改进粒子滤波算法在目标跟踪中的应用实现

针对移动目标跟踪的非线性、非高斯的特点,本文系统介绍了基于ARMll的嵌入式设备进行移动目标跟踪的应用实现.核心应用算法使用改进的粒子滤波算法,其中粒子滤波算法的改进采用对粒子加权以及重新采样,以克服样本贫化现象和区分粒子的重要性程度.然后闸述了将粒子滤波算法移植到嵌入式设备以实现移动目标跟踪的应用需要.     

WMSN目标跟踪的改进粒子滤波算法

分析了无线移动传感器网络中目标的跟踪原理,研究了基本粒子滤波算法的主要技术。对基本粒子滤波的重要性函数和重采样技术进行改进后,给出了一种提高基本粒子滤波算法跟踪精度的方法。通过仿真比较可以看出改进粒子滤波算法有较好的跟踪精度。在无线移动传感器网络中强调跟踪精度的场合,改进的粒子滤波算法会有更好的跟踪效果。     

粒子滤波在无线传感器网络目标跟踪中的应用

将粒子滤波（PF）算法应用于无线传感器网络（WSNS）的目标跟踪,并给出了粒子滤波实现的具体步骤。动态组织传感器网络节点成簇,实现了对网络中做匀速直线运动的单个目标的跟踪。分别采用扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）和PF算法进行了仿真试验。结果表明,在无线传感器网络目标跟踪领域,PF算法比EKF算法、UKF算法的滤波精度更高,性能更好,并且在实际应用中,由于该算法能够有效解决非线性、非高斯环境中的目标跟踪问题,实现简单而增强了可用性。     

RBPF粒子滤波在目标跟踪中的应用研究

针对雷达目标跟踪中的某一类非线性问题,传统处理方法都是先行线性化再进行处理,但当线性化后的测量噪声相关性较大时则无法满足要求。为此,应用RBPF粒子滤波进行研究。在仿真实验中对RBPF多权值的情况进行探讨,提出一种可行的处理方法。对RBPF在噪声相关性较大时的性能进行分析,并讨论其在时间推移时的相对估计误差变化情况。     

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.     

改进粒子滤波的无线传感器网络目标跟踪算法

针对粒子滤波(PF)重采样后造成的粒子枯竭现象的问题,提出了一种基于改进重采样的粒子滤波无线传感器网络目标跟踪算法.该算法避免了残差重采样算法中的残留粒子重采样问题,减少了计算时间;通过产生新的粒子,增加了粒子的多样性,从而改善了粒子枯竭现象.仿真实验结果表明:改进重采样的粒子滤波算法提高了目标跟踪精度,降低了跟踪误差.     

基于粒子滤波的分布式目标跟踪算法

根据无线传感器网络分布式目标跟踪的特性,提出一种改进粒子滤波算法。将簇内各节点最新的观测数据用极大似然估计法得到目标的状态信息,该信息作为参考分布更换粒子滤波部分粒子,引入模糊推理的数据融合方法为各个节点滤波结果分配不同权值,通过加权平均法得到目标的状态信息。仿真实验表明该算法能有效提高目标跟踪的精度。     

一种改进的粒子滤波目标跟踪算法*

传统的Condensation跟踪算法使用状态转移分布作为采样粒子的建议分布函数,没有考虑当前的观测值,大量的粒子运算浪费在了那些具有小似然性的区域。针对该问题,提出一种基于Mean Shift以改进建议分布函数的粒子滤波跟踪方法。实验表明,由于有效地利用了当前观测值,改进的算法具有较强的鲁棒性和实时性。     

基于改进的粒子滤波算法的目标跟踪

将均值漂移算法与粒子滤波有效结合,通过比较粒子的权重,对粒子进行重采样,剔除大量的权重小的粒子,再加入均值漂移算法对粒子进行聚类,使用很少的粒子就能完全描述目标的状态信息,克服了粒子滤波计算量大的缺点,在实时监控中大大提高了跟踪效率。实验证明,该算法具有较好的实时性、鲁棒性和准确性。     

粒子滤波目标跟踪算法综述

随着人工智能科学的发展,目标跟踪成为中外学者研究的热点,近年来很多目标跟踪算法相继被提出,其中,经典的卡尔曼滤波算法常被用于目标跟踪领域。然而,在实际情况中,目标跟踪过程常涉及到非线性非高斯问题,由于粒子滤波算法在非线性非高斯系统中有较好的性能,因此将其引入目标跟踪研究领域。针对粒子滤波算法存在的跟踪精度差、实时性不高等问题,近年来国内外学者提出很多改进方法。从特征融合、算法融合和自适应粒子滤波三个方面介绍了相关改进方法的基本思想,展望了粒子滤波算法在目标跟踪领域的发展方向。     

改进的多特征粒子滤波目标跟踪算法研究

针对在复杂环境下多特征融合的粒子滤波算法跟踪精确度低的问题,提出一种改进的多特征融合算法;该算法采用二阶中心差分卡尔曼滤波方法来实现建议分布函数的优化,在重要性采样中融入最新的测量信息,提高了粒子的使用效率,并引入动态模板更新机制对目标模板实时更新;在多特征融合策略上利用基于粒子滤波框架下的EM算法适用于不同数量样本集的特点求解状态估计,不仅避免因计算特征权重产生误差,而且提高了算法的实时性;滤波器仿真实验结果表明,在一维非线性模型下对比其它改进粒子滤波算法,本文提出的方法性能最优;在基于视频序列的目标跟踪实验中,通过比较本文算法在不同特征、不同采样粒子数量条件下的性能对比验证本文算法的有效性;最后通过一系列不同环境下的跟踪实验证明,本文算法对复杂条件下的目标跟踪具有较高的精度和鲁棒性。     

一种改进的粒子滤波算法及其在说话人跟踪中的应用

针对非线性、非高斯系统状态的在线估计问题,提出一种改进的粒子滤波算法,该算法综合考虑"优选建议分布函数"和"重采样"两种并行改进滤波性能的方法.首先通过Unscented卡尔曼滤波器产生系统的状态估计,并在协方差预测阶段引入衰减记忆因子,消弱滤波器对历史信息的依赖,增强当前量测信息对滤波器的修正作用,从而产生一个优选的建议分布函数,有效抑制了粒子退化现象;接着在重采样阶段引入MCMC(Markov Chain Monte Carlo)方法来构造马尔科夫链产生服从目标分布的粒子,使样本更加多样化,有效避免了粒子枯竭问题.最后,通过系统仿真及说话人跟踪实验,证明了该算法的有效性.     

一种改进的粒子滤波跟踪算法

传统粒子滤波跟踪算法的退化现象和巨大的计算量不利于其应用,尤其在实时性要求较高的视频监控场合。引入均值漂移算法进行粒子的采样调整,采用积分直方图加快每个粒子的直方图计算速度,以改进传统粒子滤波跟踪算法的速度和跟踪效果,满足实时跟踪需要。实验结果证明了改进算法的有效性。     

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。     

一种基于改进粒子滤波的运动目标跟踪

基于传统粒子滤波的运动目标跟踪方法中存在重要密度函数选择困难、缺乏通用性、重采样设计难度大、粒子退化现象难以有效解决等问题。因此提出了一种改进的粒子滤波运动目标跟踪方法,该方法采用人工鱼群算法改进重要密度函数,通过粒子间的不断交互及协调行为,使其状态接近后验分布,从而提高重要密度函数的通用性。在此基础上,结合人工免疫算法的免疫算子改进重采样,平衡粒子群的收敛性和多样性,抑制早熟现象。实验结果表明,与传统粒子滤波算法相比,该方法通过参数调节,提高了运动目标跟踪的准确性和抗干扰能力,并能有效地抑制粒子退化现象。     

一种用于目标跟踪的改进粒子滤波算法

为解决目标跟踪中粒子滤波算法的估计精度、粒子退化问题,提出一种改进的粒子滤波算法。在粒子滤波的基础上,利用UKF生成粒子滤波的建议分布,以改善滤波效果,在无味粒子滤波的基础上,融合典型的MCMC抽样算法,减少传统算法未考虑当前量测对状态的估计作用所带来的影响,增加采样粒子多样化。将该算法应用于具有非线性、非高斯特点的目标跟踪问题中,仿真结果表明,与普通的粒子滤波算法相比,其跟踪精度和滤波效果有较大提高。     

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。     

基于目标跟踪的粒子群粒子滤波算法研究

针对粒子滤波方法在重采样阶段容易造成样本有效性和多样性的损失,导致了样本贫化问题,提出了一种改进的粒子滤波算法.算法将粒子群优化思想引入粒子滤波中,在粒子采样过程前先利用粒子群算法进行优化.粒子群算法将最新观测值融合到粒子进化公式中,大部分粒子经过粒子群优化后,朝着后验概率分布比较密集的区域运动,聚集在最优粒子附近,使粒子的权值被提高,避免了在重新采样过程中被舍弃,进而缓解了样本被贫化问题.目标跟踪系统中的位置估计由于物体运动具有突然性,很难准确估计.采用非线性目标跟踪模型和分时恒定值模型分别研究改进粒子滤波算法对误差均方值的影响.仿真结果表明改进算法与常规粒子滤波算法和扩展卡曼滤波算法相比,更加有效地降低变量的误差均方值,从而提高了滤波性能.