一种改进的基于Camshift的粒子滤波实时目标跟踪算法

为了能够快速和准确地跟踪运动目标,提出了一种改进的基于Camshift的粒子滤波算法。在粒子滤波框架下,首先对传统目标模型进行改进,提出一种新的融合目标颜色信息和运动信息的模型,以增强目标跟踪的稳健性和准确性;同时为了提高跟踪的效率,将一种改进的Camshift算法嵌入到粒子滤波中,用来重新分配随机粒子样本,使之向目标状态的最大后验概率密度方向移动。实验结果表明,与传统的粒子滤波算法或Camshift算法相比,该方法能有效处理目标快速运动或背景存在强干扰等情况,实现对目标快速和稳健的跟踪。     

基于MCMC的改进粒子滤波算法

针对传统粒子滤波算法建议分布函数的选取问题和粒子退化现象,提出一种基于马尔可夫蒙特卡洛思想的改进粒子滤波算法.使用基于比例对称采样方法选取Sigma点的无迹卡尔曼滤波,产生粒子滤波并建议分布函数;将似然分布自适应权值调整策略应用于权值选取步骤;采用系统重采样方法,加入了用来保持粒子多样性的马尔科夫链蒙特卡洛步骤.仿真结果表明,该算法的估计状态能够更好地吻合真实轨迹,在非线性、非高斯场合的估计性能较优.     

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.     

改进的多模型粒子PHD和CPHD滤波算法

多模型粒子概率假设密度(Probability hypothesis density, PHD)滤波是一种有效的多机动目标跟踪算法, 然而当模型概率过小时,该算法存在粒子退化问题,而且它对目标数的泊松分布假设会夸大目标漏检对其势估计的影响. 针对上述问题,本文提出一种改进算法. 该算法并不是简单地对模型索引进行采样, 而是用粒子拟合目标状态的模型条件PHD强度, 在不对噪声做任何先验假设的前提下, 通过重采样实现存活粒子的输入交互,提高了滤波性能. 在此基础上, 进一步将算法在Cardinalized PHD (CPHD)的框架下加以实现,提高其目标数估计精度. 仿真实验表明,所提算法在滤波性能和目标数估计精度方面均优于传统的多模型粒子PHD算法,具有良好的工程应用前景.     

基于混合粒子PHD滤波的多目标视频跟踪

针对可变数目多目标视频跟踪,粒子滤波不能持续维持目标的多模态分布问题,本文提出一种混合粒子概率假设密度(PHD)滤波的多目标视频跟踪算法.该算法首先用K-means算法对粒子进行空间分布聚类,给各粒子群附加身份标签,使各粒子群分别对应混合粒子滤波的各分量,采用相互独立的各分量粒子滤波跟踪各目标,这样提高了目标状态估计的准确性,也能有效维持各目标的多模态分布.实验结果表明,该算法能有效处理新目标出现、合并、分离等多目标跟踪问题.     

多线索融合和区域划分的粒子滤波跟踪算法

提出一种多线索动态融合和目标区域划分的粒子滤波视觉跟踪算法。在粒子滤波框架基础上,选取颜色、纹理、边缘线索于目标模型中,采用带权重的乘性融合策略自适应计算粒子权重,并实时更新目标模型。为增强在遮挡时的跟踪能力,采用局部目标而非整个运动目标作为粒子目标模型。实验结果表明,改进后的算法比简单的线索融合、传统的粒子滤波模型选取方法更能鲁棒并实时地跟踪目标。     

采用概率密度分布和粒子滤波的室内跟踪算法

提出了一种新的室内定位跟踪算法,采用了直方图法和核函数法估计参考点处的接收信号强度的概率分布,并将其作为该参考点的位置指纹,描述了该参考点处无线信道的特性;利用粒子滤波解决了非线性状态空间模型下的在线跟踪问题,仿真结果表明基于概率密度分布和粒子滤波的跟踪算法收敛速度快,且对环境变化不敏感,性能优于卡尔曼滤波算法。     

多步历史估计信息反馈多模型融合方法

针对强机动和大观测误差下的目标跟踪问题,传统低阶多模型融合方法存在估计精度较低、鲁棒性较差的缺点;高阶多模型融合方法面临计算量增大和保证实时性之间的矛盾.为此本文针对一类多步稳健机动目标跟踪问题提出一种基于历史估计信息反馈的多模型融合框架,首先累积和反馈历史估计信息,然后结合当前量测计算多阶模型序列的似然函数,最后得到贝叶斯后验融合结果.同时结合粒子滤波构建了易于工程实现的粒子滤波历史反馈多模型融合算法(PF-HFMM).仿真表明,与传统粒子滤波多模型算法相比,本法显著提高了估计精度和鲁棒性.     

基于IMM多传感器顺序粒子滤波跟踪机动目标算法

针对交互式多模型粒子滤波在跟踪机动目标时精度受限问题,提出一种基于交互式多模型(IMM)的多传感器顺序粒子滤波算法。采用IMM机制实现目标运动模式的确认;在合理利用单传感器量测和多传感器量测中冗余和互补信息的基础上,引入顺序重抽样方法改善粒子分布,并将改善后的粒子应用于IMM粒子滤波算法框架。仿真实验结果表明:新算法能够估计出强机动目标状态,且精度明显优于标准IMM粒子滤波算法。     

基于迭代平方根容积粒子滤波目标跟踪算法

针对粒子滤波目标跟踪算法粒子退化及跟踪精度问题,提出了一种基于马尔可夫链-蒙特卡罗(MCMC,Markov Chain Monte Carlo)的迭代平方根容积粒子滤波(ISRCPF,iterated square root cubature Kalman particle filter)算法(ISRCPF-MCMC).在该滤波算法中,利用容积数值积分原则计算非线性随机函数的均值和方差,通过正交矩阵分解代替矩阵开方,在生成的粒子滤波建议分布中融入当前量测值,提高对系统后验概率的逼近程度.然后在此基础上融合MCMC抽样算法(MH,Metropolis Hasting)对所选建议分布进行优化,增加粒子多样性,以提高跟踪精度.仿真试验结果表明,ISRCPF-MCMC算法的估计误差与其他算法相比降低至0.403％.     

基于改进扩展卡尔曼粒子滤波的目标跟踪算法*

针对扩展卡尔曼粒子滤波算法滤波精度较低和粒子退化的问题,将马尔可夫链蒙特卡罗（MCMC）方法和扩展卡尔曼粒子滤波相结合,应用于目标跟踪。该算法利用扩展卡尔曼滤波来构造粒子滤波的建议分布函数,使建议分布函数能够融入最新的观测信息,以便得到更符合真实状态的后验概率分布,同时引入MCMC方法对所选的建议分布进行优化处理,使抽样粒子更加多样性。仿真结果表明,该算法能有效地解决粒子贫化问题并提高滤波精度。     

非线性系统的多扩展目标跟踪算法

目前扩展目标跟踪算法大都假设其系统为线性高斯系统，针对非线性系统的多扩展目标跟踪问题，提出了采用粒子滤波技术对目标状态和关联假设进行联合估计的多扩展目标跟踪算法。首先，提出了将多扩展目标状态和关联假设进行联合估计的思想，解决了在估计目标状态和数据关联时相互牵制的问题；其次，根据扩展目标演化模型、量测模型建立多扩展目标状态和关联假设的联合建议分布函数，并利用粒子滤波技术实现联合估计的Bayes框架；最后，为解决直接采用粒子滤波实现时存在的维数灾难问题，将目标联合状态粒子的产生和演化分解为各个目标状态粒子的产生和演化，对每个目标的粒子集根据与其相关的权重单独进行重抽样，这样在抑制目标状态估计较差部分的同时使每个目标都保留了对其状态估计较好的粒子。仿真实验结果表明，与扩展目标概率假设密度滤波器的高斯混合实现方式和序贯蒙特卡洛实现方式相比，所提算法的状态估计精度较高，形状估计的Jaccard距离分别降低了30%、20%左右，更适合于非线性系统的多扩展目标跟踪。     

基于B样条曲线的GHPF轮廓跟踪算法

针对视觉跟踪中粒子滤波算法的建议性分布函数选择问题,提出一种目标轮廓跟踪的高斯厄米特粒子滤波算法(GHPF).该算法采用B样条曲线描述目标轮廓,建立目标运动模型.利用高斯厄米特滤波器产生建议性分布函数,通过实时融入最新的观测数据来逼近系统状态的后验概率,提高了滤波估计的精度.实验仿真结果验证了所提算法的有效性.     

一种基于AMPF和FastSLAM的复合SLAM算法

为了改进快速同时定位和地图创建(FastSLAM)算法的粒子集性能、提高估计精度,提出基于AMPF和FastSLAM的复合SLAM算法.将辅助边缘粒子滤波器(AMPF)与FastSLAM架构相结合,用AMPF估计机器人位姿,单个粒子的位姿提议分布用无轨迹卡尔曼滤波估计.设计与AMPF和FastSLAM架构均兼容的采样方法和粒子数据结构,在FastSLAM框架下用扩展卡尔曼滤波递归估计地图.实验表明,该算法的粒子集性能比FastSLAM 2.0算法好,并且它的位姿估计精度高于FastSLAM 2.0算法.此外,粒子数较少时,该算法的估计精度较高,从而可适当减少粒子数目来提高算法的计算效率.     

自适应渐消有偏扩展卡尔曼滤波在目标跟踪中的应用

针对机动目标跟踪过程观测矩阵病态导致扩展卡尔曼滤波算法跟踪效果不佳的问题,提出一种自适应渐消有偏扩展卡尔曼滤波算法。该算法以扩展卡尔曼滤波为基本框架,并借鉴Gauss-Markov模型的思想以解决观测矩阵病态问题。算法根据状态估计均方误差最小条件求得有偏因子,以降低病态观测矩阵对滤波估计的影响;根据滤波发散判据提出一种新的渐消因子估计方法,以实时调整预测协方差矩阵,从而改善滤波增益并有效提高目标跟踪精度。仿真结果表明,改进算法比传统扩展卡尔曼滤波对目标跟踪的精度有较大提高,同时稳定性更好。     

多特征融合的退火粒子滤波目标跟踪

针对传统粒子滤波的建议分布没有利用到当前观测信息的缺点,提出了一种基于多特征融合的退火算法来改进建议分布的粒子滤波跟踪方法。该方法解决了高维状态下计算量大和粒子数匮乏问题。采用退火方法在蒙特卡洛重要采样范围内产生更好的建议分布,并用退火似然性抽样来代替简单的先验概率抽样。在似然逼近中,应用颜色和边缘相融合的图像特征属性在不同的退火层加权来产生权重功能函数。用该方法对复杂背景下和存在遮挡情况下的运动目标进行跟踪,结果表明该方法有较高的跟踪精度和较强的稳定性。     

一种新型高精度非线性滤波算法研究

针对非线性、非高斯系统状态的在线估计问题,提出了一种新的高精度粒子滤波算法。该算法通过引入积分修正因子,对积分卡尔曼滤波器的积分点进行在线修正,并采用修正后的积分卡尔曼滤波产生优选的建议分布函数,由于高精度地融入最新量测信息,一定程度上克服了权值退化问题。仿真实验表明,新算法具有较高的滤波精度,是一种有效的非线性滤波算法。     

基于修正积分卡尔曼粒子滤波的自适应目标跟踪算法

针对当前粒子滤波权值退化问题以及精度与时耗的矛盾,提出了一种新的高精度自适应粒子滤波算法。该算法综合考虑优选建议分布函数和重采样两种并行改进滤波性能的方法:首先,在积分卡尔曼滤波(QKF)的基础上引入修正因子,通过修正的积分卡尔曼滤波(PQKF)产生优选的建议分布函数,较好地克服了粒子退化现象,在提高滤波精度的同时降低了运算量;在重采样阶段,通过引入系统估计和预测提供的新息差值在线自适应调整采样粒子数,较好地保证了粒子采样的高效性和算法的实时性。实验表明,新算法具有高精度、低时耗的优点,是一种高精度自适应粒子滤波算法。