排序方式: 共有18条查询结果,搜索用时 15 毫秒
11.
粒子滤波算法在非线性目标跟踪系统中的应用 总被引:5,自引:0,他引:5
提出了一种基于贝叶斯理论及蒙特卡罗仿真的粒子滤波算法.该算法通过非参数化的蒙特卡罗(Monte Carlo)模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型以及传统的卡尔曼滤波表示的非线性系统,精度可以逼近最优估计.给出了算法的理论依据及整个跟踪过程的框架,并通过仿真试验对算法进行了验证.与传统的目标跟踪算法相比,本算法不仅能实现对目标的稳定、准确跟踪,将跟踪精度提高到90%以上,并且,当受到严重遮挡而发生目标丢失时,该算法仍然能够在10帧内重新捕获目标.实验结果证明,算法对于部分遮挡等复杂的非线性、非高斯情况具有良好的跟踪性能. 相似文献
12.
传统卷积神经网络(CNN)只适用于灰度图像或彩色图像分通道的特征提取,忽视了通道间的空间依赖性,破坏了真实环境的颜色特征,从而影响人体行为识别的准确率。为了解决上述问题,提出一种基于四元数时空卷积神经网络(QST-CNN)的人体行为识别方法。首先,采用码本算法预处理样本集所有图像,提取图像中人体运动的关键区域;然后将彩色图像的四元数矩阵形式作为网络的输入,并将CNN的空间卷积层扩展为四元数空间卷积层,将彩色图像的红、绿、蓝通道看作一个整体进行动作空间特征的提取,并在时间卷积层提取相邻帧的动态信息;最后,比较QST-CNN、灰度单通道CNN(Gray-CNN)和RGB 3通道CNN(3Channel-CNN)3种方法的识别率。实验结果表明,所提方法优于其他流行方法,在Weizmann和UCF sports数据集分别取得了85.34%和80.2%的识别率。 相似文献
13.
提出了一种改进粒子滤波跟踪算法EMPF(expectation-maximization particle filter)。针对传统粒子滤波存在的动态模型的不确定问题,将EM算法与粒子滤波算法有效结合,将运动模型的参数作为待估量,采用EM算法来确定目标的运动模型参数,从而获得对目标状态的较准确估计。实验结果表明,当目标做复杂的转弯运动时,该算法能够显著地提高对目标运动状态的预测精度。 相似文献
14.
15.
基于改进的尺度不变特征变换特征点匹配的电子稳像算法 总被引:2,自引:0,他引:2
针对传统尺度不变特征变换(SIFT)算法运算量大的问题,提出了一种改进的SIFT特征点匹配算法。首先介绍了SIFT特征向量的提取过程,并对算法进行了改进,在单尺度空间内提取目标的关键点,并形成34维特征向量,来代替传统SIFT算法生成的128维特征向量,使算法的实时性得到较大的提高,同时又保持了配准精度,最后将提出的改进SIFT特征应用于电子稳像中的全局运动估计中,并通过实验验证了算法的性能。 相似文献
16.
为了解决视频目标跟踪中的遮挡问题,本文提出了一种新的目标局部形状特征——仿射不变三角形来对目标进行描述,所提取的仿射不变三角形特征具有平移、旋转和尺度不变的特性,在各种异常情况下仍然能够稳定地表征目标。本文采用仿射不变三角形特征量来进行有效的遮挡状态的判断,并将目标未被遮挡部分的局部形状特征量与运动预测结合起来进行基于模板的匹配跟踪,能够避免遮挡所导致的目标外观数据改变而引起的目标运动状态计算的错误,以解决目标在跟踪中的遮挡问题。实验结果证明,本文提出的局部形状特征能够比较准确地判断目标的遮挡状态,并且能够有效地提高跟踪算法的准确性和稳定性。 相似文献
17.
针对Hough变换计算量较大,不能满足工程实时性要求的问题,提出了一种改进的、非Hough变换的孔径几何参数检测算法.首先对图像进行一步区域分割,分割出我们感兴趣的区域;其次为了提高结果的精度,使检测结果接近亚像素级,采取一步中值滤波的过程,将噪声滤掉,提取出相对干净的图像:然后再使用Gauss-Laplace过程进行边缘提取,得到较为准确的图像边缘信息;最后采用最小二乘拟合法,拟合出孔径的边缘,以此求出孔径的各项几何参数.实验结果表明:该算法具有精度高、速度快的优点,能够满足工程中实时检测孔径参数的要求. 相似文献
18.
针对目前Kinect传感器人工标定方法误差大、速度慢等问题,提出一种自动、快速的Kinect传感器外参标定方法。首先,根据彩色图像提取的角点,生成彩色图像的角点集合;其次,为了实现角点点云的自动提取,对点云图像进行深度分割,提取棋盘格点云,采用三维哈夫(Hough)变换检测方法将棋盘格点云投影到深度图像的模板平面上,在深度图像模板中提取深度图像中的角点;然后,将深度图像中的角点映射到棋盘格点云中,形成角点点云;最后,将角点点云与彩色图像的角点集合进行配准,得到角点的3D空间坐标,进而计算出深度相机到彩色相机的姿态变换矩阵。实验结果表明,本文提出的算法在保证相机标定精度的前提下,将相机参数的计算时间从平均218ms降低到166ms,实现了自动、快速的Kinect相机标定。 相似文献