基于核函数粒子滤波和多特征自适应融合的目标跟踪

经典粒子滤波及其改进算法在观测模型与真实情况存在偏差时会导致滤波发散,针对这一问题,提出一种核函数粒子滤波算法.该算法根据目标状态与粒子状态之间的距离,利用核函数产生权值对粒子进行二次加权,根据粒子的二次加权结果进行粒子重采样;以改进的粒子滤波算法为框架,提出了一种自适应多特征融合目标跟踪方法,利用相似性度量动态地评价特征对目标与背景的区分能力,并自适应地计算特征融合权重,以适应目标跟踪过程中目标与背景的变化,提高目标跟踪的鲁棒性.实验结果表明,文中提出的目标跟踪方法比经典粒子滤波目标跟踪方法具有更强的抗干扰性能和较高的跟踪精度.     

基于自适应吸引半径的萤火虫算法的粒子滤波

针对粒子滤波算法对粒子数目的大量需求等弊端,提出一种基于改进的萤火虫算法的粒子滤波。首先,在萤火虫的亮度公式中引入观测值信息以提高算法跟踪的准确性;其次,提出自适应吸引半径参数来控制萤火虫群寻优时的吸引范围,使算法的实时性更好;最终利用萤火虫算法的迭代寻优来进行粒子更新。对比实验表明,该算法在跟踪精度和运行时间上都有所优化,说明该算法即使在粒子数目较少的条件下也能保证目标跟踪的准确性和实时性。     

基于灰色系统理论和粒子滤波器的目标跟踪算法

提出一种基于灰色系统理论和粒子滤波的目标跟踪算法,自适应调整搜索范围,并采用交叉熵理论来度量目标模型与粒子确定区域特征模型之间的相似度。先用粒子滤波算法对运动目标状态进行估计,确定目标中心位置,利用历史目标位置状态序列,通过灰色系统理论对下一帧目标状态进行预测;然后对重采样后的粒子的位置和粒子的搜索范围进行修正,采用交叉熵理论来衡量目标与粒子确定区域的特征模型之间的相似度。仿真结果表明,相比传统的粒子滤波算法,新算法具有更好的鲁棒性和跟踪精度。     

基于自适应时空码书的粒子滤波多目标跟踪

提出一种基于自适应时空码书检测模型的粒子滤波多目标跟踪算法。使用时空码书模型进行前景背景分割,检测出前景目标,在该模型上加入目标自适应过程。将自适应时空码书检测的结果作为粒子滤波跟踪算法的初始目标状态,通过关联算法和粒子滤波实现多目标跟踪。自适应时空码书模型能明显降低对前景目标的误检率,抑制噪声干扰。实验结果表明,该算法能够在有干扰的复杂背景下实现对运动多目标的快速捕获,并有效提高跟踪的可靠性和精度。     

基于改进粒子滤波的机动目标自适应跟踪算法

在粒子滤波的基础上融合扩展卡尔曼滤波算法,融合后的算法在计算提议概率密度分布时,充分考虑当前时刻的量测,使粒子的分布更加接近状态的后验概率分布.将此改进粒子滤波算法在"当前"统计模型框架下进行机动目标自适应跟踪.仿真实验验证了该种方法对机动目标的良好自适应跟踪性能.     

基于多信息融合自适应粒子滤波的目标跟踪算法

粒子滤波是一种可在非线性和非高斯情况下进行状态估计的有效方法,基于单特征粒子滤波跟踪算法在目标跟踪中的应用及存在的不足,针对颜色信息在光照变化和相似背景务件下存在的缺点,为了仍能对目标进行有效地跟踪,加入纹理信息来表示目标,并给出基于目标的颜色特征和纹理特征多信息融合的自适应粒子滤波算法,使用三种量测模型并给出具体的算法和实验结果,实验证明此方法与仅基于颜色粒子滤波跟踪方法相比,在计算量增加不多的情况下大大改善了跟踪的性能和鲁棒性.     

改进的均值漂移和粒子滤波混合跟踪方法

为提高粒子滤波视觉目标跟踪算法的准确性和实时性,提出一种基于均值漂移和粒子滤波的混合跟踪算法。将相异性较小的粒子进行聚类,利用均值漂移算法迭代各个聚类中的代表点,通过减少参与均值漂移迭代的粒子数来降低运算复杂度;根据跟踪情况自适应调整采样粒子数目和过程噪声分布,以提高跟踪精度和减少运算时间。实验结果表明,所提算法平均每帧计算时间不到传统混合跟踪法的一半,而且跟踪精度也有所提高。     

基于自适应特征融合的粒子滤波目标跟踪算法

提出了一种基于自适应特征融合的粒子滤波跟踪算法,用于解决传统的粒子滤波跟踪方法在复杂背景下容易跟踪失败的问题。该算法选取颜色特征和边缘特征来描述目标,并通过粒子滤波进行特征融合,根据可靠性因子调整各特征的权值系数;在跟踪过程中,随着目标自身形变,自适应更新目标模板。实验结果表明,在复杂背景下以及受到遮挡时,本算法能够准确稳健地跟踪目标。     

基于粒子滤波的双模图像融合自适应跟踪

针对视频跟踪中仅利用目标的单特征容易导致跟踪失败的问题,提出一种基于粒子滤波的可见光与红外序列图像相融合的自适应目标跟踪算法;该算法在粒子滤波跟踪算法框架下,根据单一信源运动目标序列图像的品质因子,利用自适应加权融合策略重构双模序列图像的特征选择机制,建立了基于自适应融合算法的系统观测概率模型和状态空间层次采样多特征融合跟踪算法,实现了对双模序列图像的融合以及对运动目标的稳健跟踪;跟踪试验结果表明,该算法可以有效实现对运动目标的稳健、准确跟踪。     

PCL环境下粒子滤波目标跟踪算法研究

在实时三维目标跟踪系统中,KL距离自适应粒子滤波算法中距离阈值、小区域阈值以及其他参数的选取往往根据经验设置,如果参数设置不合适会降低跟踪精度和实时性。为此,设计一种3D点云目标跟踪系统。分析距离阈值和小区域阈值等参数对跟踪性能的影响,并给出自适应粒子滤波中参数与跟踪目标模型的关系。实验结果表明,与PCL_Tracking算法相比,该系统提高了三维目标跟踪系统的准确性和实时性。     

基于卡尔曼自适应滤波算法的机动目标仿真研究

卡尔曼滤波理论在目标跟踪中得到成功的应用,但是在目标各种运动状态下仅利用卡尔曼滤波很难具有良好的跟踪性能。介绍了几种自适应卡尔曼滤波算法,对基于"当前"统计模型的卡尔曼自适应滤波算法在目标跟踪领域进行仿真,验证了卡尔曼自适应滤波算法的可靠性。     

Hybrid threshold strategy‐based adaptive tracking control for nonlinear stochastic systems with full‐state constraints

This article focuses on the adaptive tracking control problem for a class of interconnected nonlinear stochastic systems under full‐state constraints based on the hybrid threshold strategy. Different from the existing works, we propose a novel pre‐constrained tracking control algorithm to deal with the full‐state constraint problem. First, a novel nonlinear transformation function and a new coordinate transformation are developed to constrain state variables, which can directly cope with asymmetric state constraints. Second, the hybrid threshold strategy is constructed to provide a reasonable way in balancing system performance and communication constraints. By the use of dynamic surface control technique and neural network approximate technique, a smooth pre‐constrained tracking controller with adaptive laws is designed for the interconnected nonlinear stochastic systems. Moreover, based on the Lyapunov stability theory, it is proved that all state variables are successfully pre‐constrained within asymmetric boundaries. Finally, a simulation example is presented to verify the effectiveness of proposed control algorithm.     

自适应区域协方差跟踪算法

协方差跟踪算法由于其优秀的特征描述能力在近年获得众多关注,但其全局遍历搜索策略使其仍不够高效。提出一个通用的、自适应的协方差跟踪算法,该算法利用了自适应积分区域计算策略和简单的遮挡检测处理方法,前者远快于积分图像计算并自适应于跟踪目标和跟踪环境,后者用于动态调整搜索窗口的大小。积分图像计算和全局协方差跟踪可以看作所提算法的一种特例。所提算法自然统一了局部搜索策略和全局搜索策略,并可根据跟踪环境(如遮挡、突然偏移)自然切换。所提算法既获得了在正常情况下局部搜索所带来的高效、偏离的健壮性和稳定的轨迹,又获得了在非正常情况下的由更大搜索窗口所带来的遮挡处理和重新识别定位目标的能力。通过在部分视频序列上的实验,所提算法展现出优秀的目标表达能力、更快的跟踪速度和更好的健壮性。     

Adaptive control of discrete time systems with concave/convex parametrizations

This note considers the adaptive control of a class of nonlinear discrete time system with concave/convex parametrizations. The solutions involved two tuning functions which are determined by a minmax optimization approach much like the continuous time counterparts found in the literature. Direct extension from the continuous time case do not work very well due to the premature termination of the adaptive algorithm before zero tracking error can be achieved. In this note, this problem is solved. The proposed algorithm is shown to be stable and achieves zero tracking error in steady state.     

单被动传感器BOT鲁棒跟踪算法研究

对系统建立了仅有角度测量信息的单传感器跟踪(BOT)模型和算法,从机动目标鲁棒跟踪的角度给出了单传感器仅有角测量信息时的状态估计方法.BOT的状态估计采用修正增益扩展卡尔曼滤波器(MGEKF),目标加速度采用周期递推估计.该算法的模型简单、无噪声假定、无模型切换,并对目标机动具有良好的自适应能力.仿真结果验证了该方法的有效性.     

仅有角测量的被动式机动目标跟踪

以往的被动式跟踪研究往往假定目标作匀速直线运动, 采用目标与跟踪站的相对距离和速度为状态变量, 因而相应的跟踪滤波器不能跟踪机动目标. 研究了仅有角测量的机动目标跟踪问题, 采用目标的位置、速度及加速度作为状态变量, 并对测量方程进行适当变换, 推导出一种伪线性机动目标自适应跟踪算法, 可用于单站或多站被动式机动目标跟踪. 大量的仿真研究表明了本算法的有效性, 其中多站跟踪比单站跟踪具有更高的精度、算法稳定性和快速收敛性.     

基于强跟踪滤波器的MACA-MIE 模型及跟踪算法

结合自适应常加速模型(ACA)、改进输入估计(MIE)和强跟踪滤波器,提出一种新的自适应目标跟踪模型和算法.该算法通过扩展 ACA 模型状态矢量和改进状态噪声协方差调整方法,利用 MIE 和强跟踪滤波器,实现了机动加速度方差和状态预测协方差依据残差信息的实时完全自适应调整,在缺乏目标加速度先验知识的情况下,能够实时高精度跟踪目标突变状态、弱机动和非机动状态.仿真实验表明,相比 ACA 模型和 MIE,该算法具有更好的机动状态和非机动状态跟踪性能.     

基于自适应卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪过程中,由于目标运动的不确定性,雷达系统接收的数据存在噪声,使预置目标运动模型通常很难得到较高的跟踪精度。为此,以自适应卡尔曼滤波为基础,将直角坐标系和球坐标系相结合,提出了一种混合坐标系下的自适应卡尔曼滤波算法。算法避免了两个坐标系变换引起的噪声统计规律变化问题,并针对目标发生大机动运动的情况,自适应的调整动态模型中机动目标运动参数。蒙特卡洛仿真结果表明,改进算法的收敛速度和对状态的估计精度均得到优化,并对机动目标具有较好的跟踪性能。