基于萤火虫优化粒子滤波的新型机动目标跟踪算法

交互式多模型粒子滤波算法需要多个模型才能对强机动目标进行跟踪,并且粒子滤波的重采样会导致粒子贫化现象,针对该问题提出一种新型机动目标跟踪方法.该方法首先将萤火虫群体的吸引和移动机制引入粒子滤波;再将改进粒子滤波引入交互式多模型中,通过智能寻优的方式提高交互式多模型的跟踪精度和稳定性.实验结果表明,相对于IMM-PF,改进方法可以用更少的时间达到同等精度,提高了机动目标跟踪的效率.     

萤火虫算法智能优化粒子滤波

针对粒子滤波(Particle filter, PF)重采样导致的粒子贫化以及需要大量粒子才能进行状态估计的问题,本文结合粒子滤波的运行机制,对萤火虫算法的寻优方式进行修正,设计了新的萤火虫位置更新公式和荧光亮度计算公式,并在此基础上提出了萤火虫算法智能优化粒子滤波.该方法引入了萤火虫群体的优胜劣汰机制以及萤火虫个体的吸引和移动的行为,使粒子群智能地向高似然区域移动,提高了粒子群的整体质量.实验表明该方法提高了粒子滤波的预测精度,同时大大降低了状态值预测所需的粒子数量.     

基于自适应粒子群优化的新型粒子滤波在目标跟踪中的应用

针对基于粒子群优化的粒子滤波(PSO-PF)算法精度不高,实时性差,难以满足雷达机动目标跟踪的需求,提出一种基于动态邻域自适应粒子群优化的粒子滤波(DPSO-PF)算法.该算法可以动态调整粒子邻域环境,其中每个粒子按照邻域的环境和自身的位置信息自适应地调整相互间的邻域粒子数量,使邻域粒子数量更为合理,达到寻优能力与收敛速度的最佳平衡.最后利用不同模型对该算法进行了仿真实验,实验结果表明所提出的算法能够提高雷达机动目标跟踪的实时性和精确性.     

基于二值掩码图像的粒子滤波目标跟踪快速算法

粒子滤波算法是进行运动目标跟踪的一种重要方法。针对传统粒子滤波算法在进行目标跟踪时存在的计算量大、实时性不足的问题,提出一种基于二值掩码图像的粒子滤波目标跟踪快速算法。该算法在传统粒子滤波算法的每个帧处理阶段产生二值掩码图像,再结合权重选择方法移除背景中权重较小的粒子,保留权重较大的重要粒子。提出的算法可以有效减少参与计算的粒子数目,节约算法的计算成本,从而提高目标跟踪的实时性。与传统粒子滤波算法进行比较,实验结果表明,提出的算法不仅能够有效地提高跟踪速度,而且跟踪结果的准确性和鲁棒性也有所增强。     

基于自适应状态转移的混合跟踪算法

为提高粒子滤波视觉目标跟踪算法的准确性和实时性,提出一种基于自适应状态转移的混合跟踪算法。首先采用零阶自适应变化模型来获取目标的可能状态,然后利用均值漂移算法的局部优化特性找到后验概率的最大值。在多峰值情况下由粒子滤波随机产生粒子,用新的粒子集来确定目标的最终位置。实验结果表明,这种改进的算法在保证准确性的同时,降低了系统的计算时间。     

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。     

空间信息码本和粒子滤波相结合目标跟踪算法

针对粒子滤波跟踪过程中容易积累误差引起跟踪失败的问题,提出一种基于空间信息码本背景建模的粒子滤波跟踪算法。首先,在码本背景建模过程中将目标像素码本和周围8邻域像素码本进行融合,克服背景噪声干扰得到精确的前景目标;然后提取前景区域的核函数加权颜色特征作为粒子滤波初始状态先验分布。同时在重采样过程中引入位置信息加权改进。实验结果表明,该算法减少了粒子发散引起的采样误差,且能够在复杂背景下对目标进行有效跟踪,在实时性和准确性上优于标准粒子滤波算法。     

基于均值移动与粒子滤波融合的跟踪算法

针对均值移动算法鲁棒性差以及粒子滤波算法计算量大、难以满足实时跟踪的特点,提出2种先均值移动后粒子滤波的融合算法,分别为粒子数目保持恒定的融合算法和粒子数目自适应的融合算法。实验结果证明,与已有算法相比,2种算法在实时性提高的同时,跟踪准确性和抗干扰能力没有明显下降。     

基于颜色和方向梯度特征融合的粒子滤波跟踪算法

提出基于均值偏移的粒子滤波算法。该算法融合了颜色特征和方向梯度特征对人体行为实施跟踪。HSV颜色模型采用带宽自适应的改进策略,有效地实现了对尺度变化目标的跟踪;方向梯度特征的融合,提高了算法在复杂环境中应对光线变化和相似目标遮挡等情况的适应性。针对粒子退化问题,在特征融合的粒子滤波基础上引入具有聚类作用的Mean Shift算法,从而可以用较少数量的粒子达到较好的跟踪效果。仿真实验表明,该算法具有较好的准确性、鲁棒性与实时性。     

基于Mean-Shift的卡尔曼粒子滤波车辆跟踪算法研究

在视频车辆跟踪算法中针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不准确性,提出一种基于Mean-Shift的卡尔曼(Kalman)粒子滤波算法。该算法利用建立基于目标颜色直方图特征模型对视频车辆目标进行建模,并将其与Kalman滤波相结合进行更新;通过采用Mean Shift算法将Kalman滤波器引用到粒子滤波器当中,通过预测迭代,从而达到对车辆的运行轨迹的修正。将先验信息预测与粒子滤波相结合在保持跟踪系统整体上的非线性、非高斯性,兼顾了卡尔曼滤波局部的线性高斯特性。实验结果表明,该方法与传统粒子滤波方法相比,具有较好的实时性和较高的准确率,能够准确稳定地对目标车辆进行跟踪。     

基于弹性机制的萤火虫优化粒子滤波算法

针对标准粒子滤波重采样导致的粒子贫化问题,提出一种基于弹性机制的萤火虫优化粒子滤波算法.首先,利用萤火虫算法的吸引和移动机制,设计最优粒子引导粒子群体朝高似然区域移动的粒子运动控制策略;然后,评估粒子实时分布情况,根据每次迭代的高似然区域粒子占比值自适应控制粒子的优化强度;最后,检测最优粒子周围的粒子密度,引入弹簧的弹性机制,根据粒子密集度对判断区域内的粒子进行位置调整,使得粒子分布更加合理,提高粒子滤波的精度.实验结果表明,在粒子数目较少的情况下,改进算法滤波精度较标准粒子滤波提高12%sim25%;在同等滤波精度需求下,改进算法的运算时间比标准粒子滤波的运算时间减少20%sim30%,改进算法的综合性能更优.     

基于自适应蝙蝠粒子滤波算法的WSN目标跟踪

为了解决粒子滤波(PF)的无线传感器目标跟踪中样本贫化导致的精度较低的问题,提出了自适应蝙蝠粒子滤波的WSN目标跟踪方法。通过自适应的蝙蝠算法的滤波算法优化粒子重采样过程,结合最新的观测值定义粒子的适应度函数,引导粒子整体上向较高的随机区域移动。同时利用动态自适应惯性权重探索新的粒子位置更新为设计机制,引入动态适应惯性权重值, 有效调整全局探索和局部探索适应能力、改善粒子贫化和局部极值问题,增加粒子群多样化从而提高跟踪性能。实验结果表明,自适应蝙蝠粒子滤波算法重采样方法可以防止粒子的退化,增加粒子的多样性,减少跟踪误差,可以减少算法的运行时间,实时追踪性能大幅提高。与BA-PF算法和PF算法相比较,IBAPF 算法的计算时间是最短的,IBA-PF算法的位置和速度的平均平方根误差最小(位置0.0311、0.0202、速度0.0262、0.0101),PF算法的跟踪精度是最低的,而IBA-PF跟踪精度较高,IBA-PF算法被证明具有良好的跟踪性能。     

基于改进布谷鸟粒子滤波算法的WSN目标跟踪

为了解决粒子滤波(PF)的无线传感器目标跟踪中样本贫化导致的精度较低的问题,提出了改进布谷鸟粒子滤波的WSN目标跟踪方法。通过改进布谷鸟算法的滤波算法取代粒子滤波重采样过程,主要通过改进布谷鸟算法中的搜索步长值 和发现外来鸟卵的物种的概率 的自适应调节,同时在步长更新方程中实时引入函数值的变化趋势,引导粒子整体上向较高的随机区域移动, 有效调整全局探索和局部探索适应能力、改善粒子贫化和局部极值问题,增加粒子群多样化从而提高跟踪性能。实验结果表明,改进布谷鸟粒子滤波算法重采样方法可以防止粒子的退化,增加粒子的多样性,减少跟踪误差,可以减少算法的运行时间,实时追踪性能大幅提高。与CS-PF算法和PF算法相比较,ICS-PF 算法的计算时间是最短的,ICS-PF算法的位置和速度的平均平方根误差最小(位置0.0306、0.0213、速度0.0253、0.0102),PF算法的跟踪精度是最低的,而ICS-PF跟踪精度较高,ICS-PF算法被证明具有良好的跟踪性能。     

基于Mean Shift和自适应预测的非刚性目标跟踪算法

传统Ｍｅａｎ Ｓｈｉｆｔ跟踪算法在目标发生机动或存在遮挡的情况下跟踪效果不理想．对此,结合目标的形状特征和颜色的可区分度对传统的颜色直方图进行改进,给出了将Ｍｅａｎ Ｓｈｉｆｔ和卡尔曼滤波器或粒子滤波器相结合的目标运动自适应跟踪算法,并针对粒子滤波器计算量大的问题,给出了运用两种不同运动式粒子进行有效预测的方法．结果表明,该算法可实现快速的非刚性目标跟踪,对目标的不规则运动和严重遮挡具有很好的鲁棒性．     

基于快速MH变异的遗传粒子滤波的WSN目标跟踪

基于快速MH(Metropolis-Hastings)变异的遗传粒子滤波跟踪算法,提出在遗传粒子滤波算法上,加入遗传进化思想,利用快速移动粒子交叉次数和变异算子,同时与赌轮选择一起产生了一种新的遗传算法,更快地提取到反映目标概率特征的典型粒子;实验证明,基于快速MH变异的遗传重采样方法可以避免粒子退化,快速提高粒子的多样性,减小跟踪误差,减少算法的运行时间,实时跟踪性能得到了大大提高;全面比较后,MHGAPF算法计算时间最短.跟踪精度用均方根误差表示,与GAPF算法和PF算法相比较,MHGAPF算法位置和算法速度的中均方根误差最低(位置为0.031 3,0.027 0,速度0.020 21,0.010 2),其中PF算法的跟踪精度最低,MHGAPF跟踪精度最高,进一步表明MHGAPF算法具有良好的跟踪性能.     

基于仿生算法改进粒子滤波的SLAM算法精度预测

为解决传统粒子滤波算法重采样时产生的样本退化及样本贫乏带来的机器人定位与建图精度下降问题,提出一种基于改进仿生算法的粒子滤波.该算法将粒子最新时刻的观测与状态信息引入亮度公式,并将萤火虫的优胜劣汰和位置更新机制融入粒子滤波算法,以提高粒子的滤波能力.为保证算法的收敛速度和预测精度,在萤火虫位置更新过程中引入自适应调整步长进行即时修正;基于标准粒子滤波重采样的缺陷,采取分步重采样策略,通过偏差修正指数加权算法制定高效的舍小保大方案,并合理使用剩余大权值粒子完成粒子的复制和添加.仿真验证表明,所提出的改进算法可以明显提高传统粒子滤波的预测精度,且应用到基于移动机器人运动模型的定位与建图时可保持较高的定位精度和较好的稳定性.