一种伪粒子滤波的多目标跟踪方法

针对经典粒子滤波方法进行多目标跟踪的发散问题,基于经典粒子滤波原理和聚类算法,提出一种伪粒子滤波方法．通过对经典粒子滤波重要性重采样结果进行聚类分析,获得相应目标的粒子子群集合以及相应的不动点．并证明了选取近于目标区域大小的聚类核函数带宽,聚类不动点即逼近目标的最大后验概率分布．通过数据关联确定多目标的最终状态．实验结果表明,该算法解决了经典理论的发散问题,可以完成实时多目标跟踪,且具有鲁棒性能和一定的生物视觉仿生功能．     

一种改进的裂变自举粒子滤波算法

退化现象是粒子滤波应用中存在的主要问题,自举粒子滤波虽然可解决退化问题,但易导致粒子耗尽。裂变自举粒子滤波算法虽能增加粒子的多样性,但其裂变过程对权值信息的利用不充分,且权值计算过于简单,滤波精度改进不大。采用高权值粒子裂变小、低权值粒子裂变大的裂变繁殖方法和权值递推计算方法,对裂变自举粒子滤波算法进行了改进,估计精度有所提高。     

粒子滤波算法在目标跟踪中的应用

粒子滤波算法通过非参数化蒙特卡罗仿真方法实现递推贝叶斯滤波,基于序贯重要性采样的粒子滤波算法无法避免粒子退化问题;通过在滤波初始化阶段对初始化粒子进行优化选择,在重采样阶段使用非排序的基于权重的重采样算法对粒子滤波算法进行了改进,从一定程度上解决了粒子退化问题;仿真验证,本算法在保持与传统粒子滤波算法运算时间的条件下,提高了粒子滤波算法的估计精度,从而提高了其在机动目标跟踪中的性能.     

多方法融合的粒子滤波算法的神经丝自动跟踪

神经丝蛋白质是医学中研究肌萎缩侧索硬化症病情进展的标志物.为了能精确捕获某种神经丝蛋白质在神经鞘中的活动特性,引入了一种多方法融合的粒子滤波算法跟踪神经丝蛋白质的运动.该算法汲取颜色直方图法、核函数法及图模法等的优点,融合粒子滤波算法,实现自动跟踪神经丝蛋白质.此外,为了解决粒子滤波中样本贫化,即在粒子滤波计算中很大一部分粒子重叠到一个单独的点上的情况,需要重采样计算解决此问题.但在重采样过程中,容易造成一些粒子丢失各向异性而导致跟踪精度降低,甚至跟踪目标失败,故结合粒子滤波算法提出了一种改进重采样约束方法.实验结果表明,基于改进重采样法及多方法融合的粒子滤波算法较传统算法能有效地减少样本贫化问题,并且可以高精度地跟踪移动、变形的神经丝蛋白质,为医学中神经丝蛋白质研究提供了新支撑方法.     

和声搜索粒子滤波视觉跟踪

为了降低粒子滤波精度对精确重要性采样函数的依赖性,提高粒子滤波的视觉跟踪效果,将和声搜索引入到粒子滤波框架中,提出了一种基于和声搜索的粒子滤波视觉跟踪算法.通过记忆考虑、基因变异、随机变异等和声搜索算子结合当前观测信息,改善了粒子滤波视觉跟踪算法的重要性采样函数,增强了重要性采样函数对系统状态转移模型的鲁棒性.同时,对和声搜索参数进行了优化,平衡了视觉跟踪实时性和精确性的要求,并对粒子的权重进行了补偿,使其符合粒子滤波的理论基础贝叶斯估计.实验结果表明:优化的和声搜索参数,比常见参数更适合和声搜索粒子滤波;与基于粒子滤波、和声搜索、Mean-Shift改进的粒子滤波、分布场、多示例学习等视觉跟踪算法相比,和声搜索粒子滤波视觉跟踪算法能够在光线变化、遮挡等复杂场景下获得了更精确的视觉跟踪效果.和声搜索粒子滤波算法较好地结合当前观测与历史信息,获得鲁棒的视觉跟踪性能.     

一种改进的雷达弱目标检测前跟踪算法

针对基于粒子滤波的检测前跟踪算法(PF-TBD)采样盲目性的问题,提出基于辅助粒子滤波的检测前跟踪算法(APF-TBD).该算法的重要性密度函数是一种依靠过去状态与系统最近观测量的密度函数,进一步使权值变化稳定,最终使得均方根误差较小,得到的粒子更逼近真实值,并将其应用于常规雷达对弱目标的检测与跟踪.仿真结果表明,该算法比PF-TBD有更好的检测效果与跟踪效果.     

新遗传粒子滤波的红外弱小目标跟踪与检测

针对传统粒子滤波器的粒子退化和贫乏问题,提出基于进化思想的新遗传粒子滤波算法．将算术相加,快速Metropolis-Hastings移动作为遗传算法的交叉和变异算子,与赌轮选择一起作为粒子滤波重采样的一类方法．将新遗传粒子滤波用于红外弱小目标的跟踪与检测,利用目标的幅度特性和运动特性,进行多帧图像滤波输出的似然比假设检验,来判断目标是否存在．仿真实验结果表明,基于快速Metropolis-Hastings 变异的遗传重采样方法可以快速提高粒子的多样性,避免粒子退化;所提出的检测方法在虚警率为10^-3,信噪比为2.0时,检测概率可以达到98.5％,检测性能明显优于传统重采样粒子滤波算法．     

基于支持向量机粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在的粒子退化问题,提出了一种新的基于支持向量机的粒子滤波目标跟踪算法。该算法利用滤波过程中的预测粒子集及其权值,使用支持向量机估计出系统状态的后验概率密度,再根据该概率密度重采样更新粒子集,以提高粒子的多样性,从而克服粒子的退化现象。仿真结果表明,该算法能显著增加有效粒子的数量,其目标跟踪精度优于马尔可夫链蒙特卡罗移动方法以及正则粒子滤波算法。     

一种改进的多伯努利多目标跟踪算法

针对粒子势均衡多目标多伯努利滤波的粒子实现形式所需粒子数多、粒子退化严重的问题,将均方根容积卡尔曼滤波与粒子势均衡多目标多伯努利滤波相结合,提出均方根容积卡尔曼粒子势均衡多目标多伯努利滤波算法．该算法利用均方根容积卡尔曼滤波构建重要性密度函数,再对其进行采样获得预测粒子状态,从而提高粒子的准确性,减轻粒子退化．与基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波相比,该算法更稳定,且算法性能不受目标状态维数的限制．仿真实验表明,所提算法与粒子势均衡多目标多伯努利滤波算法和基于无迹卡尔曼的粒子势均衡多目标多伯努利滤波算法相比,其跟踪精度更高．     

视频序列的多特征粒子滤波跟踪方法

提出了一种应用于视频序列的多特征粒子滤波（PF）跟踪算法,该方法在重采样后,对每一粒子应用CamShift算法,使所有粒子都趋于一个局部稳定的位置附近. 其中,权重中的似然函数根据颜色与边缘直方图分布的Bhattacharyya系数更新．该方法结合了CamShift计算量小的特点,使PF用较少的粒子能够对目标较准确的跟踪. 实验结果表明,该方法对遮挡具有一定的鲁棒性．     

一种新的改进粒子滤波算法

标准粒子滤波算法存在的最大问题是粒子退化,针对这一问题,提出了一种改进的粒子滤波算法,该算法将无迹卡尔曼滤波算法(UKF)、混合遗传模拟退火算法和基本粒子滤波算法相结合,运用无迹卡尔曼滤波算法获得重要性函数,提高了粒子的使用效率; 运用混合遗传模拟退火算法的进化思想,提高了粒子的多样性．仿真结果表明,新算法很好地解决了基本粒子滤波算法存在的粒子退化问题,提高了系统的滤波精度和稳定性(在信噪比为16dB时,精度提高80％以上),较好地抑制了噪声的干扰．     

基于粒子滤波的神经网络学习算法

为了克服一般神经网络学习方法易陷入局部极小值的缺陷,提出一种新的基于粒子滤波的神经网络学习算法.采用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)产生粒子,以较少的粒子逼近状态的后验概率分布,搜索到经验风险函数的最小值.此方法适用于在线的、非线性的、非高斯的神经网络学习.仿真结果表明,该学习方法与同类方法相比,性能明显提高.     

基于迭代sigma点粒子滤波的再入目标跟踪

标准粒子滤波提议分布选择时,由于没有计入最近的观测值信息,重要性权的方差随时间递增,导致权值蜕化。针对这一问题提出了一种新的滤波算法,迭代sigma点粒子滤波算法。该算法在预测时采用sigma点粒子滤波产生拟合概率密度函数的加权粒子,并通过观测值对加权粒子进行更新;修正过程采用迭代卡尔曼滤波优化预测阶段得到的描述状态分布的均值和方差。将其运用于再入大气层目标的跟踪模型,仿真结果表明:与标准粒子滤波相比,该算法能保证滤波收敛,具有更高的估计精度和更好的鲁棒性。     

空间域减法聚类粒子滤波算法

针对粒子滤波计算复杂度高的问题,为降低滤波中所需的样本数目,提出了一种基于减法聚类的粒子滤波算法,算法将样本及对应权重进行映射构成聚类向量,在设定的聚类半径下,采用改进的减法聚类算法对向量进行分类,得到若干在空间中分离的子类中心,然后用子类中心代替整个向量集,并利用产生的新向量集重构样本集和权重.仿真实验表明该算法在保持了粒子滤波估计精度的同时,有效降低了样本数目,提高了计算效率.     

An improved particle filtering algorithm based on observation inversion optimal sampling

According to the effective sampling of particles and the particles impoverishment caused by re-sampling in particle filter, an improved particle filtering algorithm based on observation inversion optimal sampling was proposed. Firstly, virtual observations were generated from the latest observation, and two sampling strategies were presented. Then, the previous time particles were sampled by utilizing the function inversion relationship between observation and system state. Finally, the current time particles were generated on the basis of the previous time particles and the system one-step state transition model. By the above method, sampling particles can make full use of the latest observation information and the priori modeling information, so that they further approximate the true state. The theoretical analysis and experimental results show that the new algorithm filtering accuracy and real-time outperform obviously the standard particle filter, the extended Kalman particle filter and the unscented particle filter.     

基于粒子滤波的跳频信号频率跟踪方法

针对跳频信号的参数估计问题,提出一种基于粒子滤波的跳频信号频率实时跟踪方法.首先建立以跳频瞬时频率为系统状态的状态空间模型,然后通过基本粒子滤波算法序贯重要性重采样（sequential importance resampling,SIR）实现了对跳频信号频率的后验概率密度估计,进而得到频率的实时估计;为进一步提高粒子滤波的跟踪性能,提出一种基于ESPRIT辅助的粒子滤波（auxiliary esprit particle filtering,AESPRIT-PF）算法.仿真实验分析了在不同信噪比和不同粒子数目下算法的跟踪性能,结果表明该算法具有稳健的跳频频率实时跟踪能力,是一种有效的跳频信号参数估计方法.     

基于粒子滤波的目标主动轮廓跟踪算法

传统的粒子滤波方法采用若干维参数定义的简单几何图形给出跟踪结果,不能精确表示现实中具有复杂形状的目标物体。针对这一问题,该文提出基于粒子滤波的主动轮廓算法,用于计算复杂形状目标的轮廓跟踪任务。在目标状态后验分布的模拟样本基础上引入主动轮廓模型,并使用带权粒子定义其能量函数,使得模型的轮廓线向具有重要权重粒子的所在区域演化,并最终收敛到具有最大目标似然的图像区域,从而实现对目标物体的全局运动及局部形态演化的同时估计。精确的目标区域提高了目标模型的更新精度,避免了跟踪中漂移现象的发生。最后,结合真实机场监控验证了该方法在实际复杂场景下的有效性及鲁棒性。     

基于遗传算法和粒子滤波器的非刚性目标跟踪

基于目标颜色特征，将遗传算法和粒子滤波器相结合进行非刚性目标的实时跟踪：一般情况下，采用遗传算法跟踪目标，以最优个体作为目标状态；当发生较严重遮挡时，最优个体不一定是目标的真实状态，利用粒子滤波器的思想，以各个体的加权平均作为跟踪结果来克服遮挡影响。实验结果表明该混合算法具有较强的鲁棒性，能有效实现复杂场景下的目标跟踪。     

基于遗传算法和粒子滤波器的非刚性目标跟踪

基于目标颜色特征，将遗传算法和粒子滤波器相结合进行非刚性目标的实时跟 踪：一般情况下，采用遗传算法跟踪目标，以最优个体作为目标状态；当发生较严重遮挡时，最优个体不一定是目标的真实状态，利用粒子滤波器的思想，以各个体的加权平均作为跟踪结果来克服遮挡影响.实验结果表明该混合算法具有较强的鲁棒性，能有效实现复杂场景下的目标跟踪.     

基于粒子群算法的模糊滤波器优化方法

根据粒子群算法可以搜索全局最优的特点,提出一种新的基于粒子群算法优化模糊隶属函数,从而对带有脉冲噪声图像进行模糊中值滤波的方法.该方法给出一个新的模糊熵定义,采用改进粒子群优化算法寻求隶属函数的最优参数,依照最大熵准则将图像变换到模糊域,然后对需要处理的噪声图像进行滤波.实验表明,提出的方法可以很好地滤除图像中的脉冲噪声,自适应性强.