基于贝叶斯理论的分布式多视角目标跟踪算法

 为了有效解决传统单视角跟踪难于处理的目标遮挡问题,本文提出了一种分布式多视角目标跟踪算法. 该算法首先基于贝叶斯理论,为多视角目标跟踪问题建立了分布式数据融合的概率框架;并利用粒子滤波器对所需后验概率进行近似,提出了自适应的观测模型和状态转移模型. 各摄像机能够并行化地进行数据采集、处理、融合,而无需集中式处理单元;能够有效避免遮挡造成的误差传递,提高跟踪算法的鲁棒性. 实验证明了本文算法的有效性.     

在线自适应选择子空间的红外目标跟踪方法

传统基于子空间的目标跟踪方法以能量大小为准则建立子空间,没有考虑目标与背景之间的鉴别性,当两者间存在近似外观分布时将降低跟踪系统的性能。考虑到红外图像信噪比、对比度不高等特点,提出了一种以评估目标与背景间可区分能力为基础的子空间选择方法,并将该方法有效嵌入到粒子滤波跟踪框架下实现对红外目标的鲁棒跟踪。首先利用采样粒子分布以及当前目标状态,综合衡量粒子与目标间的特征分布差异和粒子逼近目标的程度来评估不同子空间的鉴别性,然后选择鉴别性最优的子空间作为下帧的跟踪子空间,从而实现对红外目标进行子空间自适应选择的鲁棒跟踪。对多个复杂场景下的目标跟踪实验表明所提出的算法要优于传统基于增量子空间学习的跟踪算法。     

基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

基于自适应观测模型交互多模型粒子滤波的红外机动目标跟踪

针对红外目标跟踪问题,提出一种混合观测模型以描述日标像素灰度的渐变以及目标的突然消失或复现,采用在线EM算法对观测模型参数进行更新;将自适应观测模型与交互多模型粒子滤波相结合用于目标跟踪;基于概率排斥原则改进了似然函数,将上述算法推广到多目标跟踪领域.单目标和多目标跟踪仿真结果验证了所提算法的有效性.     

一种自适应基于纹理和颜色特征的目标跟踪算法

针对运动目标进行跟踪,常采用粒子滤波跟踪算法。为了减少相似背景像素点及光照变化对机动目标跟踪的干扰,采用了基于目标纹理特征和颜色特征融合的自适应粒子滤波算法,通过采用了不同的状态转移模型和观测模型,根据不同的跟踪环境进行自适应选择,并给出了相应的实验结果。实验结果表明,该算法在跟踪的性能和鲁棒性方面有所改进。     

一种基于自适应粒子滤波的目标跟踪方法

提出一种利用最近的目标轨迹信息自适应调整运动模型的粒子滤波方法,根据背景地形或道路信息建立若干目标轨迹模式,然后利用目标轨迹模式将最近的目标轨迹进行分类,通过与当前目标最近段轨迹匹配的目标轨迹类,获得当前目标在下一时刻状态后验概率分布对应的粒子.实验结果表明该方法具有较强的鲁棒性,能有效实现复杂场景下的目标跟踪.     

基于子空间的目标跟踪算法研究

末制导跟踪阶段,导弹的飞行姿态,弹体与目标的距离以及目标自身的运动姿态和形态均会发生较大的变化,采用单一固定模板无法实现稳定跟踪。本文提出一种新的基于子空间的运动目标跟踪算法,首先采用一组正交的稀疏子空间特征向量表示目标模型,然后采用增量方法不断更新子空间模型,以适应由于目标内在和外在因素所造成的在外观上的变化,从而提高跟踪精度;采用重要性采样算法以及最大似然估计,解决复杂的优化问题。实验结果表明,当摄像机与背景发生较大相对运动以及目标姿态发生剧烈变化时,仍然能够实现对目标的持续稳定跟踪,平均跟踪误差小于10个像素。基本满足末制导跟踪系统的稳定性和鲁棒性等要求。     

自适应空间异常的目标跟踪

为了解决判别式空间正则项的目标跟踪算法在遮挡、旋转等因素干扰下失跟率较高的问题,该文提出一种自适应空间异常的目标跟踪算法。首先,在目标函数中加入自适应空间正则项,既缓解了边界效应带来的影响,又提高了滤波器对目标和背景区域的分辨能力;其次,根据每一帧的响应值计算验证分数,分析跟踪结果的可信度和异常情况;最后为目标模型和响应图模型的更新速率实现动态取值。大量实验结果表明,自适应空间异常的目标跟踪算法能够较好地处理背景模糊、形状变化等多种异常情况,具有较高的跟踪性能。     

基于特征确定性的目标跟踪算法

利用粒子空间分布和粒子观测概率信息定义了一种目标特征的确定性度量方法,将该度量应用到传统的多特征融合跟踪算法中,实现了目标特征加权值的自适应调整,使得不同场景及外部干扰条件下各种目标特征信息对跟踪结果的贡献达到最优。试验表明,基于确定性度量的跟踪算法较传统的单一特征跟踪及固定加权值的多特征融合跟踪算法有着更好的鲁棒性。     

特征融合的灰狼优化粒子滤波目标跟踪算法

针对传统粒子滤波算法在跟踪目标所处环境迁移,目标姿态变化和发生遮挡时容易出现跟踪框漂移现象,提出一种基于灰狼算法优化的粒子滤波跟踪方法(GWOPF)。首先,将全局特征HSV颜色特征和局部特征方向梯度直方图(HOG)特征加权融合建立观测模型;然后,用灰狼算法(GWO)优化粒子滤波算法结构,利用GWO位置更新机制改善粒子空间分布状况,在粒子重采样前进行权值自适应调节,解决原始粒子滤波方法采样时出现的粒子退化问题并优化滤波效果。实验结果表明,改进后的算法在具有挑战的Tiger和Girl视频序列中跟踪成功率分别达到了97.5%和95.0%,单帧处理时间缩短至24.6 ms和18.4 ms,具有较高的跟踪精度和良好的鲁棒性,能够应对跟踪目标发生旋转、部分遮挡等情况以及实时性要求。     

迭代子空间跟踪和结构约束的自适应波束形成算法

自适应波束形成(adaptive beam-forming:ABF)方法通过对阵列数据进行加权处理来获得最大的输出信干噪比,对采样协方差矩阵依赖性较大.在小快拍和通道随机响应误差条件下,采样协方差矩阵的估计值与真实值通常存在较大差异,严重恶化了基于线性约束最小均方误差准则的自适应波束形成方法的干扰抑制性能.针对该问题,本文基于子空间投影类波束形成方法的思想,提出采用迭代子空间跟踪和结构约束的自适应波束形成方法.该方法首先利用clearing技术在训练样本集上依次跟踪主特征矢量并构成信号子空间;然后根据子空间投影类波束形成权矢量的结构特性计算自适应加权矢量.仿真结果表明本文方法能有效提高自适应波束算法的输出信干噪比.     

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。     

子空间模型下的仿射不变目标跟踪

针对目标跟踪过程中目标可能出现的快速变化和严重遮挡等问题,提出了一种基于新的子空间表示的目标跟踪算法。采用距离不变量对尺度不变特征变换(SIFT)特征点匹配对进行提纯。用提纯后的特征点匹配对,通过线性拟合得到仿射变化参数。在粒子滤波的理论框架下,采用快速的迭代算法,建立目标的主分量(PCA)子空间表示,结合计算得到的仿射变化参数,构造有效的目标观测模型完成跟踪。同时,采用在线学习的方法对SIFT特征点和PCA子空间进行定时更新。大量实验表明,提出的算法能快速有效地完成对姿态和形状剧烈变化的目标的精确跟踪。     

基于DSP利用粒子滤波算法实现目标跟踪

以TMS320DM643数字信号处理器(DSP)为核心,构建了高性能的视频处理平台,并利用该硬件平台实现粒子滤波(PF)算法完成对目标的跟踪。介绍了视频处理平台的基本结构和核心器件,并阐述了DSP实现运动目标跟踪的软件设计。实验表明,该系统能够实时跟踪目标,且相对于传统的图像采集卡与计算机结合的处理系统,具有体积小、低功耗、模块化和移动性好的特点,容易集成到各种移动设备中实现自主导航、安防监控等功能。     

基于改进粒子滤波的鲁棒目标跟踪算法

为了克服样本贫化现象导致的滤波发散,本文对重采样后的粒子进行有方向性的变异操作,在增加样本集的多样性同时使粒子集更集中均匀的分布在目标的邻域.同时把Mean Shift算法引入粒子滤波(PF)框架中,对PF估计结果迭代得到最优的目标状态,并用迭代得到的状态值控制粒子变异的方向.仿真实验表明,本文提出的方法具有更高的估计...     

Interference cancellation in GPS receiver using noise subspace tracking algorithm

In this paper, we address the problem of interference cancellation in global positioning system (GPS) receiver using a two-step approach: subspace projection technique and maximum signal-to-noise ratio (MSNR) beamforming. The interference signals can be effectively suppressed by projecting the received signal on the noise subspace. Here noise subspace tracking algorithm is employed to estimate the noise subspace directly. We then apply a beamformer to maximize the signal-to-noise ratio of the interference-free signal. Simulation results show that our approach can effectively eliminate the strong interference and enhance the performance of the GPS receiver.