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。     

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。     

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KLD采样的自适应粒子滤波目标跟踪算法

标准粒子滤波算法用于无线传感器网络运动目标跟踪时,非高斯噪声环境会降低其跟踪精度和计算效率。针对该问题,结合多传感器测量模型和Kullback-Leibler距离(KLD)采样方法,提出一种自适应粒子滤波算法。在满足预设阈值条件时,引入补偿函数对重要性概率密度函数(IPDF)进行迭代更新,同时利用具有自适应退火参数的模拟退火算法使粒子快速接近高似然区域。在此基础上,结合KLD采样动态调整粒子规模,在保证跟踪精度的同时减少运算量。仿真结果表明,与KLD-PF算法相比,该算法的IPDF分布接近真实后验概率密度分布,跟踪精度较高,能够在不同参数的非高斯噪声下进行有效跟踪。     

引入前帧加权采样的粒子滤波目标跟踪算法

根据相邻帧间信息的强关联性,提出一种引入前帧加权采样的粒子滤波目标跟踪算法,解决了传统采样重要性重采样(SIR)算法由于引进提议分布(Proposal distribution)而需要严重依赖目标的系统状态模型的问题,可以理想跟踪运动状态不规则的目标.该算法提出的引入前帧加权采样思想不仅仅局限于基于序列图像的跟踪,而且可以推广到其它相关的领域,具有普适性和实用性.     

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.     

基于改进的粒子滤波算法的目标跟踪

将均值漂移算法与粒子滤波有效结合,通过比较粒子的权重,对粒子进行重采样,剔除大量的权重小的粒子,再加入均值漂移算法对粒子进行聚类,使用很少的粒子就能完全描述目标的状态信息,克服了粒子滤波计算量大的缺点,在实时监控中大大提高了跟踪效率。实验证明,该算法具有较好的实时性、鲁棒性和准确性。     

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。     

基于变步长重采样的非高斯非线性目标跟踪

研究了非高斯噪声条件下非线性运动的目标跟踪问题。给出了非高斯噪声的两种产生方法,分别是概率分布函数法和生成数据库法,前者具有完整的数学理论支撑,后者易于操作实现。提出了一种基于置信区间的变步长重采样方法,并将其融入到粒子滤波的方法过程中。仿真表明,产生的非高斯噪声具有较好的尖峰特性,新的粒子滤波方法能够实现更高精度的目标跟踪,避免了粒子退化问题,为非线性目标跟踪问题的研究提供了一种思路。     

基于和声搜索优化算法的目标跟踪系统的研究与实现

和声搜索算法是一种启发式的全局搜索算法,基于和声搜索优化算法进行目标自动跟踪系统的研究,在使用过程中资源优化配置、自动跟踪系统等优化问题都得到了成功的应用。经过对比实验的验证,在目标自动跟踪问题上展示了比遗传算法和模拟退火算法等更好的性能。由于运用了改进的和声搜索算法,能够精确地跟踪目标,具有相对较低的计算量,跟踪系统对目标环境的变化也具有很强的鲁棒性,跟踪性能比其他较新的目标跟踪方案更优,具有一定的研究和使用价值。     

显著度目标示性及背景自适应约束的目标跟踪算法*

针对目标受环境干扰和自身姿态变化引起的跟踪漂移和目标丢失等问题,提出显著度目标示性及背景自适应约束的目标跟踪算法.在粒子滤波跟踪框架中,首先根据贝叶斯显著度分别对目标区域和扩展目标区域内的像素特征加权,构建目标的示性模型.再根据背景区域的显著度,自适应地选择背景区域约束跟踪过程.最后根据目标当前的外观状态,利用目标与背景之间的关联性得到跟踪结果.文中算法的显著度目标示性模型降低目标匹配中的误差,自适应背景约束提高目标受到遮挡或姿态发生变化时的跟踪准确性.实验表明,文中算法具有较强的跟踪鲁棒性和较高的跟踪准确率.     

特征融合和聚类核函数平滑采样优化的粒子滤波目标跟踪方法

针对复杂场景下的目标跟踪问题,提出了一种改进的粒子滤波目标跟踪方法。利用背景加权后的联合直方图描述目标灰度和梯度特征信息,在粒子滤波算法的框架下,设计了一种自适应特征融合观测模型来适应场景的不断变化;同时针对传统粒子滤波算法存在的粒子退化问题,提出了一种基于聚类核函数平滑采样的方法。理论仿真和实际场景的实验结果表明,该算法适应性更强,精度更高,能有效跟踪复杂场景下的运动目标。     

基于人类记忆模型的粒子滤波鲁棒目标跟踪算法

当目标被场景中的物体或其它运动目标遮挡,或者目标姿态发生很大改变时,粒子滤波器就会失效。为解决这类问题,受人类记忆机制的启发,文中将人类记忆模型引入到粒子滤波器模板更新过程,提出一种基于记忆的粒子滤波器。每个模板都要经过瞬时记忆、短时记忆和长时记忆3个空间的传输和处理。该粒子滤波器能记住曾经出现的目标模板,从而能更快地适应目标姿态的变化。实验结果验证了该算法的有效性。     

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.     

基于柔性特征优化的目标稳健跟踪

针对单一特征空间不足以对动态时变环境中跟踪目标进行准确表达的缺点,提出一种基于柔性加权特征的ParticleFilter目标跟踪算法。首先引入“陡峭因子”这一概念对不同特征的跟踪鉴别性能进行客观评估,然后参照当前不同特征的可跟踪性能以加权组合的方式自适应生成当前最优特征,最后将生成的最优特征嵌入到ParticleFilter跟踪构架中完成目标跟踪任务。该算法具备较高的柔性可对任意采用直方图表达的特征进行自适应融合。不同的视频序列实验表明该算法可动态地对异类特征进行有效融合,对复杂场景下的目标进行稳健跟踪。     

基于混合粒子滤波和稀疏表示的目标跟踪算法

针对图像序列中的运动目标在跟踪过程中易受到光照等复杂环境、外观变化及部分遮挡影响的问题,提出基于全局信息和局部信息的混合粒子滤波算法.将目标的局部二元模式纹理特征引入粒子滤波算法,通过稀疏编码目标子块,充分利用目标的局部空间信息,并结合全局信息以确定当前帧中目标的位置.在跟踪过程中实时更新模板,这在一定程度上提高算法的鲁棒性.实验表明在目标处于复杂环境中算法能达到较理想的跟踪效果.     

帧间连续结构稀疏表示的目标跟踪算法

目标跟踪技术在日常生活和生产中有着广泛的应用,但是设计一种具有鲁棒性、准确性和实时性的跟踪算法仍具有很大的难度。为了提高跟踪算法的性能,设计了一种帧间连续结构稀疏表示目标跟踪算法。该算法在粒子滤波框架下进行,采用结构稀疏表示的原理重构候选目标。首先采用目标和背景样本构建稀疏字典, 以提高算法对目标和背景的区分能力。然后,构建含有帧间连续约束项的结构稀疏表示目标方程,该目标方程可以有效利用目标状态的连续性来确定目标状态。进而,根据重构残差设计了一种相似度描述方法,与传统方法相比,该方法对相似目标不敏感。最后,通过6组对比实验证明该算法具有较高的鲁棒性和准确性。     

基于粒子滤波与稀疏表达的目标跟踪方法

针对视频序列图像目标跟踪中的光照变化问题,提出一种在粒子滤波器框架内,基于目标的局部二元模式(LBP)纹理特征,使用稀疏表达进行目标跟踪的方法。当前帧的跟踪粒子由前一帧的跟踪结果按高斯分布来生成。通过解l₁正则化最小二乘方问题,获得每个粒子对应于模板子空间的稀疏表达,确定当前帧图像中的跟踪目标。然后使用粒子滤波器生成下一帧跟踪的粒子分布。在跟踪过程中采用新的动态模板更新策略更新模板空间中的模板。实验结果证明该方法的有效性和先进性。     

基于时空注意力机制的目标跟踪算法

目标跟踪技术在智能监控、人机交互、无人驾驶等诸多领域得到了广泛的应用.近年来,学者们提出了许多高效的算法.然而,随着跟踪环境越来越复杂,目标跟踪算法在遮挡、光照变化、背景干扰等复杂环境下仍然面临着巨大的挑战,从而导致目标跟踪失败.针对上述问题,提出了一种基于时空注意力机制的目标跟踪算法.首先,采用孪生网络架构来提高对特...