基于目标跟踪的粒子滤波重采样算法研究

传统粒子滤波（PF）中,重采样步骤里存在着粒子的＂平均化＂现象,导致粒子本身概率大小的因素被忽略,没有充分利用粒子集所包含的信息。通过改进抛弃小权值粒子的原则,以及充分利用粒子权值大小所代表的意义来进行粒子复制的两点进行算法改进,采用一维非线性目标跟踪模型和新的二维动态跟踪模型分别研究改进PF算法对于平均RMSE的影响。通过仿真,证明了改进后的算法可以显著降低变量的平均RMSE,特别是在二位动态跟踪模型中,使位置坐标和速度两种变量的平均均方根误差（RMSE）都有所改善,从而提高了滤波性能。     

邻域迭代重采样粒子滤波的纯方位目标跟踪

为了解决粒子滤波的非线性全局优化问题,基于重采样的思想是移除权重小的粒子,增加权重大的粒子数量,提出利用邻域搜索重采样的粒子滤波（NIRPF）进行目标跟踪。首先,预测粒子,并利用重要序列采样（SIS）给粒子赋权值;然后,在搜索后验概率密度的高概率区过程,更新单个粒子位置,利用高斯-邻域搜索迭代地加权所有粒子;最后,进行当前状态的估计。纯方位目标跟踪问题涉及两个静态观察器和非机动和机动两类目标。蒙特卡罗仿真结果验证了提出方法的有效性,与均方根容积卡尔曼滤波、容积粒子滤波和随机搜索的粒子滤波相比,提出的方法拥有更快的初始收敛速度,非机动目标和机动目标的根均方误差（RMSE）和时间根均方差（RTAMS）的评估更优。     

一种基于改进重采样的粒子滤波算法

针对传统粒子滤波算法中存在的样本贫化问题,提出一种基于改进重采样的粒子滤波算法。为了验证算法的有效性,对机动目标跟踪和分时恒值估计两类问题进行了仿真。结果表明,所提出的算法能够解决样本贫化问题,且具有较小的估计误差和较短的运算耗时。     

基于试探采样的自回馈目标跟踪算法

针对粒子传播过程中因欠缺观测信息而导致退化现象和异常粒子,文中提出一种基于试探采样的自反馈目标跟踪算法。该算法在当前帧完成采样后向前试探采样粒子,并且反馈到当前帧,此举是利用未来帧提前采样形式把观测信息融入到状态转移模型中,从而使概率密度分布逼近真实值。分析上下帧间粒子权值关系,舍弃异常元素,进行不完全重采样,在缓解退化问题同时保持样本集多样性。目标状态估计采用加权-最大后验准则,提高了目标跟踪精确度与稳定性。实验结果表明所提算法提高了状态空间质量,相比其他算法具有更好的跟踪性能。     

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。     

特征融合和聚类核函数平滑采样优化的粒子滤波目标跟踪方法

针对复杂场景下的目标跟踪问题,提出了一种改进的粒子滤波目标跟踪方法。利用背景加权后的联合直方图描述目标灰度和梯度特征信息,在粒子滤波算法的框架下,设计了一种自适应特征融合观测模型来适应场景的不断变化;同时针对传统粒子滤波算法存在的粒子退化问题,提出了一种基于聚类核函数平滑采样的方法。理论仿真和实际场景的实验结果表明,该算法适应性更强,精度更高,能有效跟踪复杂场景下的运动目标。     

闪烁噪声环境下机动目标跟踪的改进的高斯-厄米特粒子滤波

针对闪烁噪声环境下机动目标跟踪的非线性、非高斯问题,提出了一种改进的高斯-厄米特粒子滤波算法.和传统的高斯-厄米特粒子滤波算法相比,在生成粒子集时,改进的高斯-厄米特粒子滤波算法采用高斯-厄米特滤波对当前时刻的各个粒子进行估计,将得到的估计值和协方差直接作为粒子滤波算法的粒子集及相应的协方差.仿真结果表明,改进的高斯-厄米特粒子滤波算法对闪烁噪声环境下的机动目标能够进行有效的跟踪,提高了跟踪精度.     

基于传声器阵列网络的改进高斯粒子跟踪算法

针对传声器阵列网络中目标跟踪的特点,建立了基于声阵列网络的目标跟踪模型,在此基础上,提出了一种改进的高斯粒子滤波(GPF)算法。该算法将扩展卡尔曼滤波的状态更新方法引入到GPF算法中,并通过直接更新状态量的高斯分布参数来取代传统GPF中逐个更新粒子的方法。通过蒙特—卡罗仿真结果表明:与扩展卡尔曼粒子滤波(EPF)和传统的GPF算法相比,该算法表现出较高的精度和稳定性。     

改进重采样的高斯粒子滤波定位技术

针对粒子滤波算法中仍然存在的样本匮乏现象,在高斯滤波的基础上,提出了一种改进重采样的高斯粒子滤波(IR-GHPF)算法.经过新的重采样后的粒子包含了更多相邻粒子的状态信息,提高了粒子的多样性.将此算法应用于无线定位系统中,仿真结果表明,该算法在NLOS环境下仍然具有较高的估计精度,其定位性能优于粒子滤波算法和高斯粒子滤波算法.     

遗传重采样粒子滤波的目标跟踪研究

针对普通粒子滤波存在的粒子退化和匮乏缺陷,提出了一种利用遗传算法进行重采样的粒子滤波改进方法。该方法通过对每个采样时刻生成的粒子集合进行选择、交叉和变异等遗传迭代,在现有粒子个数范围内生成更多优良粒子,在保留高适应度粒子基础上实现了粒子集合的多样性。相对于普通粒子滤波,基于遗传重采样的粒子滤波仅需要较少的粒子就可以实现状态的精确估计和目标跟踪。数学方程和序列图像实验结果表明了算法的正确性和实用性。     

基于滚动时域估计的非线性目标跟踪*

实际的雷达跟踪问题大多属于非线性问题,存在着各种物理约束,采用基于在线滚动优化原理的滚动时域估计方法可以有效地处理带约束非线性目标跟踪问题。滚动时域估计通过引入到达代价函数,将非线性跟踪滤波问题转换为带约束的有限时域优化问题,可以有效减少优化问题求解的计算量,能够显著提高状态估计的准确度。针对实际的雷达跟踪问题,仿真结果表明,滚动时域估计能有效地提高非线性目标跟踪的精度。     

Distributed particle filter based speaker tracking in distributed microphone networks under non-Gaussian noise environments

Non-Gaussian noise distorts the speech signals and leads to the degradation of speaker tracking performance. In this paper, a distributed particle filter (DPF) based speaker tracking method in distributed microphone networks under non-Gaussian noise and reverberant environments is proposed. A generalized correntropy function is first presented to estimate the time differences of arrival (TDOA) for speech signals at each node in distributed microphone networks. Next, to address spurious TDOA estimations caused by noise and reverberation, a multiple-hypothesis likelihood model is introduced to calculate the local likelihood functions of the DPF. Finally, a DPF fusing local likelihood functions with an average consensus algorithm is employed to estimate a moving speaker's positions. The proposed method can accurately track the speaker under non-Gaussian noise and reverberant environments, and it is scalable and robust against the nodes failure in distributed networks. Simulation experiments show the validation of the proposed speaker tracking method.     

分布式动态一致性非线性目标跟踪策略研究

针对集中目标跟踪和分层目标跟踪中心节点通信瓶颈以及容错性能差的不足, 提出了一种分布式动态一致性非线性目标跟踪策略。目标状态初始化由网络节点采用加权最小二乘法完成。整个跟踪过程采用动态成簇策略, 分阶段选择并唤醒任务节点检测目标并执行分布式一致性扩展卡尔曼滤波策略完成目标的状态估计, 其余节点进入休眠状态从而能降低系统的能耗。从跟踪误差和能量两个方面, 与集中目标跟踪算法相比, 仿真结果表明所提算法与集中卡尔曼滤波相比, 跟踪精度相当, 适用于要求高可靠度的非线性跟踪。此外分布式的工作方式使得节点仅需与邻居交换数据并在局部完成状态估计, 消除集中式结构中心节点的瓶颈, 以保证部分传感器节点的损坏不会影响到全局任务的完成。     

稳定分布噪声下非线性PAR系统辨识新方法

描述了稳定分布的谱表示,提出了共变谱密度的概念,得到一种基于自共变序列与共变谱的稳定分布白噪声与有色噪声的概念及其判断标准,对传统意义上的白噪声进行了广义化,依据多项式自回归（PAR）系统模型,对基于稳定白噪声输入的系统输出非线性稳定有色噪声建立其非线性PAR模型,提出基于最小P范数的EIRLP算法对非线性PAR系统进行辨识。模拟和分析表明,这种算法是一种在高斯和分数低阶 稳定分布噪声条件下具有良好韧性的非线性系统辨识方法,是对传统的二阶统计量基础上的系统辨识方法的改造与推广。     

Nonlinear filtering in target tracking using cooperative mobile sensors

Collaborative signal processing and sensor deployment have been among the most important research tasks in target tracking using networked sensors. In this paper, the mathematical model is formulated for single target tracking using mobile nonlinear scalar range sensors. Then a sensor deployment strategy is proposed for the mobile sensors and a nonlinear convergent filter is built to estimate the trajectory of the target.     

基于Mean-shift的改进目标跟踪算法

传统的Mean-shift目标跟踪算法对背景因素比较敏感,采用核加权直方图的方法计算目标模板与候选区域目标特征往往无法实现对运动目标的准确定位。在研究传统算法的基础上,改进了Mean-shift算法中目标特征选取机制,即目标模板采用背景加权,候选目标区域采用核加权。仿真结果表明,该方法实现了在复杂环境背景下对运动目标更加准确的跟踪。     

基于无监督学习的无人机目标跟踪

随着计算机视觉领域中各项研究的发展,目标跟踪变得越来越热门,在各行各业得到广泛应用.基于无人机的目标跟踪也随之得到发展.相比于普通的目标跟踪,利用无人机进行目标跟踪有不少优势,但是也存在一些挑战.针对有关无人机目标跟踪的数据集有限,数据质量不高,且部分数据集中数据缺少统一标注的情况,基于无监督学习,设计了一种新的无人机...     

基于卡尔曼滤波的动态目标跟踪

为了实现工业相机对动态目标的准确、实时跟踪,提出了基于卡尔曼滤波的算法。通过创建背景模型来估计出当前背景,进而得到前景区域,并对前景区域进行相关处理,最后通过计算补集得到更新后的背景。此方法能根据不同场景信息调整前景与背景阈值,减弱背景区域造成的噪声影响,实时地根据场景变化快速、自动更新背景,并对每一位置的像素进行背景估计。通过在VS2010平台上结合JAI软件开工具包(Software Development Kit,SDK)调用Halcon函数库实现了卡尔曼滤波动态跟踪,其中JAI SDK用于开发千兆网相机,几乎支持所有千兆网相机。实验结果表明,该算法能够实现对目标的实时动态跟踪,实时性强,准确度高。