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.     

基于子空间自适应学习的粒子滤波跟踪算法

为了提高目标外观迅速变化时视觉跟踪算法的鲁棒性,提出了一种基于自适应子空间学习的粒子滤波跟踪算法。在粒子滤波构架下,建立状态判决机制,根据判决结果并结合主成分分析(PCA)子空间与正交子空间的特点,选择合适的学习方法。这样既能准确、稳定地学习到目标的低维子空间,又能迅速地学习到目标外观变化的趋势。同时,加入鲁棒估计技术处理遮挡问题,避免了对目标状态估计的影响。实验结果表明,该算法在光照变化、姿态变化、遮挡的情况下,均具有较强的鲁棒性。     

基于自适应粒子滤波的无人机目标跟踪算法研究

随着人工智能技术的发展以及数字图像处理技术的应用日渐普及,目标跟踪成为国内外学者的研究热点,该文针对无人机目标跟踪易受遮挡、形变、等复杂背景的干扰导致跟踪失败等问题提出一种基于自适应的粒子滤波的无人机目标跟踪算法。实验结果表明,该算法能有效地减少因复杂因素干扰导致的目标跟踪精度下降的问题,具有良好的鲁棒性。     

目标跟踪的自适应双重采样粒子滤波算法

针对传统粒子滤波存在的粒子退化、贫化问题及粒子集个数不能自适应改变带来的滤波精度和收敛速度下降的问题,提出一种基于双重采样的自适应粒子滤波算法。该算法首先利用观测新息来确定重采样粒子分布方案,然后在首次重采样基础上,采用粒子交又聚合算法进行二次重采样,提高了粒子的使用效率,避免了由于使用过多粒子而增加计算量的问题。基于DR/GPS的实验仿真结果表明,与传统的PF算法相比,该算法有效提高了滤波精度和稳定性。     

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KLD采样的自适应粒子滤波目标跟踪算法

标准粒子滤波算法用于无线传感器网络运动目标跟踪时,非高斯噪声环境会降低其跟踪精度和计算效率。针对该问题,结合多传感器测量模型和Kullback-Leibler距离(KLD)采样方法,提出一种自适应粒子滤波算法。在满足预设阈值条件时,引入补偿函数对重要性概率密度函数(IPDF)进行迭代更新,同时利用具有自适应退火参数的模拟退火算法使粒子快速接近高似然区域。在此基础上,结合KLD采样动态调整粒子规模,在保证跟踪精度的同时减少运算量。仿真结果表明,与KLD-PF算法相比,该算法的IPDF分布接近真实后验概率密度分布,跟踪精度较高,能够在不同参数的非高斯噪声下进行有效跟踪。     

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.     

基于自适应粒子滤波的跳水运动视频跟踪算法

用传统粒子滤波算法对跳水运动视频跟踪存在两个突出问题:观测模型不能适应运动员身体的表观变化;运动模型不能准确预测运动员位置的快速改变。针对这两个问题,本文提出一种自适应粒子滤波算法。该算法在粒子滤波框架下引入一种自适应观测模型,并且根据跟踪误差与运动员动作改变幅度的大小,自适应选择噪声方差和粒子数量。实验结果表明,本文算法比传统粒子滤波算法具有更低的跟踪误差率,而且在运动员动作改变幅度变大时有更好的鲁棒性。     

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.     

基于反向预测卡尔曼滤波自适应算法研究

标准卡尔曼滤波算法对系统的数学模型和噪声统计特性进行了假设,当该假设与实际的模型不匹配时容易造成滤波误差较大甚至滤波发散。提出基于反向预测卡尔曼滤波自适应算法,通过比较原始预测状态归一化新息平方和反向预测状态归一化新息平方,当比值大于设定阈值时在线进行过程噪声调整,从而修正预测状态。雷达目标跟踪仿真研究结果表明,该算法对目标机动和过程噪声增大有较强的自适应性,能够提高滤波精度和鲁棒性。     

基于混合观测模型的粒子滤波跟踪算法

为了提高目标外观迅速变化时视觉跟踪算法的鲁棒性,提出了一种基于混合观测模型的粒子滤波跟踪算法。在粒子滤波构架下,使用加权核直方图模型结合mean shift算法对粒子进行初定位,通过正交子空间模型作为精确的观测模型,估计目标的最终状态。这样既能迅速地学习到目标外观变化的趋势,又避免了使用正交子空间而产生的跟踪漂移。实验结果表明,该算法在光照变化、姿态变化、遮挡的情况下,均具有较强的鲁棒性。     

自适应多特征融合相关滤波目标跟踪

目的 针对现实场景中跟踪目标背景复杂、光照变化、快速运动、旋转等问题,提出自适应多特征融合的相关滤波跟踪算法。方法 提取目标的HOG（histogram of oriented gradients）特征和利用卷积神经网络提取高、低层卷积特征,借助一种自适应阈值分割方法评估每种特征的有效性,得到特征融合的权重比。根据权重系数融合每种特征的响应图,并据此得到目标的新估计位置,利用尺度相关滤波器计算目标尺度,得到目标尺度完成跟踪。结果 在OTB（object tracking benchmark）-2013公开数据集上进行实验,在对多特征融合进行分析的基础上,测试了本文算法在11种不同属性下的跟踪性能,并与当前流行的7种算法进行对比分析。结果表明,本文算法的成功率和精确度均排名第1,相较于基准算法DSST （discriminative scale space tracking）跟踪精确度提高了4%,成功率提高了6%。在复杂场景下比其他主流算法更具有鲁棒性。结论 本文算法以DSST相关滤波跟踪器为基准算法,借助自适应阈值分割方法评估每种特征的有效性,自适应融合两层卷积特征和HOG特征,使得判别性越强的单一特征融合权重越大,较好表达了目标的外观模型,在背景复杂、目标消失、光照变化、快速运动、旋转等场景下表现出较强的跟踪准确性。     

基于Sigmoid惯性权重自适应调整的粒子群优化算法*

提出了种群进化速度和种群聚合度两个概念,并讨论了在全局收敛过程中惯性权重与两者之间的关系;考虑Sigmoid函数在线性与非线性之间呈现的平滑过渡性,从种群进化速度和种群聚合度两方面出发,提出了基于Sigmoid函数的惯性权重自适应调整方法。通过三个典型的多峰函数,将提出的算法(AS-PSO)与标准粒子群优化算法(SPSO)和基于Sigmoid函数的粒子群优化算法(S-PSO)进行了仿真分析比较,结果表明,AS-PSO算法相比其他两种算法,全局寻优能力更强,在一定程度上解决了收敛性能与全局寻优能力之间的矛盾。     

基于粒子滤波的机动目标跟踪

在单机动目标跟踪中,目标的机动情况是未知的,提出的算法用粒子滤波器求加速度的估计,由Kalman滤波得到加速度的重要性概率密度函数。仿真实验结果表明,该算法可较好地跟踪目标状态（包括加速度）的变化。     

基于边缘直方图的粒子滤波跟踪算法及其实现

以颜色直方图为特征的运动目标跟踪算法容易受到光线变化及视场内其它同色目标的干扰.采用运动目标的边缘方向直方图作为特征,利用序列重要性采样原理和粒子滤波算法实现了对人体运动目标的跟踪.实验显示了该算法在光线变化及存在同色目标干扰时能够有效跟踪目标.在算法实现过程中,采用积分图计算边缘方向直方图,减少了计算时间,提高了计算速度,达到了实时跟踪的效果.     

基于微粒群算法的自适应IIR滤波器的优化设计

针对自适应IIR滤波器潜在的不稳定性和性能指标函数容易陷入局部极小点而导致性能下降等问题,用一种新的优化算法-微粒群算法来对自适应IIR滤波器进行优化设计,它不依赖于梯度信息,能够有效地实现自适应IIR滤波器参数的全局寻优,仿真结果表明用微粒群算法进行参数寻优优于遗传算法,不仅解决了自适应滤波器性能指标函数容易陷入局部极小点的问题,也解决了稳定性问题。     

一种结合人工免疫的粒子滤波目标跟踪算法

针对传统的粒子滤波跟踪算法存在粒子退化的问题,提出了一种结合人工免疫的粒子滤波跟踪算法。该方法利用免疫学原理,将目标模板特征作为抗原,每个粒子对应区域的特征作为抗体,匹配问题转化为抗原和抗体的亲和力问题,通过克隆的方式保留亲和力大的抗体,采用变异的手段去除亲和力小的抗体,从而使结果快速收敛于全局最优解。抗体的多样性有效解决了传统粒子滤波的退化问题。将该方法应用到目标跟踪技术中,仿真结果表明,粒子集的有效样本得到了明显的提高。     

一种自适应免疫优化的无迹粒子滤波器

针对无迹粒子滤波（UPF）在较偏观测时的退化现象及重采样带来的粒子枯竭问题,提出一种自适应免疫优化的无迹粒子滤波算法（AIO-UPF）。该算法在重采样过程中,利用免疫算法在亲和度与浓度调节机制下的全局寻优能力和多样性特征,通过引入自适应阈值因子δ的Metropolis准则,使得粒子集能够有效地分布于高似然区域,提高了粒子的多样性和有效性,从而较好地抑制了在较偏观测时的粒子退化问题。仿真结果表明,AIO-UPF的性能优于传统UPF及标准粒子滤波,在状态估计精度上比传统UPF提高了27%左右。