基于粒子滤波的交互式多模型多机动目标跟踪

针对交互式多模型联合概率数据关联滤波算法(IMM-JPDAF)在非线性情况下跟踪精度低,并不适用于非高斯问题的情况,提出了一种基于粒子滤波的交互式多模型多机动目标跟踪算法;将交互式多模型联合概率数据关联(IMM-JPDA)与粒子滤波相结合,在交互式多模型联合概率数据关联的框架下,各模型采用粒子滤波算法处理非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差。仿真结果表明,IMM-JPDA-PF算法的跟踪性能明显优于IMM-JPDAF算法,能够对杂波环境中的多机动目标进行有效跟踪。     

改进的多模型粒子滤波机动目标跟踪算法

传统的多模型粒子滤波算法(MMPF)在机动目标跟踪中存在模型粒子数难以控制的问题.本文提出了一种改进的多模型粒子滤波算法,将模型估计和状态估计分开计算,并用模型似然函数计算模型后验概率.各模型的粒子数根据模型特性预先选定,在递推过程中保持不变,且模型间的粒子不进行交互,减少了计算量.仿真表明,同MMPF相比,该算法能用较少的粒子数获得更好的跟踪精度.     

一种基于改进UPF的运动声阵列交互多模型目标跟踪方法

针对运动声阵列在有色噪声环境中的非线性滤波跟踪实时性问题,提出一种基于改进粒子滤波的交互式多模型目标跟踪(IMM-IUPF)方法.该方法采用最小斜度单形无迹变换结合变尺度无迹变换的 Sigma点选取策略,对标准无迹粒子滤波(UPF)进行改进,大幅缩减UPF样本选取计算量;将改进的UPF与交互式多模型(IMM)相结合,通过定义自适应增益修正系数,弥补样本点缩减造成的精度降低问题;最终通过与传统的基于IMM的粒子滤波(IMM-PF)和基于IMM的无迹粒子滤波(IMM-UPF)进行Matlab数值仿真对比验证所提出算法的实用性.     

基于多外观模型的自适应加权目标跟踪算法*

偏最小二乘(PLS)跟踪算法忽略特征间及外观模型间的差异,容易受到光照、遮挡等因素的影响,降低目标的跟踪精度.针对上述问题,文中提出基于多外观模型的自适应加权目标跟踪算法(AWMA).首先使用PLS对目标区域逐步建立多个外观模型.然后根据各外观模型中特征的重要性及目标的显著度建立自适应权重的综合模型,融合多个外观模型完成目标与样本的误差分析.最后使用粒子滤波实现目标跟踪.实验表明,文中算法能更有效地过滤噪声数据,提高目标跟踪的鲁棒性和时间性能.     

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。     

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.     

一种改进的多关节目标跟踪算法*

为提高多关节物体的跟踪效率和精确度,提出了一种目标跟踪算法。首先建立多关节物体的团结构模型,模型的建立结合团势函数等有效降低了传统图模型的冗余度,并结合目标物理的深度、边缘、颜色等信息,利用K-means、Mean-shift算法、粒子滤波实现目标跟踪。实验结果表明,该推理算法能够提高跟踪效率,有较强的鲁棒性,能够满足多关节目标的跟踪要求。     

一种新型多雷达多目标粒子滤波检测前跟踪算法

针对多雷达多目标检测跟踪中,当目标间距较近时,易出现的目标点迹偏移问题,提出了一种新型多雷达多目标粒子滤波检测前跟踪算法(NM-PF-TBD).算法采用双层粒子滤波结构,在目标跟踪层中对某一目标跟踪时,首先基于上周期其他目标点迹,重新计算传感器探测信息,其次,基于修正后的传感器探测信息计算粒子权值,然后,基于粒子群中不...     

基于多表观模型竞争的视觉跟踪算法

在视觉跟踪中,如何适时地更新目标模型是影响跟踪算法跟踪精度和鲁棒性的关键性因素,也是当前研究中面临的重点和难点问题。对此,提出了一种基于多表观模型竞争的模型更新策略,通过多表观模型中各子模型的贡献度大小确定竞争优势排序,当最优子模型的贡献度满足多表观模型更新阈值时,对各子模型及其对应的系数进行更新,否则,仅对部分子模型进行更新。在此基础上,以粒子滤波算法为跟踪框架,提出了基于多表观模型竞争的视觉跟踪算法。实验结果表明,所提算法能够较好地处理视觉跟踪中的模型更新问题,跟踪性能较无模型更新策略的粒子滤波算法有明显提高。     

多传感器多目标跟踪的粒子PHD滤波算法

针对单传感器跟踪系统的缺陷,提出了基于粒子概率假设密度(PHD)滤波的多传感器多目标跟踪算法.这种算法不仅避免了多传感器多目标跟踪的数据关联问题,而且在漏检、目标密集、航迹交叉、小范围内目标数多的杂波环境下能够稳定、精确地估计目标状态和目标数.仿真实验比较了单传感器粒子PHD滤波与多传感器的粒子PHD滤波的跟踪性能,验证了该方法的跟踪性能和精度.     

交互式箱粒子标签多伯努利机动目标跟踪算法

针对多机动目标追踪问题, 将交互式多模型(Interacting multiple model, IMM)思想与箱粒子标签多伯努利滤波器(Box-labeled multi-bernoulli filter, Box-LMB)相结合, 提出交互式箱粒子标签多伯努利滤波器(IMM-Box-LMB)算法.该算法首先通过扩展多目标状态, 引入模型匹配概率变量, 并利用量测信息在预测阶段更新模型匹配概率, 进而使用交互式多模型算法对每个箱粒子状态进行混合估计.其次, 在更新阶段提出二次收缩算法, 通过二次收缩算法使更新后的箱粒子具有更大的区间和存活概率, 也更加接近真实目标位置, 从而达到提升后续时刻箱粒子多样性的目的.仿真结果表明, 二次收缩算法能够有效地提升箱粒子的多样性.将二次收缩算法应用于IMM-Box-LMB算法, 能够在不同信噪比下稳定准确地估计机动目标的个数.相同条件下, 与匀速直线运动(Constant velocity, CV)模型下的Box-LMB算法相比, IMM-Box-LMB算法能够对多机动目标的数目以及状态进行更加有效的估计.     

基于稀疏扩展信息滤波和粒子滤波的SLAM算法

针对传统粒子滤波算法单次迭代过程中仅应用到当前的信息,且小权值粒子代表的信息在重采样中被删除而导致信息不能充分利用的问题,提出了稀疏扩展信息滤波和粒子滤波相结合的同时定位与地图创建（SLAM）算法,信息矩阵记忆了机器人位姿的历史信息,应用Gibbs采样重新获得粒子集,使粒子集能够更好地描述后验分布,提高算法的状态估计精度。大量的Monte-Carlo仿真实验验证了该算法中机器人定位精度较FastSLAM2.0算法提高80%左右。     

基于二值掩码图像的粒子滤波目标跟踪快速算法

粒子滤波算法是进行运动目标跟踪的一种重要方法。针对传统粒子滤波算法在进行目标跟踪时存在的计算量大、实时性不足的问题,提出一种基于二值掩码图像的粒子滤波目标跟踪快速算法。该算法在传统粒子滤波算法的每个帧处理阶段产生二值掩码图像,再结合权重选择方法移除背景中权重较小的粒子,保留权重较大的重要粒子。提出的算法可以有效减少参与计算的粒子数目,节约算法的计算成本,从而提高目标跟踪的实时性。与传统粒子滤波算法进行比较,实验结果表明,提出的算法不仅能够有效地提高跟踪速度,而且跟踪结果的准确性和鲁棒性也有所增强。     

基于混合采样的多模型机动目标跟踪算法

提出了一种新型的基于混合采样的多模型粒子滤波算法,该算法能够有效降低多模型粒子滤波器的采样粒子数. 文中证明了这种基于混合采样的粒子滤波算法是一种多模型粒子滤波算法. 该算法的计算复杂度与单模型粒子滤波算法相当. 仿真实验表明,与已有的多模型粒子滤波算法相比,算法的计算复杂度大幅降低.     

基于箱式粒子滤波的群目标跟踪算法

在现有群目标跟踪方法中,粒子滤波(Particle filter, PF)算法常被用来解决点量测的非线性滤波问题.而当量测数据受到测量偏差或未知分布边界误差的影响时,传感器获得的点量测需要转换成区间量测,此时原有PF算法不能直接适用.因此,本文提出基于广义似然(Generalized likelihood, GL)函数加权的PF算法.该算法在原有PF算法的基础上,利用广义似然函数的积分解来计算区间量测下的粒子权重.为了降低算法的运算量问题,又提出基于箱式粒子滤波(Box particle filter, Box-PF)的群跟踪算法.首先,在目标状态空间内抽样矩形区域的箱式粒子.然后采用区间分析和约束传播方法,利用区间量测压缩后的粒子与预测粒子的容积比来计算粒子权重.最后,在群目标状态估计结果和群演化网络模型的基础上估计群结构.仿真实验结果表明,与GL-PF算法相比, Box-PF算法具有更高的运算效率,并能降低估计结果中的峰值误差.     

基于萤火虫优化粒子滤波的新型机动目标跟踪算法

交互式多模型粒子滤波算法需要多个模型才能对强机动目标进行跟踪,并且粒子滤波的重采样会导致粒子贫化现象,针对该问题提出一种新型机动目标跟踪方法.该方法首先将萤火虫群体的吸引和移动机制引入粒子滤波;再将改进粒子滤波引入交互式多模型中,通过智能寻优的方式提高交互式多模型的跟踪精度和稳定性.实验结果表明,相对于IMM-PF,改进方法可以用更少的时间达到同等精度,提高了机动目标跟踪的效率.     

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GGIW-PMB的衍生扩展目标跟踪

针对标准的扩展目标泊松多伯努利(Poisson multi-Bernoulli, PMB)滤波器难以有效跟踪衍生目标的问题,提出一种改进的PMB跟踪算法.算法采用随机矩阵法对扩展目标外形和尺寸建模,在滤波预测阶段利用多假设模型对衍生事件进行预测,得到多个伽玛高斯逆威沙特(gamma Gaussian inverse Wishart, GGIW)预测假设分量,最后在滤波更新阶段对预测分量更新得到扩展目标的运动状态和扩展形状估计.仿真结果表明,与标准的PMB滤波算法相比,所提算法有效改善衍生扩展目标的跟踪性能.     

基于改进布谷鸟粒子滤波算法的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,提出了改进布谷鸟粒子滤波的WSN目标跟踪方法。通过改进布谷鸟算法的滤波算法取代粒子滤波重采样过程,主要通过改进布谷鸟算法中的搜索步长值 和发现外来鸟卵的物种的概率 的自适应调节,同时在步长更新方程中实时引入函数值的变化趋势,引导粒子整体上向较高的随机区域移动, 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,改进布谷鸟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CS-PF算法和PF算法相比较,ICS-PF 算法的计算时间是最短的,ICS-PF算法的位置和速度的平均平方根误差最小(位置0.0306、0.0213、速度0.0253、0.0102),PF算法的跟踪精度是最低的,而ICS-PF跟踪精度较高,ICS-PF算法被证明具有良好的跟踪性能。