—种混合蛙跳算法优化的粒子滤波方法

粒子滤波方法是一种适合于非线性、非高斯系统状态的滤波方法,在目标跟踪等领域有着广泛应用。但传统粒子滤波方法的粒子之间缺乏交互性与合作意识,很可能在寻优过程中陷入局部极值。针对这一问题,提出一种混合蛙跳算法优化的粒子滤波方法。混合蛙跳算法速度快,全局搜索能力强,可以在局部间进行信息传递,使算法跳出局部极值。因此采用混合蛙跳算法优化传统粒子滤波方法,可以构建多种粒子子集的分布体系,把原本不具备智能行为的粒子分别赋予分群、选择、信息交互和进化等机制,使粒子群体表现出智能行为,从而使寻优搜索向着全局最优方向进行。最后采用仿真实验进行比较,优化后的方法在性能上明显优于传统粒子滤波方法,取得了较好效果。     

改进混合蛙跳算法求解旅行商问题

以旅行商问题(TSP)为例,引入调整序思想设计了局部搜索策略,同时在全局信息交换过程中加入变异操作,提出一种改进混合蛙跳算法求解TSP问题.实验结果表明,与遗传算法和粒子群优化算法相比较,改进混合蛙跳算法在求解TSP问题上具有更好的搜索性能和顽健性.     

基于自控蝙蝠算法智能优化粒子滤波的机动目标跟踪方法

标准粒子滤波重采样过程中对粒子的直接删除会导致粒子贫化,并且综合性价比不高,难以满足高频段精密跟踪雷达的需求.针对上述问题,本文提出了基于自控蝙蝠算法优化粒子滤波的机动目标跟踪方法.该方法首先在粒子滤波中引入蝙蝠算法,用粒子表征蝙蝠个体,模拟蝙蝠群体搜索猎物的过程,使粒子向高似然区域移动.同时,改进算法将粒子接受新状态的比例作为反馈量,设计了自适应闭环控制策略对算法的全局搜索能力和局部搜索能力进行全程动态控制,使得粒子分布更加合理,从而进一步提高了粒子滤波的精度.最后在分别在基础非线性滤波模型和强机动强干扰目标跟踪模型中对改进算法的性能进行了测试.实验结果表明,改进算法提高了目标跟踪的精度.     

求解电磁领域中复超越方程的PSO-PTS混合算法

将改进的粒子群算法(PSO)与参数跟踪策略(PTS)及动态搜索域相结合形成一种新的混合算法,用于求解电磁领域中复超越方程的高精度求根问题.在算法实现过程中,采用在粒子群算法中加入基于群体适应度方差的自适应变异操作来增加群体多样性,有效地避免算法陷入早熟收敛;使用参量跟踪策略有效地缩小了粒子群算法搜索区域,保证了解的单一性,提高了运算速度;使用动态搜索域提高了解的精度,并使运算速度得以进一步提高.通过实例说明该混合算法能够精确地解决复超越方程中的多值问题,解集完备性好,且与现有结果相吻合.     

一种改进重采样的粒子滤波算法

粒子滤波算法中重采样是解决粒子退化的一种重要方法,但重采样会导致粒子多样性的损失。针对这一问题,对基本重采样算法进行了改进。改进算法首先按基本重采样思想找到权值大的粒子进行复制,然后借鉴遗传算法进行交叉和变异操作,其中变异由变异尺度因子和粒子集的均值来实现。利用改进重采样的粒子滤波算法对经典纯方位目标跟踪问题进行了仿真,仿真结果表明,改进算法具有更好的跟踪精度。     

一种改进型的粒子滤波器

针对复杂背景条件下图像序列中跟踪运动目标的问题,提出一种改进的粒子滤波图像跟踪算法,该算法利用遗传算法的研究成果,采用选择、交叉、变异等步骤实现对粒子的重采样,解决了粒子滤波器所面临的粒子退化和匮乏问题.由于该算法利用了遗传算法的全局寻优特性,因此该算法具有较强的稳健性.同时,粒子滤波可实现非线性非高斯状态空间模型的最优估计,将该粒子滤波用于目标跟踪,具有较好的过遮挡能力.实验结果表明,该算法状态估计性能好,能够很好地实现复杂图像序列中的目标跟踪.     

基于均值漂移的视频目标跟踪改进算法

改进算法通过计算跟踪窗口颜色直方图的质心来自适应的调整跟踪窗口的尺寸,通过比较跟踪结果和目标的差值确定遮挡情况,并启用粒子滤波算法在整幅图像内搜索目标解决目标的遮挡问题,这种改进算法克服了均值滤波算法不能适应目标尺寸变化和不能解决遮挡问题的缺点.实验证明改进算法具有很强的鲁棒性.     

基于改进粒子滤波跟踪算法的运动视频跟踪

为了进一步提高目标跟踪的准确率,提出一种基于改进粒子滤波的运动视频跟踪算法。首先,通过高斯混合模型实现动态背景建模,从而降低噪声和局部动态背景的干扰;然后,在RGB颜色直方图分离的基础上,结合粒子滤波和迭代递归实现目标运动检测,提高了前景检测的准确性。仿真试验结果显示,相比典型粒子滤波算法、遗传粒子滤波和DCEM,改进粒子滤波跟踪算法得到的前景目标的轮廓更好,因此运动目标检测精确度更高且处理时间更短。     

一种改进的粒子滤波和Mean Shift联合跟踪算法

为了提高视频运动目标跟踪的准确性和实时性,提出一种改进的粒子滤波和Mean Shift联合跟踪算法.针对传统粒子滤波跟踪算法中颜色直方图观测模型存在的局限性,提出了一种基于分块颜色直方图的观测模型描述方法,并根据该分块直方图的特点,重新设计了粒子权值的更新策略;针对粒子滤波算法实时性差的问题,提出了一种基于积分直方图的颜色特征快速计算方法,极大地降低了算法的运算量;为了降低相似背景干扰对跟踪效果的影响,提出了一种基于Gabor幅度谱的Mean Shift跟踪算法,并利用改进的Mean Shift算法对粒子滤波跟踪结果进行优化,提高了跟踪算法在复杂背景下的搜索能力.实验结果表明了算法的有效性.     

改进粒子滤波算法在深空红外小目标跟踪中的应用

非负矩阵分解具有较好的特征提取性能,广泛应用于数据融合领域,而粒子滤波则是一种处理非线性和非高斯动态系统状态估计的有效方法.该文结合两种算法的优点,提出了一种基于改进粒子滤波的红外小目标跟踪算法.利用NMF融合当前与之前的粒子分布权重,减小经典粒子滤波退化发散带来的精度误差.避免了目标遮挡及暂时消失带来的跟踪错误.仿真实验证明本文算法相对于经典粒子滤波,具有更好的跟踪精度和稳定性.     

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。     

结合匈牙利指派和改进粒子滤波的多目标跟踪算法

使用汽车雷达进行多目标跟踪时,为了提高航迹关联效率并改善非线性场景跟踪效果,提出了结合匈牙利指派和卡尔曼重要性采样的粒子滤波(Particle Filter with Kalman Importance Sampling,PF-KIS)算法。首先,将航迹关联分解为聚类和指派,通过密度聚类筛选并整合有效目标,经过匈牙利指派得到目标和航迹的最佳匹配关系,避免产生多余联合事件,提高关联效率;其次,以卡尔曼滤波的结果作为粒子滤波的先验,使采样粒子分布更合理,提高估计精度,进而改善非线性跟踪能力。实验表明,算法平均航迹关联正确率约为95%;非线性场景误差约为卡尔曼滤波的1/2,有效地改善了非线性场景跟踪能力。     

基于复似然比的粒子滤波改进算法

针对低信噪比微弱目标的实时检测与跟踪问题,提出了基于复似然比的粒子滤波改进算法。该算法弥补了传统粒子滤波利用幅度似然比计算粒子权重而忽略相位信息的缺陷,推导了基于复似然比的粒子权重表达式,从而更好地利用了目标原始信息。同时,基于幅度似然比的权重计算需要多次进行贝塞尔函数运算,而基于复似然比的权重计算只需进行一次贝塞尔函数运算,可以有效降低计算复杂度。仿真结果表明：改进算法不仅在检测与跟踪性能上优于传统粒子滤波算法,所需计算时间也明显降低。     

基于粒子滤波的空-地目标跟踪算法

针对空-地目标跟踪中目标大幅度变速运动而引 起的跟踪失败问题,基于Kristan等人提出的双步(TS)动态模型框架,对空-地目标跟 踪中目标运动特点进行分析与建模,改进TS模型中 的保守模型以适应加速运动,提出适于描述大幅度变速运动的加速度双步(TSA)动态模型作 为粒子滤波(PF)跟踪算法的动态模 型,实现对粒子状态的精确预测,进而达到使用较少粒子即可对目标鲁棒跟踪的目的。对空 -地目标跟踪的测试视频进行测 试,结果表明,本文算法可对大幅度变速运动目标稳定跟踪,正确跟踪率为92%,对目标 尺寸约为25pixel×30pixel时的处理帧率为29frame/s。本文算法具有较好的鲁棒性与实时性。     

机动目标DOA跟踪粒子滤波算法

针对标准粒子滤波算法在机动目标波达方向(direction of arrival, DOA)随时间快速变化导致跟踪精度下降、实时性变差及多目标跟踪误差大等不足的问题,本文提出了一种改进粒子滤波(particle filter, PF)算法。该算法依据阵列信号处理模型和匀速(constant velocity,CV)模型,建立了机动目标跟踪的状态方程和观测方程作为状态空间模型,并在此基础上,借鉴多重信号分类(multiple signal classification,MUSIC)算法谱函数修改了粒子滤波的似然函数,实现了对目标方位的实时动态跟踪。仿真结果表明,与传统子空间类跟踪算法和标准粒子滤波算法相比,本文方法跟踪精度更高,收敛速度更快,抗噪能力及鲁棒性更强,对轨迹交叉的多目标跟踪性能也更优。      

复杂场景下的加权粒子滤波行人跟踪方法

针对粒子滤波跟踪算法在行人目标遮挡、光线干扰以及背景与行人相似等情形下,目标易发生漂移、跟踪精度不高的问题,本文提出一种加权粒子滤波行人跟踪方法。该方法联合遮挡模型和Online Boosting算法,利用在线学习实时更新强分类器,并结合跟踪时建立的遮挡模型,以及行人运动时与上一次目标位置的距离、相似度等影响因子,对粒子权重进行重新构造,实现了复杂变化场景下的行人自适应跟踪。通过对PETS-L2S1公共数据集和自有数据集分别进行实验,可以得到本文提出的方法能有效去除目标遮挡、相似背景以及光线突变的干扰,实现稳定、准确、实时的行人跟踪。      

基于CPFDE的目标跟踪算法研究

在目标跟踪中,为了克服粒子滤波的粒子退化和贫化问题,提高滤波精度,文中将差分演化算法与容积粒子滤波相结合,形成了差分演化容积粒子滤波算法。在粒子进行先验更新时, 使用容积卡尔曼滤波算法融入当前时刻的量测信息并用其来产生重要性密度函数,并且在重采样阶段,用差分演化算法对根据重要性密度函数抽取的采样粒子做优化操作,从而克服粒子滤波存在的粒子退化及贫化问题,提高滤波性能。实验结果表明,和粒子滤波、无迹粒子滤波、容积粒子滤波相比,该算法有着更高的滤波精度和更好的稳定性,并且能够提高雷达机动目标跟踪的精确性。     

基于微分进化的组合重采样粒子滤波算法

针对粒子滤波重采样带来的样本贫化问题,设计了微分进化组合重采样算法。通过引入微分进化算法的交叉变异操作保持了粒子多样性;同时将残差重采样和微分进化重采样算法组合起来,克服了单纯微分进化重采样的时滞性问题。蒙特卡罗仿真表明,所研究的算法在精度上有很大的提高,并且实时性较好。算法效率提高了1倍,只需300个粒子就可以达到残差重采样粒子滤波1000个粒子的效果,而且实时性提高了很多。