基于人工蜂群算法的粒子滤波目标跟踪

针对基于粒子滤波的视频目标跟踪算法中由于粒子重采样过程而导致粒子贫化的问题,提出了一种基于人工蜂群算法的粒子滤波目标跟踪算法,利用群体智能的特点使得粒子集在重采样前得到优化,保持了粒子的多样性,从而解决了粒子贫化问题,同时增加了有效粒子的数目.实验结果表明,基于人工蜂群算法的粒子滤波跟踪算法,比标准粒子滤波跟踪算法所需粒子数更少,对目标遮挡、较复杂背景有较好的跟踪效果.     

一种确定性的粒子滤波算法

基于序贯蒙特卡罗的粒子滤波已成为研究非线性非高斯估计问题的一个重要途径.该文将统计学中的数论方法应用于粒子滤波,用代表点来代替随机样本,由于随机分布的代表点较蒙特卡罗方法具有更好的收敛速度,对随机分布有更好的代表性,因此可望提高粒子滤波的性能.在简单介绍了粒子滤波及随机分布代表点理论的基础上,将随机分布的F-偏差代表点应用于粒子滤波,对粒子滤波中关键的初始粒子生成、重点密度采样及再采样过程给出了相应的代表点算法,得到了一个包含最少随机操作的确定性粒子滤波算法.仿真结果表明,确定性粒子滤波算法在滤波性能及计算效率均有不同程度的提高.     

一种Camshift优化的粒子滤波跟踪算法

针对传统粒子滤波目标跟踪算法中用先验转移概率作分布函数时计算量大、粒子退化严重且未考虑最新观察信息等缺点,提出了一种Camshift优化的粒子滤波跟踪算法.算法首先在粒子滤波框架下,利用Camshift算法使粒子向目标状态的最大后验核密度估计方向移动.然后针对目标所处环境的不同,提出了适时调整参与Camshift算法优化的粒子数的方法,既考虑了跟踪算法的效率又考虑了粒子的多样性.跟踪结果表明,该算法的跟踪性能明显优于传统的粒子滤波算法,具有很好的实时性和鲁棒性.     

基于RPF的异构传感器检测前跟踪算法研究

针对异类传感器信息差异化、标准粒子滤波在检测与跟踪时存在的粒子贫乏等问题,提出了基于RPF的异类传感器检测前跟踪算法.由于标准粒子滤波器容易产生粒子贫乏,无法对检测空间进行有效搜索检测,因此,引入RPF滤波器解决粒子滤波器重采样时的粒子贫乏问题,并在保证跟踪精度的前提下确保跟踪与搜索粒子数目不变;同时利用粒子空间分布特点,通过空间变换的手段实现粒子空间转换与配准,以此实现异类传感器在概率空间的一致表示.对该算法进行仿真,仿真实验结果表明异类跟踪算法优于单一传感器的检测与跟踪性能.     

基于广义UT变换的交互式多模型粒子滤波算法

 针对粒子滤波中重采样过程与优化提议分布的处理方式导致的粒子溃退和算法实时性下降问题,通过广义UT变换原理和卡尔曼滤波预测更新机制的引入,实现当前量测信息对于状态估计结果的直接优化,给出了一种基于广义UT变换的粒子滤波算法。另外,将改进后算法与交互式多模型相结合,进而提出了一种基于广义UT变换的交互式多模型粒子滤波算法．理论分析和仿真结果表明：新算法在计算复杂度方面与标准粒子滤波相近,在滤波精度方面优于标准粒子滤波及其改进算法．     

改进的交互式多模型粒子滤波跟踪算法

通常的交互多模型卡尔曼滤波(IMMKF)或交互多模型扩展卡尔曼滤波(IMMEKF)对于非高斯问题无能为力;对于非线性问题,其性能不及交互多模型粒子滤波算法(IMMPF)。粒子滤波能够处理非线性/非高斯问题,其与交互式多模型结合用来获得更好的跟踪性能。然而,粒子滤波的主要问题是巨大的计算量,由于粒子滤波通常采用大量的粒子数目,将带来很大的计算负荷。该文提出了一种改进的交互多模型粒子滤波算法,其利用多模型综合使用了卡尔曼滤波和粒子滤波,与常规交互式多模型粒子滤波(IMMPF)相比,大大改善了计算效率。对于非线性/非高斯问题,其性能与IMMPF相当;对于线性问题,其性能与IMMEKF相当,并优于IMMPF的性能。     

基于粒子滤波和均值平移的目标跟踪

提出一种粒子滤波和均值平移相结合的跟踪算法,其中均值平移起主导作用,当其失效时会产生少量的粒子进一步搜索,确定目标位置以减少误差.与传统的粒子滤波相比,这种方法只需少量的粒子覆盖可能的目标分布,大大减少了计算量.     

An Efficient Particle Filter–based Tracking Method Using Graphics Processing Unit (GPU)

Particle filter has been proven very robust in handling non-linear and non-Gaussian problems and has been widely used in the area of object tracking. One of the main problems in particle filter-based object tracking is, however, its high computational cost induced by the most time-consuming stage of measurement model computation. This paper makes progress in resolving the problem by proposing an efficient particle filter-based tracking algorithm using color information. First, a compact color cooccurrence histogram is presented, which considers both spatial and color information and can effectively represent color distribution with a very small number of histogram bins. The paper also introduces integral images by which the cooccurrence histogram can be obtained with simple array reference operations. However, the construction of the integral images on the CPU may be computationally expensive. Hence, this paper develops parallel algorithms on a desktop Graphics Processing Unit (GPU), which accomplishes the integral images construction and cooccurrence histogram computation after bin index determination. The resulting algorithm is quite efficient and has better performance than the traditional histogram-based tracking algorithm. The tracking time of the proposed algorithm increases insignificantly with the growth of particle number, and it remains consistent among varying image sequences and stable throughout all frames in the same image sequence due to its irrelevance to object size. Experiments in diverse image sequences validate our conclusions.     

一种基于颜色分布的混合视频跟踪方法

传统的Mean shift算法虽然具有简单快速的特点,但在目标被遮挡的情况下无法进行有效的跟踪。与此同时,以Monte Carlo随机模拟理论为基础的粒子滤波虽然可以很好地解决这一问题,但是由于结果的好坏与粒子的数目成正比,计算耗时无法满足系统的实时性要求。该文基于颜色直方图分布,引入自适应选择粒子样本数的采样策略,有效地融合传统Mean shift算法的简单快速和粒子滤波跟踪算法的抗遮挡的优点,在保证跟踪效果的同时减少了跟踪的总体时间花费,有效提高了设计的跟踪系统的实时性。实验证明,该方法在实际的目标跟踪中是有效和稳健的。     

基于Box粒子滤波的参数自适应机动目标跟踪

针对机动目标跟踪加速度的不确定性,引入一种新的参数自适应算法,采用粒子滤波及高斯核密度估计技术,估计目标机动参数,实现对任意机动目标的跟踪。在此基础上,考虑到粒子滤波计算代价较高的问题,进一步引入区间分析技术,采用Box粒子代替传统的粒子,以提高算法的计算效率。实验结果表明,提出的算法能够有效地跟踪任意机动目标,且运算时间明显低于传统的参数自适应算法。     

Mobility Tracking in Cellular Networks Using Particle Filtering

Mobility tracking based on data from wireless cellular networks is a key challenge that has been recently investigated both from a theoretical and practical point of view. This paper proposes Monte Carlo techniques for mobility tracking in wireless communication networks by means of received signal strength indications. These techniques allow for accurate estimation of mobile station's (MS) position and speed. The command process of the MS is represented by a first-order Markov model which can take values from a finite set of acceleration levels. The wide range of acceleration changes is covered by a set of preliminary determined acceleration values. A particle filter and a Rao-Blackwellised particle filter are proposed and their performance is evaluated both over synthetic and real data. A comparison with an extended Kalman filter (EKF) is performed with respect to accuracy and computational complexity. With a small number of particles the RBPF gives more accurate results than the PF and the EKF. A posterior Cramer Rao lower bound (PCRLB) is calculated and it is compared with the filters' root- mean-square error performance.     

MCMC粒子滤波算法研究及应用

粒子滤波算法是一种基于贝叶斯估计的蒙特卡罗方法,适用于非线性非高斯系统的分析,被广泛应用于跟踪、定位等问题的研究中。为了解决粒子滤波算法在重采样后,丧失粒子多样性的问题,本文在粒子滤波算法的重采样步骤后,加入了马尔可夫链蒙特卡罗（Markov Chain Monte Carlo,简称MCMC）移动步骤,增加粒子的多样性。利用粒子滤波算法和MCMC粒子滤波算法对目标跟踪问题进行了仿真,并且通过分析仿真实验结果,比较了两种算法的性能,结果说明加入MCMC粒子滤波算法的性能优于粒子滤波算法。     

基于QMCPF-IMM的强机动目标跟踪算法研究

为了提高雷达对机动目标的跟踪精度,通过融合拟蒙特卡罗思想,提出了一种适用于非线性非高斯系统的拟蒙特卡罗粒子滤波交互式多模型算法。该算法利用拟蒙特卡罗采样,克服传统算法采样粒子间隙过大、粒子层叠问题,增加交互式多模型对机动目标跟踪时的有效粒子数;通过区间估计理论,解决拟蒙特卡罗支撑区间难以计算问题,并结合核密度估计重采样,保证采样粒子的低等差异性。仿真结果表明：与交互式多模粒子滤波算法相比,改进算法可在保证滤波实时性的同时,提高跟踪精度。     

基于随机摄动再采样的粒子概率假设密度滤波器

作为概率假设密度滤波的典型实现方式,粒子概率假设密度滤波器无需线性高斯等先验假设,因而在多目标跟踪中得到了广泛的应用。为解决粒子退化问题并保持粒子规模,该滤波器引入了重采样机制,然而,该重采样机制易引起粒子多样性耗尽,导致粒子贫化问题产生。为解决这一问题,该文提出一种新的基于随机摄动再采样的粒子概率假设密度滤波器。首先,全面分析了粒子概率假设密度滤波因粒子贫化问题导致目标失跟的过程。然后设计了一种随机摄动再采样算法,该算法在重采样导致粒子多样性缺失时,根据源粒子的位置与复制次数随机产生相应数目的新粒子,并对源粒子进行删减,其可在保留源粒子信息的前提下保持粒子的多样性。最后,该文将该算法纳入概率假设密度滤波框架,提出了一种新的粒子概率假设密度滤波器。仿真结果表明该滤波器在不显著增加运行时间的前提下能够克服粒子贫化问题,相比标准的粒子概率假设密度滤波器具有更好的跟踪性能。     

基于遗传算法的智能粒子滤波重采样策略研究

智能粒子滤波通过借鉴遗传算法思想能够减轻粒子退化现象。在基于遗传算法的智能粒子滤波基础上,该文提出对低权值粒子的改进的智能粒子滤波(IIPF)处理策略。在对粒子进行分离、交叉后,优化遗传算子,对低权值粒子进行自适应处理。低权值粒子根据权值大小自行判断是否为底层粒子;底层粒子将直接进行变异,其余低权值粒子将根据变异概率随机变异。仿真结果表明,改进的智能粒子滤波(IIPF)性能优于智能粒子滤波、一般粒子滤波算法和拓展卡尔曼滤波。在1维仿真实验中,改进的智能粒子滤波误差较一般粒子滤波算法和智能粒子滤波分别降低了10.5%和8.5%,且具有更好的收敛性;在多维仿真实验中,改进的智能粒子滤波较智能粒子滤波在高度均方根误差和平均误差上分别降低了8.5%和7.5%,在速度均方根误差和平均误差上分别降低了11.5%和7.6%;在乘性噪声和非高斯随机噪声中,改进的智能粒子滤波依旧有10%以上的性能优势。     

改进的多特征融合粒子滤波视频跟踪算法

视频运动目标的跟踪是一个典型的非线性、非高斯问题,粒子滤波是一个解决非线性、非高斯问题的主流方法,粒子滤波技术具有非线性等特性,在目标跟踪过程中得到了广泛的应用。传统粒子滤波跟踪算法的退化现象严重,经过几次迭代递推,权重方差随着时间推移而增大,为解决该问题引入均值漂移算法,调整初始粒子分布,使粒子集中于邻近的局部极大值区域内,以减少退化现象的发生。并且将颜色特征和边缘特征融合在粒子滤波跟踪算法中,在传统算法基础上提出改进,加入优化机制,使粒子的权值分布更加接近实际情况。实验结果表明了该算法的有效性。     

基于P-N跟踪器的自适应粒子滤波算法

针对粒子滤波(Particle filter)算法的粒子衰退和计算量过大问题,提出一种将P-N跟踪器与粒子滤波算法结合的目标跟踪方法。首先构造P-N跟踪器,利用跟踪器来确定目标区域范围并输出置信度,以此作为对目标物体定位的依据;在滤波过程中,依据跟踪器结果来进行粒子重采样过程,完成了对抽样粒子集的自适应调节,提高了粒子数量,有效降低了粒子数量。从而达到了抑制粒子衰退和动态调整计算量的目的。实验证明将该方法应用于实时摄像头采集视频跟踪,与传统粒子滤波算法比,在抗粒子衰退与减少粒子数量方面有明显改善。     

基矛P—N跟踪器的自适应粒子滤波算法

针对粒子滤波（Particle filter）算法的粒子衰退和计算量过大问题,提出一种将P—N跟踪器与粒子滤波算法结合的目标跟踪方法。首先构造P—N跟踪器,利用跟踪器来确定目标区域范围并输出置信度,以此作为对目标物体定位的依据;在滤波过程中,依据跟踪器结果来进行粒子重采样过程,完成了对抽样粒子集的自适应调节,提高了粒子数量,有效降低了粒子数量。从而达到了抑制粒子衰退和动态调整计算量的目的。实验证明将该方法应用于实时摄像头采集视频跟踪。与传统粒子滤波算法比。在抗粒子衰退与减少粒子数量方面有明显改善。     

基于粒子滤波算法的DS-CDMA多用户检测

粒子滤波算法是一种基于贝叶斯估计的蒙特卡罗方法,尤其适用于处理非线性、非高斯系统的状态估计问题。该算法应用于DS-CDMA系统的多用户检测中,检测器能在检测性能和计算复杂度之间取得很好的平衡。基于粒子滤波算法的多用户检测器在性能上逼近于最优多用户检测器,而计算复杂度远低于最优多用户检测器,与次优多用户检测器相当。利用白化匹配滤波器的输出可以建立同步DS-CDMA系统的状态空间方程,使得粒子滤波算法应用于多用户检测中。仿真实例证明了基于粒子滤波算法的多用户检测器在等功率和远近效应的情况下的性能优势。