基于在线学习的自适应粒子滤波视频目标跟踪

传统的粒子滤波视觉跟踪算法采用固定模型和大量粒子表征目标后验概率,不能满足复杂条件下的视频目标实时跟踪.为了提高跟踪的鲁棒性和稳定性及计算效率,本文提出将自适应状态演化方程和在线增量学习观测似然模型嵌入到粒子滤波算法;并采用在线自动调整粒子数目的策略,提高粒子滤波视觉跟踪的计算效率.室内外实验结果表明,文中提出的视觉跟踪算法不仅能准确、高效地跟踪序列图像中的运动目标,而且对光照、姿态变化引起的目标表观变化具有良好的鲁棒性.     

基于稀疏子空间的卷积神经网络目标跟踪

针对粒子滤波目标跟踪过程中初始化和权值退化的数据处理情况,在粒子滤波框架下提出一种基于稀疏子空间的卷积神经网络目标跟踪算法。以仿生学为基础,在目标跟踪过程中引入稀疏子空间和卷积神经网络。首先,利用稀疏子空间模型筛选出与目标状态相似度较高的候选区域进行后续跟踪处理,减少冗余计算并降低跟踪的复杂性;然后,将稀疏子空间输出用作卷积神经网络的输入,并利用卷积神经网络模型对图像数据处理的优点进行目标跟踪的数据处理;最后,通过对目标数据的不断更新来减少目标表观变化的影响。实验表明,该算法能够更好地处理目标跟踪中的目标遮挡、运动模糊、光流与尺度变化,提高算法的准确性和数据处理能力。     

基于局部特征组合的目标跟踪算法

为了克服目前大多数观测模型在小样本空间中鲁棒性不高的弱点,文中在粒子滤波框架下提出基于局部特征组合的粒子滤波视频跟踪算法。局部特征能更有效描述目标模板细节信息,可降低特征匹配中目标形变、光照变化和部分遮挡的影响。该方法借鉴混合高斯模型思想,采用多模式描述有效局部观测信息,这种融合策略更加准确可靠,能够较好地通过最新观测减轻了粒子退化现象,从而提高目标跟踪效率。小样本空间一定程度上降低了粒子数量和计算代价。实验结果表明该算法相比单一特征或一般多特征融合跟踪算法具有优越性,并能实现复杂场景下的目标跟踪。     

一种基于自适应子空间跟踪与Jacobi算法的时变信道有限反馈预编码方法

提出了一种基于自适应子空间跟踪与Jacobi算法的时变信道有限反馈预编码方法.该方法针对无线信道的时变性,利用梯度算法自适应跟踪时变信道的发射预编码矩阵,同时考虑了反馈信道有限比率的反馈比特数,将Jacobi迭代算法应用于时变信道右奇异矩阵的跟踪,从而有效降低了每个反馈帧的反馈比特数.计算机仿真表明,在时变信道,该方法在降低反馈量的同时,还获得了比存在反馈延时的Grassmannian预编码方法更好的系统容量性能.     

两种新的基于子空间跟踪的时变模态参数快速辨识算法

该文研究了基于子空间跟踪的时变模态参数快速辨识算法的过程。对更新的输入/输出数据的预处理后, 时变模态参数辨识的主要问题转化成子空间跟踪, 引入NPI 和API 子空间跟踪算法替代PAST 形成两种新的时变模态参数快速识别算法。通过对移动分布质量-悬臂梁这一典型的时变结构系统以及两自由度弹簧-质量系统的时变模态参数识别验证了新算法的有效性并且比较分析了这3种基于不同子空间跟踪算法的时变模态参数识别算法的辨识能力。     

基于粒子滤波的目标跟踪算法浅析

所做的工作是利用粒子滤波理论解决目标跟踪所面临的技术问题。首先介绍粒子滤波中的两种重要算法:贝叶斯理论和蒙特卡罗方法,接着在此基础上详细阐述基于粒子滤波的目标跟踪算法。     

几种自动目标跟踪算法的比较研究

复杂背景目标跟踪是近年来自动目标识别(ATR)领域的一个研究热点,在军事、医疗、安全等多个领域具有广泛的应用前景。ATR的研究内容主要包括目标的检测分类、特征提取和目标定位识别等。本文对当前流行的目标跟踪算法进行了全面的分析比较,最后对目标跟踪算法的进一步研究方向进行了深入的探讨。     

基于改进粒子滤波算法的水下目标跟踪

针对常规粒子滤波算法粒子数目保持不变的问题,提出了一种可以自适应调整粒子数目的改进算法。该算法将KL距离(Kullback-Leibler Divergence,KLD)引入粒子滤波重采样过程,保证在一定的滤波精度下,可以有效地调整滤波过程中使用的粒子数目,从而实现了滤波过程中粒子数目的自适应。将该算法应用于纯方位水下目标跟踪,仿真结果表明,该方法有效地改善了滤波效果,计算量低,适合于实际应用。     

杂波环境下机动目标跟踪算法研究

杂波环境下的机动目标跟踪问题具有非线性、非高斯、不完全观测的特点，其难点在于观测值与目标的对应关系及每一时刻的运动模式均呈现高度不确定性。文中将多模型理论和辅助粒子滤波算法相结合，提出了一种新的杂波环境下机动目标跟踪算法——多模型辅助粒子滤波算法（MMAPF）。仿真结果表明，该算法与传统的交互多模型——扩展卡尔曼滤波算法、辅助粒子滤波算法相比，在相同的情况下，具有更高的滤波精度和较好总体性能。     

基于子空间约束的面部特征点跟踪算法

为克服纹理不丰富和非刚性形变等因素引起的面部特征点跟踪困难,提出了一种基于子空间约束的面部特征点跟踪算法。针对人脸运动特点,将面部特征点分为具有复杂运动模式和简单运动模式的特征点集。用通过样例学习得到的特定描述模型准确刻画了具有复杂运动模式的特征点集的变化,保证了子空间约束的有效性。对运动模式简单的特征点集的跟踪则采用基于光流的算法,以提高算法的效率,也为基于特定描述模型的跟踪算法提供了更准确的起始搜索位置。对跟踪结果进一步应用子空间约束解决跟踪中的开孔问题和消除跟踪误差。实验结果表明,在存在较大验部变形和部分特征点纹理不丰富的情况下,该方法可以有效地跟踪较密集的面部特征点。     

矢量水听器阵列自适应子空间跟踪算法

矢量水听器能同时共点获得声场中声压和振速,与其他水听器相比,能获得更多的信息量,具有很好的应用前景。矢量水听器阵列的MUSIC算法能实现360°无模糊方位估计,然而对于方位时变的目标源,该算法很难完成对上述目标源方位进行实时跟踪估计。鉴于此,将MALASE算法和MUSIC算法相结合,提出了一种矢量水听器阵列的自适应子空间跟踪算法。仿真结果表明,该算法既保留了MUSIC算法的性能,又实现了对目标源进行实时跟踪估计,且方位估计误差仅为0．4°左右。     

基于自适应子空间估计的DOA跟踪算法

运用特征子空间类高分辨方法的关键在于信号或噪声子空间的估计。实际上有些信号的统计特性通常随时间变化，为了得到参数的实时估计值，需要随时根据新的阵列接收数据对信号或噪声子空间进行更新?文中分析了一种自适应子空间估计算法，即MALASE(Maximum Likelihood Adaptive Subspaee Estimation)算法然后，把MALASE算法与最小范数(Mini—Norm)高分辨方位计算法相结合．并应用零点跟踪技术，提出了一种自适应Mini—Norm算法，可用于对时变的信号波达方向(DOA)进行跟踪估计。仿真结果验证了该算法具有较好的跟踪性能。     

一种基于运动检测的粒子滤波跟踪方法

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不足,本文提出了一种基于运动检测以改进建议分布的粒子滤波跟踪方法.该方法利用系统的状态转移密度分布,结合目标当前时刻的运动信息共同决定目标的先验分布.首先从一阶自回归的状态转移模型中生成部分粒子,然后采用单高斯背景建模进行局部运动检测,在检测到的运动区域中采样其余粒子,由此得到粒子的先验分布.用该方法分别对动态背景和存在完全遮挡情况下的运动目标进行跟踪,实验结果表明该方法有较高的跟踪精度和较强的稳定性.     

一种基于双信息源的人手空间跟踪方法

对人手的空间运动进行了分析和建模，提出了一种利用双信息源进行人手空间定位的新方法。利用视觉输入提取手的平面位置信息。借助安装于肘部的弯曲传感器获取手臂的弯曲角度。根据所建模型由二者通过模糊计算确定手的深度信息。通过实验，证实了该方法的有效性。     

一种快速运动目标检测与跟踪算法

运动目标的检测与跟踪是计算机视觉和图象编码研究的主要内容,有着广泛的应用领域。基于光流场的检测与跟踪是其常用的方法之一,但其计算结果和效率是不能令人满意的。提出了基于帧间差阈值法和光流场相结合的快速运动目标检测与跟踪算法,诸结果表明该算法简单实用、运算速度快,克服了单纯光流场方法的不足。     

基于空间直方图的多目标粒子滤波跟踪

针对复杂场景中多目标跟踪问题,本文给出了目标的出现与消失、遮挡等模型描述,将其统一到粒子滤波的框架下,提出了一种可以处理目标数可变的多目标跟踪算法.对场景中的目标数建立马尔科夫模型,采用转移概率矩阵描述跟踪过程中目标出现,消失的情况;在状态表示中增加辅助变量,明确目标之间可能的遮挡;采用目标空间直方图建立基于唯一性原则的观测似然函数,通过后验概率分布估计目标数及目标状态.实验结果表明,本文算法能有效地处理跟踪过程中的目标数变化、目标遮挡等问题,实现多目标的正确跟踪.     

一种基于粒子滤波的特征融合跟踪算法

针对单纯的基于颜色的跟踪方法在复杂背景下会导致跟踪失败的问题,本文提出一种基于粒子滤波的特征融合跟踪算法。颜色直方图是对目标的全局描述,而方向梯度直方图包含了一定的结构信息,二者可以互为补充,因此本文算法同时用颜色直方图和方向梯度直方图来描述目标,在粒子滤波框架下将目标颜色和梯度信息有机结合,并自适应更新。实验表明,本文算法不仅提高了跟踪精度,而且具有较强的鲁棒性。     

一种新的目标跟踪算法研究

当采用概率母函数将单传感器PHD滤波推广到多传感器情形时,针对计算繁琐,难于实现的问题,本丈基于集中式融合系统的有序滤波思想,提出多传感器、多目标有序粒子PHD跟踪算法,该算法通过选取与各传感器相关的重要性密度函数,层层更新各传感器的采样粒子,达到多传感器多目标有序PHD跟踪.实验结果表明,当仅仅使用单传感器对多目标进行跟踪时,虚警概率较高时一些粒子会严重偏离原始目标轨迹,导致目标数目估计出现偏差,而采用多传感器多目标有序PHD跟踪可以有效减小多目标距离跟踪误差,提高跟踪精度.     

基于全局和局部信息的目标跟踪算法

图像序列中的运动目标在跟踪过程中容易受到复杂环境以及严重遮挡所影响。针对该问题,提出一种基于全局信息和局部信息的混合粒子滤波算法。新算法在传统粒子滤波的基础上引入了多子块纹理直方图,它包含了目标的局部空间信息,使得跟踪算法的鲁棒性有所提高;根据目标受遮挡的程度自适应调节全局和局部信息对目标定位的贡献,在一定程度上提高了算法的抗遮挡能力和适应能力,实验结果表明该算法在目标处于部分遮挡和严重遮挡时能够达到比较理想的跟踪效果。     

一种基于自适应特征选择的目标实时跟踪算法

针对传统的均值漂移算法,加入了自适应特征选择,提高了均值漂移算法在复杂场景中目标跟踪的鲁棒性.传统的均值漂移算法往往选择固定的一个或两个特征(比如颜色)对目标进行跟踪,当跟踪场景发生变化,容易跟踪失败.本文通过分析被跟踪目标特征与变化背景的区分度来确定最显著特征与次显著特征,从而选择出最有效的目标特征,实现复杂变化场景下的目标跟踪.一系列不同场景下的运动目标跟踪实验,证实了该算法的可靠性.