基于粒子滤波的目标跟踪算法浅析

所做的工作是利用粒子滤波理论解决目标跟踪所面临的技术问题。首先介绍粒子滤波中的两种重要算法:贝叶斯理论和蒙特卡罗方法,接着在此基础上详细阐述基于粒子滤波的目标跟踪算法。     

基于改进粒子滤波算法的水下目标跟踪

针对常规粒子滤波算法粒子数目保持不变的问题,提出了一种可以自适应调整粒子数目的改进算法。该算法将KL距离(Kullback-Leibler Divergence,KLD)引入粒子滤波重采样过程,保证在一定的滤波精度下,可以有效地调整滤波过程中使用的粒子数目,从而实现了滤波过程中粒子数目的自适应。将该算法应用于纯方位水下目标跟踪,仿真结果表明,该方法有效地改善了滤波效果,计算量低,适合于实际应用。     

一类基于信息融合的粒子滤波跟踪算法

本文提出了一种基于图像多特征信息融合的粒子滤波跟踪算法.该算法利用颜色柱状图描述运动目标颜色分布信息,帧间差的梯度图像描述目标运动信息,并在柱状图框架下给出了运动目标颜色和运动似然模型,保证了颜色和运动似然模型在尺度上的统一.由于图像多特征提供了运动目标多方面的测量信息,从而提高了算法的可靠性.试验表明该算法在使用相同粒子数目的情况下较采用单一颜色特征的粒子滤波跟踪算法效果好.     

改进的粒子滤波目标跟踪算法

针对环境迁移、目标被遮挡或姿态变化较大时传统粒子滤波算法的鲁棒性不强的问题,提出一种改进的粒子滤波目标跟踪算法。建立目标模型时,将目标的HSV颜色特征和Uniform LBP纹理特征进行加权融合;粒子重采样过程中,采用加权随机采样方法,将粒子权值作为重采样的影响因子而非决定因子,以提升粒子多样性,降低粒子衰退对目标跟踪的影响;目标被干扰时,采用卡尔曼滤波对目标位置进行偏移校正,以获取目标正确位置;最后采用模板更新策略对目标模板进行实时更新。实验结果表明：相较于传统粒子滤波算法和CMT算法,本文算法对复杂环境中目标被遮挡和姿态变化的情况下都具有较好的鲁棒性。     

基于遗传算法的粒子滤波跟踪算法

针对粒子滤波跟踪算法中粒子多样性退化问题,将改进的遗传算法应用到粒子重采样中,改善了样本的多样性.在改进的遗传算法中,使用了多项式重采样进行优选复制;以特定区间的随机数做交换率进行样本交叉繁殖;使用了马尔可夫链蒙特卡罗移动加高斯白噪声做样本变异繁殖并使用快速MH 抽样算法选取样本.改进后的粒子滤波跟踪算法不但保持了较高的运算效率,而且还较好地提高了跟踪的稳定性.试验表明,改进后的粒子滤波跟踪算法目标跟踪更加稳定,目标定位更加准确.     

一种基于粒子滤波的特征融合跟踪算法

针对单纯的基于颜色的跟踪方法在复杂背景下会导致跟踪失败的问题,本文提出一种基于粒子滤波的特征融合跟踪算法。颜色直方图是对目标的全局描述,而方向梯度直方图包含了一定的结构信息,二者可以互为补充,因此本文算法同时用颜色直方图和方向梯度直方图来描述目标,在粒子滤波框架下将目标颜色和梯度信息有机结合,并自适应更新。实验表明,本文算法不仅提高了跟踪精度,而且具有较强的鲁棒性。     

基于多特征CamShift优化的粒子滤波跟踪

提出了一种将粒子滤波和CamShift相结合的多特征视觉跟踪方法.通过CamShift对粒子的位置和尺度同时进行优化,使得跟踪窗口能随着目标尺度的大小变化相应调整.同时采用自适应方式将颜色信息和运动信息在CamShift优化的粒子滤波框架下有效结合起来.该方法使用CamShift对粒子传播进行优化,每个粒子都收敛到目标附近,粒子的有效性得到提高.实验结果表明,使用10个粒子的CamShiit优化的粒子滤波的跟踪误差小于100个粒子的传统粒子滤波的跟踪误差.并且由于多特征的使用,目标在受到背景相似物体干扰和场景光线发生显著变化等情况下仍能实现稳定的跟踪.用较少的粒子就能实现稳定的跟踪,减少了计算代价,提高了跟踪的鲁棒性.     

基于遗传进化策略的粒子滤波视频目标跟踪

粒子退化问题是影响基于粒子滤波视觉跟踪性能的一个重要因素,为克服这种缺陷,本文将遗传进化策略引入粒子滤波跟踪算法,利用遗传算法的选择策略,根据预定的似然阈值迭代选择每代粒子中次优个体,然后对未选中的粒子实施交叉、变异操作以获得粒子的多样性,从而有效解决了粒子的退化问题.另外,针对跟踪中目标表观变化的问题,本文提出的跟踪算法采用了多模板自适应更新技术以确保跟踪的准确性.实验结果表明,本文提出的跟踪算法能有效地跟踪室内运动目标,并对光照变化、目标姿态变化具有良好的鲁棒性.     

多传感器多目标粒子滤波算法

为了能够有效解决非线性、非高斯环境中多传感器多目标跟踪问题,提出了一种基于粒子滤波的多传感器联合概率数据互联粒子滤波算法(MJPDAP)。该算法应用广义S-D分配的规则对每个传感器送来的观测数据进行排列组合以形成等效量测点,并计算所有等效量测点的联合似然函数。在此基础上,结合联合概率数据互联(JPDA)的思想计算各个粒子权值,以获得最终的跟踪结果。仿真结果表明,与单传感器联合概率数据互联粒子滤波算法(SJPDAP)相比,该算法位置跟踪精度能提高20m左右。     

基于在线学习的自适应粒子滤波视频目标跟踪

传统的粒子滤波视觉跟踪算法采用固定模型和大量粒子表征目标后验概率,不能满足复杂条件下的视频目标实时跟踪.为了提高跟踪的鲁棒性和稳定性及计算效率,本文提出将自适应状态演化方程和在线增量学习观测似然模型嵌入到粒子滤波算法;并采用在线自动调整粒子数目的策略,提高粒子滤波视觉跟踪的计算效率.室内外实验结果表明,文中提出的视觉跟踪算法不仅能准确、高效地跟踪序列图像中的运动目标,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.     

基于空间直方图的多目标粒子滤波跟踪

针对复杂场景中多目标跟踪问题,本文给出了目标的出现与消失、遮挡等模型描述,将其统一到粒子滤波的框架下,提出了一种可以处理目标数可变的多目标跟踪算法.对场景中的目标数建立马尔科夫模型,采用转移概率矩阵描述跟踪过程中目标出现,消失的情况;在状态表示中增加辅助变量,明确目标之间可能的遮挡;采用目标空间直方图建立基于唯一性原则的观测似然函数,通过后验概率分布估计目标数及目标状态.实验结果表明,本文算法能有效地处理跟踪过程中的目标数变化、目标遮挡等问题,实现多目标的正确跟踪.     

一种基于自适应特征选择的目标实时跟踪算法

针对传统的均值漂移算法,加入了自适应特征选择,提高了均值漂移算法在复杂场景中目标跟踪的鲁棒性.传统的均值漂移算法往往选择固定的一个或两个特征(比如颜色)对目标进行跟踪,当跟踪场景发生变化,容易跟踪失败.本文通过分析被跟踪目标特征与变化背景的区分度来确定最显著特征与次显著特征,从而选择出最有效的目标特征,实现复杂变化场景下的目标跟踪.一系列不同场景下的运动目标跟踪实验,证实了该算法的可靠性.     

一种基于运动检测的粒子滤波跟踪方法

针对传统粒子滤波的建议分布没有利用到当前观测信息的不足,本文提出了一种基于运动检测以改进建议分布的粒子滤波跟踪方法.该方法利用系统的状态转移密度分布,结合目标当前时刻的运动信息共同决定目标的先验分布.首先从一阶自回归的状态转移模型中生成部分粒子,然后采用单高斯背景建模进行局部运动检测,在检测到的运动区域中采样其余粒子,由此得到粒子的先验分布.用该方法分别对动态背景和存在完全遮挡情况下的运动目标进行跟踪,实验结果表明该方法有较高的跟踪精度和较强的稳定性.     

基于局部特征组合的目标跟踪算法

为了克服目前大多数观测模型在小样本空间中鲁棒性不高的弱点,文中在粒子滤波框架下提出基于局部特征组合的粒子滤波视频跟踪算法。局部特征能更有效描述目标模板细节信息,可降低特征匹配中目标形变、光照变化和部分遮挡的影响。该方法借鉴混合高斯模型思想,采用多模式描述有效局部观测信息,这种融合策略更加准确可靠,能够较好地通过最新观测减轻了粒子退化现象,从而提高目标跟踪效率。小样本空间一定程度上降低了粒子数量和计算代价。实验结果表明该算法相比单一特征或一般多特征融合跟踪算法具有优越性,并能实现复杂场景下的目标跟踪。     

结合颜色和结构信息的粒子滤波跟踪算法

单纯依靠颜色信息往往使得目标跟踪不稳定.为了在复杂背景和光照变化等干扰情况下,能够准确地跟踪到感兴趣的目标,本文提出了将颜色和结构信息相结合的方法.该方法在基于颜色直方图的粒子滤波跟踪框架中,利用目标的灰度图像建立结构模型,通过结构相似性质量因子衡量目标在两帧图像之间的相似性.实验表明,该算法在使用相同粒子数目的情况下较传统的基于颜色直方图的粒子滤波跟踪算法鲁棒性更高,可以用于特定场合可疑目标的跟踪.