤波算法的目标跟踪

将均值漂移算法和粒子滤波算法分别做出改进后进行有效结合.在非遮挡和不严重遮挡情况下,采用改进的均值漂移算法,在严重遮挡情况下,采用改进的粒子滤波算法,并在遮挡结束后验证正确的跟踪是否得到恢复.提出有效的分块检测遮挡算法,遮挡期间颜色模板不更新.实验结果表明该算法具有较好的实时性和鲁棒性,能有效实现复杂场景下的目标跟踪.     

基于自适应粒子滤波的跳水运动视频跟踪算法

用传统粒子滤波算法对跳水运动视频跟踪存在两个突出问题:观测模型不能适应运动员身体的表观变化;运动模型不能准确预测运动员位置的快速改变。针对这两个问题,本文提出一种自适应粒子滤波算法。该算法在粒子滤波框架下引入一种自适应观测模型,并且根据跟踪误差与运动员动作改变幅度的大小,自适应选择噪声方差和粒子数量。实验结果表明,本文算法比传统粒子滤波算法具有更低的跟踪误差率,而且在运动员动作改变幅度变大时有更好的鲁棒性。     

基于自适应蝙蝠粒子滤波算法的WSN目标跟踪

为了解决粒子滤波(PF)的无线传感器目标跟踪中样本贫化导致的精度较低的问题,提出了自适应蝙蝠粒子滤波的WSN目标跟踪方法。通过自适应的蝙蝠算法的滤波算法优化粒子重采样过程,结合最新的观测值定义粒子的适应度函数,引导粒子整体上向较高的随机区域移动。同时利用动态自适应惯性权重探索新的粒子位置更新为设计机制,引入动态适应惯性权重值, 有效调整全局探索和局部探索适应能力、改善粒子贫化和局部极值问题,增加粒子群多样化从而提高跟踪性能。实验结果表明,自适应蝙蝠粒子滤波算法重采样方法可以防止粒子的退化,增加粒子的多样性,减少跟踪误差,可以减少算法的运行时间,实时追踪性能大幅提高。与BA-PF算法和PF算法相比较,IBAPF 算法的计算时间是最短的,IBA-PF算法的位置和速度的平均平方根误差最小(位置0.0311、0.0202、速度0.0262、0.0101),PF算法的跟踪精度是最低的,而IBA-PF跟踪精度较高,IBA-PF算法被证明具有良好的跟踪性能。     

基于多核的并行粒子滤波运动目标跟踪

粒子滤波中大量的粒子计算使得算法的实时性较差。由于粒子滤波本身具有可并行化的特点,因此利用OpenMP多线程库派生出多个线程,将算法过程由单线程串行执行转变为多线程并行执行。用多核并行计算技术实现粒子滤波运动目标的跟踪。实验结果表明:基于多核的并行计算技术提高了粒子滤波算法的计算效率。     

基于量化新息的容积粒子滤波融合目标跟踪算法

针对现有非线性网络化目标跟踪融合算法存在的精度低和实用性差等不足,以一类带有噪声相关的非线性网络化目标跟踪系统为对象,研究基于测量新息量化策略和容积粒子滤波（Cubature particle filter,CPF）的目标跟踪融合算法. 首先,利用状态方程恒等变换和矩阵相似变换理论解除过程噪声与测量噪声以及测量噪声之间的相关性;其次,各个传感器节点采用自适应策略量化局部测量新息并将其发送到融合中心（Fusion center,FC）;随后,在集中式融合框架下采用容积粒子滤波器设计基于测量值扩维的量化融合跟踪算法,进而给出相应的顺序滤波量化融合算法,上述算法可有效解决因自适应量化引起的非高斯问题;最后,通过两个计算机仿真实验验证了所提出跟踪算法的有效性.     

PCL环境下粒子滤波目标跟踪算法研究

在实时三维目标跟踪系统中,KL距离自适应粒子滤波算法中距离阈值、小区域阈值以及其他参数的选取往往根据经验设置,如果参数设置不合适会降低跟踪精度和实时性。为此,设计一种3D点云目标跟踪系统。分析距离阈值和小区域阈值等参数对跟踪性能的影响,并给出自适应粒子滤波中参数与跟踪目标模型的关系。实验结果表明,与PCL_Tracking算法相比,该系统提高了三维目标跟踪系统的准确性和实时性。     

粒子滤波器在雷达目标跟踪中的运用

非线性估计领域的经典算法是扩展Kalman滤波(EKF).它采用了Taylor展开的线性变换来近似非线性模型,因而存在计算量大、实时性差、估计精度低等缺点.而粒子滤波采用一些带有权值的随机样本(粒子)来表示所需要的后验概率密度,而不是采用传统的线性变换,从而得到基于物理模型的近似最优数值解,具有精度高、收敛速度快等特点.本文对经典的方位、斜距量测跟踪问题进行了仿真.仿真结果表明,粒子滤波器的跟踪性能要优于EKF的性能.