用于机动目标跟踪的Kalman滤波器的设计

机动目标跟踪广泛应用于军事和民用领域。本文针对机动目标跟踪问题,在“当前”统计模型的基础上,实现了Kalman滤波算法在工程上的应用;同时利用速度预测估计与实时速度估计间的偏差进行自适应方差调整,提出了改进的“当前”统计模型自适应滤波算法。工程实践表明,基于改进模型的Kalman滤波算法在跟踪机动目标时具有起好的跟踪性能,同时也极大改善了对一般非机动目标的跟踪能力。     

一种最小二乘与自适应Kalman联合滤波算法

"当前统计模型"滤波算法中采用上一帧的加速度来预测当前时刻的目标位置,当目标做变加速度运动时,预测值不能反应本帧的加速度变化,目标跟踪精度难以保证.针对这个问题,本文提出了一种最小二乘和Kalman的联合滤波算法,在自适应Kalman滤波前,采用最小二乘算法对当前数据进行拟合,用拟合的位置、速度和加速度作为目标的预测位置送入Kalman滤波器进行滤波处理,克服了"当前统计模型"滤波中存在的问题,提高了跟踪精度.     

基于图像处理技术的目标跟踪研究

基于视频的交通信息采集目前已成为计算机视觉领域新兴的研究方向,准确的运动目标跟踪是其关键技术并为智能交通系统奠定基础。详细介绍了几种常用的目标跟踪算法,并对目前算法相对成熟、匹配效果较好的Hausdorff算法深入研究,随后针对其计算量大的问题,采取了一种新策略,即Hausdorff算法与Kalman滤波器对目标运动进行预测估计相结合的方法进行运动目标的跟踪。     

采用Kalman_BP神经网络的视频序列多目标检测与跟踪

针对在复杂环境下多目标检测与跟踪实时性差和准确率低的问题,提出了一种基于神经网络修正均方误差估计的卡尔曼滤波跟踪方法,实现视频序列的多目标跟踪。在该方法中,首先通过帧间差分法准确提取出背景,并结合背景消减法实现多目标的检测,应用形态学滤波对检测结果进行优化;然后利用Kalman_BP神经网络预测滤波器对运动目标的位置进行预测。BP神经网络的引入,主要是降低由于模型变化以及噪声等引起的Kalman滤波器的估计误差,使Kalman滤波器的预测结果更加精准;最后,通过对不同的目标贴上标签,实现目标快速匹配,根据相邻帧间同一目标形心位置以及外接矩形的一致性,建立目标链,实现多目标跟踪。实验结果表明,该算法不仅能够快速稳定地对不同场景中的目标进行跟踪,而且能够统计目标数目和显示目标的运动轨迹,与粒子滤波等方法相比跟踪更加平稳,提高了跟踪的可靠性。     

基于Kalman滤波和Meanshift算法的目标跟踪

如何实现移动目标被其他物体遮挡后,预测其所处位置,并能够实现遮挡结束后恢复目标的跟踪是视频目标检测与跟踪研究方面的一个热点问题。文章将Kalman滤波器对目标位置估计能力与Meanshift跟踪算法相互结合实现视频序列中移动目标检测与跟踪。利用遮挡因子对目标进行遮挡判断,如果没有发生遮挡则使用Meanshift算法进行直接目标跟踪,一旦检测出遮挡则利用Kalman的预测值进行目标新位置的确定,最终实现对运动目标进行跟踪,并通过MATLAB编写程序实现对运动目标的检测与跟踪。     

用期望最大化算法抑制角闪烁的预处理方法

用高斯混合模型作为角闪烁噪声的近似统计模型,结合Kalman滤波器,提出了一种利用期望最大化(EM)算法抑制角闪烁噪声的预处理方法.首先采用EM算法处理一帧内的原始测量数据,预先得到目标真实位置的最大似然估计,这个预估计量服从渐进高斯分布,且其方差可求.然后将这个预估计量作为Kalman滤波器的输入量进行跟踪滤波,同时将目标位置的预测值作为下一帧EM迭代过程的初始值,进而形成闭环的跟踪滤波结构.仿真结果表明,该方法有效地抑制了角闪烁,使得Kalman滤波算法更加有效,从而提高了目标跟踪的精度.     

三状态样条Kalman滤波与目标机动检测

基于样条方法和Kalman滤波理论，给出了一种新的三状态样条Kalman滤波方法及对目标进行机动检测的方法。该滤波方法用样条函数建立目标运动模型，应用Kalman滤波进行状态估计；该机动检测方法通过检测滤波新息来对目标机动发生或消除进行判断。由于考虑了加速度的实时估计，该滤波方法尤其适用于对弹道式目标的机动跟踪。仿真计算与实测数据计算表明：该滤波具有较高的精度；该机动检测方法具有较高的检测效率。     

基于H∞滤波器的红外小目标运动预测和跟踪方法

根据H∞滤波理论,提出了基于H∞滤波预测技术的红外图像小目标运动预测和跟踪方法,为了降低模型阶数以加快图像处理速度,滤波过程被分解在水平和垂直两个方向上分别进行,即将滤波器分解为x、y方向上两个子滤波器．H∞滤波器是一种基于最优化最坏情况下的滤波技术,它对噪声源的要求不高,能较好地应用在复杂场景下的目标运动预测与跟踪．实验证实了在噪声源不能确定或是未知的情况下,它比Kalman滤波器对红外小目标的运动预测更加准确并具有更好抗扰动性．     

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。     

混合模型的运动目标检测与跟踪算法

针对运动目标检测与跟踪算法计算准确率低、效果差的问题,结合Kalman滤波算法,提出一种基于高斯混合模型的运动目标检测与跟踪算法。对传统的权重更新机制进行改进,以保证背景的持续更新状态。建立高斯混合模型,对运动目标图像进行处理,对图像中的参数信息进行实时更新,在Kalman滤波器的性质影响下进行目标跟踪,将获取的运动目标位置作为信息输入,完成运行并跟踪。在更新的过程中,根据运动目标的状态确定矩阵,目标遮挡也不会影响追踪的效果。结果表明,利用Kalman滤波器对运动目标进行跟踪,可以取得良好的运动目标跟踪效果。     

基于激光雷达的移动机器人运动目标检测与跟踪

运动目标的检测与跟踪是移动机器人研究的难点问题之一.基于2维激光雷达的性能分析与滤波设计的基础上,提出一种自主运动目标检测与跟踪的方法.通过k-近邻对激光雷达扫描的障碍进行聚类分析;基于栅格地图匹配的方法评估障碍的运动参数;检测出运动目标后,通过对机器人进行运动补偿,提出一种改进的粒子滤波算法对目标的运动状态进行评估.最后,利用自行研制的移动机器人进行算法评估,实验结果验证了所提方法的有效性.     

Video object tracking using adaptive Kalman filter

In this paper, a new video moving object tracking method is proposed. In initialization, a moving object selected by the user is segmented and the dominant color is extracted from the segmented target. In tracking step, a motion model is constructed to set the system model of adaptive Kalman filter firstly. Then, the dominant color of the moving object in HSI color space will be used as feature to detect the moving object in the consecutive video frames. The detected result is fed back as the measurement of adaptive Kalman filter and the estimate parameters of adaptive Kalman filter are adjusted by occlusion ratio adaptively. The proposed method has the robust ability to track the moving object in the consecutive frames under some kinds of real-world complex situations such as the moving object disappearing totally or partially due to occlusion by other ones, fast moving object, changing lighting, changing the direction and orientation of the moving object, and changing the velocity of moving object suddenly. The proposed method is an efficient video object tracking algorithm.     

利用数值微分构造机动目标跟踪的估计模型:原理和应用

利用数值微分技术描述机动目标的运动行为,建立了被跟踪目标运动参数的滤波模型和滤波-预报联合估计模型,可以在机动目标动态特性完全未知的情况下估计出位置、速度、加速度的当前值和一步预报值.这种方法建立的模型结构简单,而且容易根据各种应用要求构造合适的估计模型和选择估计算法,是一种鲁棒估计模型.仿真实验给出的结果显示这种模型对高动态目标能够获得良好的跟踪品质.     

复杂背景下兼顾跟踪实时性和跟踪精度的目标跟踪技术研究

由于将CamShift算法在复杂背景和操作条件下应用于视频跟踪,跟踪失败和目标损失的现象将非常容易发生。为了提高复杂环境条件下目标跟踪的精度及实时性,本论文提出了一种能够在复杂环境条件下及时对目标对象进行追踪的技术。以颜色、纹理、目标动作信息的全面特性为基础对CamShift算法作出整改完善,通过组合Kalman过滤器预评估目标对象的动作情况,在目标对象受到制约的情况下,使用运转前的目标对象预先信息,对目标对象物体的动作轨迹执行最小平方运算以及外穿推进,同时基于对象物体的位移情况进行定位信息的预测评估,以助于恢复目标的定位信息直到制约情况结束。经多次实验,相关统计数据表明,这一算法能够用于复杂情形的环境条件下,且当目标对象处于短期闭塞情况下依然能达成目标的连续稳定追踪,在性能上具备出色的实时性。     

Model-based object tracking in wireless sensor networks

Tracking moving objects is one of the most common requirements in wireless sensor network applications. Most tracking schemes predict a target’s location based on a single object movement model and periodically activate nearby sensors to monitor the target. However, in most real-world situations, a target exhibits multiple movement patterns. Thus, multiple movement models are required to accurately describe the target’s movement. This paper proposes a tracking framework, called model-based object tracking system (MOTS), that allows a sensor network to adaptively apply the most suitable tracking mechanism to monitor the target under various circumstances. To fairly and accurately evaluate all tracking modules, this study further develops a monitoring-cost evaluator to evaluate the monitoring cost of the inactive tracking modules, and then designs three tracking module selection strategies, the Greedy Strategy, Min-Max Strategy, and Weighted Moving Average Strategy, to select the most effective tracking module to monitor the target in each period. A set of experiments is conducted to evaluate MOTS and compare it against existing tracking systems. The obtained results reveal that the cost efficiency of MOTS is considerably better than that of existing tracking systems.     

一种新型多特征融合粒子滤波视觉跟踪算法

针对单一视觉信息在动态变化环境下描述目标不够充分、跟踪目标不够稳定的缺点,提出了一种基于粒子滤波框架的新型多特征融合的视觉跟踪算法。采用颜色和形状信息来描述运动模型,通过民主合成策略将两种信息融合在一起,使得跟踪算法能根据当前跟踪形势自适应调整两种信息的权重以期达到最佳的最大似然比,实现信息间的优势互补。在设计粒子滤波跟踪算法时,利用自适应信息融合策略构建似然模型,提高了粒子滤波跟踪算法在复杂场景下的稳健性。实验结果表明,多特征融合跟踪算法不仅能准确、高效地跟踪目标,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。     

基于卡尔曼粒子滤波的目标跟踪算法

目标跟踪在计算机视觉领域有着重要的应用。文中在对运动目标跟踪算法进行研究之后,应用卡尔曼粒子滤波算法进行运动目标的跟踪,同时利用Matlab 对卡尔曼滤波算法、粒子滤波算法及卡尔曼粒子滤波算法进行了实验仿真。实验结果表明,运用卡尔曼粒子滤波算法能够更快、更准确地对运动目标进行跟踪,可将其广泛应用于目标跟踪中。     

跟踪窗口尺寸自适应调整的粒子滤波跟踪算法

当目标尺度发生变化时,传统的粒子滤波跟踪算法的跟踪窗口尺寸不变,在目标尺寸变化较大时容易丢失跟踪目标.针对这一问题,提出了一种跟踪窗口自适应调整的粒子滤波跟踪方法.该方法依据运动目标区域内粒子到目标中心点的平均距离与目标尺寸的关系,建立跟踪窗口尺寸的数学模型.在两种目标模型上对所建立的数学模型进行了仿真验证.实验结果表明,当目标尺度发生变化时,跟踪窗口能够很好的随目标的尺寸变化而自适应地连续调整,改进后的算法在目标尺寸变化率很大时仍能够稳定跟踪目标.     

基于摄像机运动控制的实时对象检测与跟踪算法

提出了一种基于摄像机运动控制的实时运动对象检测与跟踪算法.该算法首先采用非参数核密度估计方法在复杂的动态背景条件下检测运动对象区域;然后由CamShift算法计算跟踪目标的位置,并采用Kalman滤波预测对象的运动信息来控制摄像机的运动,能够准确地跟踪对象并有效解决了背景中的部分遮挡问题.在SonyRZ25网络摄像机上完成了对象的实时检测与跟踪,对多个室内和室外场景的实验验证了所提出方法的实用性和有效性.     

基于粒子群算法和卡尔曼滤波的运动目标跟踪算法

针对目前一些常用的运动目标跟踪算法存在跟踪精度不高、实时性低、对遮挡问题处理不佳等问题,提出一种粒子群算法与卡尔曼滤波相结合的新的运动目标跟踪方法。利用卡尔曼滤波预测目标中心在下一帧图像中的位置,从而极大减少了搜索范围,并以该位置为中心建立目标搜索区域。然后以目标的灰度统计特征对目标模板和候选区域进行匹配,确保跟踪准确性。为了有效减少搜索匹配次数、提高实时性,利用粒子群算法在搜索区域找到和目标模板最相似的区域,从而找到最优中心位置,并以该位置作为卡尔曼滤波的观测值,进行下一帧跟踪。仿真实验结果表明新算法显著提高了跟踪的实时性、精确性,并对部分遮挡能较好地处理。