无迹粒子滤波在基于色彩的视频目标跟踪中的应用

在视频目标跟踪中把视频象素点的色彩值(RGB值)作为跟踪系统的观测量,用无迹粒子滤波算法估计活动目标在每一帧视频画面中的位置.在粒子滤波的重要性采样步骤中以色彩相似度作为更新粒子权值的标准.采用一种判断是否需要进行重采样的方法.在MATLAB环境下仿真时采取调用预先编译得到的DLL文件的方式减少仿真时间.实验结果表明,取300个粒子时,能以每秒24帧的速率跟踪随机运动的视频目标.     

复杂背景下基于改进粒子滤波的红外人体跟踪

为解决复杂背景下红外图像序列中的人体跟踪问题,提出了一种改进的粒子滤波跟踪方法。根据红外图像中人体目标的特点,首先建立人体的灰度直方图来提取其灰度特征,同时采用一种新的基于帧间差分和灰度概率分布图的方法提取其运动特征。然后将上述两种特征融合到粒子滤波框架中,用于粒子权值的计算,最终实现红外序列中人体的稳健跟踪。实验结果表明,和传统粒子滤波算法相比,该方法大大提高了复杂背景下红外人体跟踪的准确性和有效性,跟踪结果令人满意。

Abstract：

An improved particle filter tracking algorithm was proposed to solve the problem of human tracking in infrared image sequences under complex background.According to the characters of the human in the infrared images,the algorithm firstly constructed the gray histogram of the human to extract the gray feature,and at the same time utilized a new method based on the inter-frame difference and gray probability distribution image to get the motion feature.Then,the above-mentioned two features were fused into the particle filter frame to calculate the particle weights.Finally the robust tracking of human in infrared image sequences was achieved.The experimental results show that compared with the traditional particle filter algorithm,the presented method greatly improves the accuracy and effectiveness of the infrared human tracking under complex background,and the tracking results are satisfactory.     

一种无迹粒子PHD滤波的多目标跟踪算法

针对粒子概率假设密度滤波(P-PHDF)算法估计精度低、滤波发散和粒子退化的缺陷,提出了一种无迹粒子PHD滤波(UP-PHDF)算法.该算法以UKF算法产生重要性函数并从中采样通过观测值更新粒子的权值,再用加权的粒子估计PHD函数,进而得到优化的状态估计均值和方差进行传播最后,对UP-PHDF算法进行了分析和实现,并将该算法和P-PHDF算法进行了比较.仿真结果表明,UP-PHDF算法不仅大大提高了滤波估计的精度,同时提高了跟踪系统的稳定性和鲁棒性.     

基于无迹粒子PHD滤波的序贯融合算法

针对在杂波、漏检和非线性情况下,粒子概率假设密度滤波（particle probability hypothesis density filter, P-PHDF）算法估计精度不高、滤波发散及粒子退化等问题,提出了一种基于无迹粒子概率假设密度滤波（unscented particle PHDF, UP-PHDF）的序贯融合算法。利用无迹粒子滤波（unscented particle filter, UPF）实现PHDF,由UKF算法得到更好更优的重要性密度函数并从中采样,使粒子的分布更接近多目标概率假设密度分布;另外,为进一步提高滤波算法的性能,实现基于雷达和红外传感器的UP-PHDF序贯融合算法,通过两传感器交替滤波保证目标状态的可观测性。在复杂环境下,仿真结果表明该算法的估计精度和稳定性明显优于单传感器P-PHDF算法。     

基于粒子滤波的弱目标检测前跟踪算法

针对低信噪比条件下弱目标的实时检测与跟踪,提出了一种基于粒子滤波,结合序贯概率比检验和固定样本长度似然比检验的递归检测前跟踪算法。粒子滤波用以解决跟踪中的非线性和非高斯问题;序贯概率比检验通过序贯累积多帧观测数据来提高信噪比,以最小时延检测到目标存在;固定样本长度似然比检验,通过选择合理的样本长度,保证持续检测到目标,且无延迟检测目标消失。仿真试验表明,该算法有着良好的检测与跟踪性能。     

双站纯方位空时软约束无迹粒子滤波算法

针对双站纯方位机动目标跟踪中由信息不完全和非结构化测量环境导致的有界混合似然问题,提出空时软约束无迹粒子滤波算法。针对目标先验未知,利用光电经纬仪对极几何约束测量空间点,预测空间曲面中心计算转弯率;为覆盖多域似然,采用无迹变换技术更新目标状态,引入模糊测度调制重要性函数;为保持估计方差维数不变性,根据狄拉克后验采样提取目标状态。仿真结果表明,对于典型的双站经纬仪跟踪空域点目标,相比于Rao-Blackwell多模型粒子滤波,提出算法的计算复杂度与单模型粒子滤波量级相当;相比约束辅助粒子滤波算法,提出算法的滤波精度提高了27%～41%。     

基于粒子滤波的机动目标跟踪改进算法

粒子滤波是指利用Monte Carlo仿真方法处理递推估计问题的非线性滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波(EKF)算法,融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布。仿真结果表明,该算法对机动目标有更好的跟踪效果。     

基于MCMC无味粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在粒子退化的问题,提出了基于马尔可夫链-蒙特卡罗(Markovchain Monte Carlo,MCMC)无味粒子滤波的目标跟踪算法.该算法采用无味卡尔曼滤波(unscented Kalmanfilter,UKF)生成粒子滤波的提议分布,来代替传统粒子滤波算法采用状态转移先验概率作为粒子滤波的提议分布,以改善滤波效果,然后在无味粒子滤波的基础上融合了典型的MCMC抽样算法(Metropolis Hastings,MH),从而可以减少传统粒子滤波未考虑当前量测对状态的估计作用所带来的影响.融合后的算法将当前量测信息融入到滤波过程中,并使采样粒子更加多样化.实验结果表明,该算法较传统方法在跟踪精度方面有显著的提高.     

基于色彩相关直方图的粒子滤波跟踪算法

提出一种基于色彩相关直方图的粒子滤波跟踪算法.该算法在粒子滤波基本框架之下,将目标色彩自相关直方图作为目标的描述特征,用于衡量不同预测状态与观测状态之间的色彩相关性.色彩相关直方图将色彩的空间相关性信息引入到目标的特征表达当中,弥补了一般色彩直方图的不足.试验表明,该算法不仅能在目标与背景颜色相近的情况下准确的跟踪到目标,而且能在目标发生旋转和部分遮挡的情况下也能保证不丢失目标.     

用于目标跟踪的自适应粒子滤波算法

结合粒子滤波算法,提出了一种能够根据目标运动特征自动确定粒子数的自适应目标跟踪算法。为了准确表示后验概率密度,粒子滤波通常使用大量的粒子。当运动预测准确时,用少量的粒子就可以准确估计概率密度函数。提出的算法利用描述概率密度所需的粒子数和运动估计准确程度之间的关系,自动确定粒子滤波所需的粒子数及其提议分布,提高了粒子的使用效率,避免了由于使用过多粒子而增加跟踪器计算量的问题。实验结果表明该算法可以有效地估计出进行目标跟踪所需的粒子数目。     

一种改进的不敏粒子滤波算法

提出了一种改进的不敏粒子滤波（UPF,Unscented Particle Filter）算法。和传统的UPF相比,该算法有两点改进,首先,在形成＂粒子云＂时,直接采用当前时刻各粒子的UKF（Unscented Kalman Filter）估计作为粒子,在保证粒子有效性的同时,减少了UKF之后的重采样过程;然后,结合新的粒子产生办法,重新定义了权值计算方法,避免了对各粒子重要概率的复杂计算。仿真表明,改进算法在减少计算量的同时,有效地提高了跟踪稳定性和跟踪精度。

Abstract：

An improved Unscented Particle Filter （UPF） algorithm was proposed.Compared with traditional UPF,it has been improved at two points.First,when producing particle cloudy,it directly uses the current particle estimation of Unscented Kalman Filter （UKF） as new particle,which guarantees the validity of particles and eliminates the re-sampling process after UKF as well;then,according to the new particle-producing method,a weight-calculating formula is re-defined,so as to avoid the complicated computation of proposal probability of every particle.A simulation shows that the Improved UPF （I-UPF） can effectively enhance the tracking stability and tracking precision and reduce computational cost at the same time.     

改进的UPF算法在OFDM系统盲均衡中的应用研究

UPF滤波算法具有比PF算法更高的精度和抗噪声能力,但由于其计算复杂,不符合通信实时性的要求.为了改进算法的实时性,引入了平方根无迹粒子滤波算法(SRUPF),并对其进行改进,将改进算法应用于OFDM系统盲均衡中.最后经仿真表明,改进的UPF算法,在几乎不影响滤波效果的前提下,大幅减少了滤波所需计算量,并提高了数值稳定性.     

实时粒子滤波跟踪算法及其实现

针对粒子滤波跟踪算法在视频跟踪中存在的计算复杂、计算量庞大,无法满足实时系统的应用需求,提出了实时粒子滤波跟踪算法.利用粒子滤波器潜在的数据并发特征,在集群环境下,设计并实现了分布式并行粒子滤波跟踪算法,给出了主从模式下的算法设计、数据划分、负载平衡及通信策略.实验结果表明,随着粒子数增加,计算量以幂指数增大,并行跟踪算法的执行时间明显减少,有效地提高了跟踪精度、降低计算时间,能够满足硬实时系统的时间约束.     

基于KLD采样的自适应UPF非线性状态估计方法

针对标准UPF算法存在的计算量大、实时性差的问题,设计了一种利用KLD采样在线实时改变粒子个数的自适应UPF算法.该算法的核心思想是利用KLD采样原理,根据预测粒子在状态空间中的分布情况来在线实时的确定下一次滤波迭代所需的粒子个数,减少对滤波算法没有帮助的粒子,仅保留保证滤波估计精度所需的最少粒子个数,从而有效减小算法的运算量,提高算法的实时处理能力.最后,将自适应UPF算法与粒子滤波、标准UPF算法进行了仿真比较,仿真结果表明在保持高精度估计能力的同时,自适应UPF算法比标准UPF算法具有更好的实时性,是解决非线性非高斯系统状态估计问题的一种有效方法.     

高斯和粒子滤波器及其在被动跟踪中的应用

为提高被动跟踪性能,提出了一种高斯和粒子滤波方法。在建立目标被动跟踪模型的基础上,使用高斯和滤波(GSF)近似目标状态的后验密度,利用粒子滤波方法处理GSF中的均值和方差计算问题,推导了高斯和粒子滤波器(GSPF)应用的具体算法步骤,使用机动目标被动跟踪仿真实例,与其它滤波器进行了仿真对比,分析了跟踪性能和RMSE误差。仿真结果表明,对于机动目标被动跟踪问题,GSPF不仅具有较高的跟踪精度,而且与一般粒子滤波器相比,GSPF具有较好的跟踪稳定性和较低的计算量。     

基于平方根UKF的多传感器融合跟踪

为了提高融合算法的精度,将UKF(Unscented Kalman Filter)算法与多传感器顺序滤波融合跟踪算法相结合,提出了基于UKF的多传感器序贯融合算法.UKF算法利用非线性方程自身的传播,估计系统状态,避免了对非线性方程线性化的过程.顺序滤波融合算法用同一时刻的量测依次更新状态,计算复杂性低.仿真结果表明,UKF顺序滤波融合跟踪算法比传统的扩展卡尔曼滤波(EKF)算法有更高的跟踪性能,是一种有效的非线性融合算法.     

一种基于粒子滤波的被动多传感器多目标跟踪算法

针对被动观测系统中非线性运动多目标跟踪问题,提出了一种基于交叉定位的模糊-概率双加权粒子滤波跟踪算法.算法利用多个被动传感器的角度观测信息进行交叉定位,得到目标的位置观测信息,通过模糊-概率双加权完成目标与定位点的关联匹配,最后利用粒子滤波对非线性运动的目标进行跟踪;其中关联算法和滤波算法的有效结合是该算法的创新点.仿真结果表明,所提出的算法可以准确地排除虚假定位点,可有效跟踪多个非线性运动目标.