一种结合粒子滤波和张量子空间的目标跟踪算法

由于传统的子空间方法易于丢失图像目标的二维特性,为此本文提出了一种新颖的自适应目标跟踪算法,通过张量的方式建立目标的外观模型——张量子空间,利用在线学习的方法更新其外观模型,同时,利用目标仿射运动的先验信息,通过粒子滤波自适应地跟踪运动目标,并将获得的最优目标观测作为新数据反馈回子空间更新.此外,为了保证子空间更新能获得精确且紧致的目标子空间表达,引入动态部分函数滤除样本野点.实验结果表明,本文提出的自适应目标跟踪方法具有较强的鲁棒性,对于存在姿态变化、短时遮挡和光照变化等情况下均可有效地跟踪目标.     

基于辅助粒子滤波算法的红外目标跟踪

针对红外目标在跟踪中计算复杂的问题,构建辅助粒子滤波算法。利用贝叶斯重要性采样算法,在权值大的粒子基础上引入辅助粒子变量,然后重新定义重要采样分布函数,防止重采样后粒子概率密度变化。两次加权计算,使粒子权值比仅用重采样的粒子权值变化更稳定,采样点最接近真实状态;同时不同权值粒子的概率阈值可作为粒子滤波是否完成的判断准则。在二维平面构造红外运动目标模型中,系统为零均值高斯白噪声。仿真数据表明:该算法在x,y方向的均方误差、画面处理时间、RM SE性能上优于粒子滤波算法和重采样粒子滤波算法。     

一种新的层次粒子滤波的目标跟踪方法

提出一种新的层次粒子滤波算法,选择局部区域特征点和颜色信息建立目标模型,引入粒子的二阶采样过程.算法通过粒子的一阶权重更新获得好的初始分布,二阶权重更新保证粒子的高置信度和高的采样效率,当粒子数目小于一定阈值时进行重要性重采样,利用仿射模型对目标区域精确定位及姿态修正.实验表明:改进算法将目标局部特征分布与目标颜色信息相结合,通过二阶采样过程,保证了局部特征跟踪的稳定性,解决了经典理论中误匹配导致的采样点发散问题,在目标部分遮挡情况下也可以完成实时目标跟踪.     

一种新的层次粒子滤波的目标跟踪方法

提出一种新的层次粒子滤波算法,选择局部区域特征点和颜色信息建立目标模型,引入粒子的二阶采样过程.算法通过粒子的一阶权重更新获得好的初始分布,二阶权重更新保证粒子的高置信度和高的采样效率,当粒子数目小于一定阈值时进行重要性重采样,利用仿射模型对目标区域精确定位及姿态修正.实验表明:改进算法将目标局部特征分布与目标颜色信息相结合,通过二阶采样过程,保证了局部特征跟踪的稳定性,解决了经典理论中误匹配导致的采样点发散问题,在目标部分遮挡情况下也可以完成实时目标跟踪.     

基于动态特征融合的粒子滤波目标跟踪算法

提出一种基于动态特征融合的粒子滤波目标跟踪算法。选择具有互补性的灰度直方图和梯度直方图特征共同描述目标模型,然后在目标跟踪过程中,根据特征对目标和背景的区分程度动态地调整每个特征的置信度,对目标模型进行在线动态建模和更新,从而提高目标模型描述的准确度,并进一步提高粒子滤波算法的跟踪精度。实验结果表明:在对典型场景下的目标跟踪过程中,提出的算法比单独使用一种特征的粒子滤波算法具有更高的跟踪精度和更稳定可靠的跟踪性能。     

一种改进的粒子滤波视觉跟踪算法

针对复杂背景下视觉目标跟踪问题,提出了一种基于多特征融合和改进建议分布函数的粒子滤波目标跟踪算法。为了解决单一特征跟踪稳定性差的问题,该方法在构造粒子滤波算法观测似然函数的过程中,综合利用颜色、梯度和纹理特征,并给出一种有效的特征权值自适应分配策略。针对传统建议分布函数无法利用观测信息的缺陷,提出了一种基于PSO算法的建议分布函数,有效地抑制了粒子退化现象。实验采用复杂地面环境下的多组图像序列,结果表明该算法的有效性。     

基于自适应粒子滤波的红外目标跟踪

为有效解决非线性环境中的红外目标跟踪问题,提出一种自适应粒子滤波目标跟踪算法.建立了目标加权概率模型.在滤波过程中,提出双过程粒子重抽样方法,形成对抽样粒子集的自适应调节,有效地解决了粒子退化问题.用实际红外图像序列做了实验.结果表明,在非线性环境下用该方法得到的红外目标跟踪结果优于用传统粒子滤波和扩展卡尔曼滤波算法获得的结果.     

基于混合粒子滤波的水下小目标跟踪

针对水下小目标粒子滤波估计过程中“粒子贫化”引起的估计性能下降,提出了混合粒子滤波算法。该算法在常规粒子滤波算法基础上,在每一步迭代估计过程中进行量测的再次随机采样,以丰富随机粒子多样性,缓解水下小目标状态估计过程中的“粒子贫化”的影响。对算法进行了仿真分析,并将该方法用于水下小目标探测实验的数据处理,结果表明,相比于常规的粒子滤波算法,所提出的混合粒子滤波得到了误差更小且稳定的状态估计结果,有效地改善水下小目标跟踪的精度和稳健性。     

基于积分直方图的粒子滤波跟踪算法

在目标模型的建立过程中,将积分直方图引入到粒子滤波跟踪框架中,提出了一种快速的颜色直方图计算方法,极大地提高了粒子滤波跟踪算法的实时性。为了进一步提高算法的鲁棒性,引入了一种基于邻域颜色特征的匹配搜索机制,当跟踪精度下降时,能够对跟踪结果进行优化,减小跟踪误差。实验结果表明了该算法的有效性。     

颜色与纹理相融合的自适应粒子滤波跟踪算法

针对目标跟踪过程中存在的光线变化及目标遮挡等复杂情况所导致的跟踪目标的丢失或跟踪错位等问题,采用特征融合的策略,将其用于粒子滤波框架中进行跟踪。利用特征融合加权直方图的方法来描述目标的颜色和纹理特征,并对变化的目标自适应地更新参考目标模型,能有效地处理视频中由于旋转、遮挡、光线变化带来的影响。实验证明,提出的算法在保证跟踪精确性的情况下,具有较好的适应性及鲁棒性。     

基于动态目标建模的粒子滤波视觉跟踪算法

提出一种根据场景变化动态建立目标模型的粒子滤波视觉跟踪算法.该方法首先选择简单且具有互补性的特征描述当前图像,并统一采用直方图法对这些特征进行建模;然后在粒子滤波框架下,根据巴塔恰里亚测度评价各个目标特征和背景特征之间的可区分程度,动态调整特征间的置信度;并对各个特征似然函数的噪音参量进行在线估计和更新,使其似然函数的度量标准达到统一.分析和实验表明,该算法性能优于仅仅采用多特征融合进行粒子滤波视觉跟踪的方法,对摄像机运动、混淆干扰、遮挡及目标外观大小的改变具有更强的鲁棒性.     

基于CamShift和Kalman组合的改进目标跟踪算法

针对应用CamShift算法进行目标跟踪过程中,当目标被严重遮挡、目标被与目标颜色相近的背景干扰时易丢失跟踪目标的问题,提出了一种基于CamShift和Kalman滤波组合的改进跟踪算法;为克服目标因严重遮挡而丢失的缺陷,利用自适应算法改进了传统的CamShift算法,扩大了搜索窗口,使运动目标位于搜索窗口内;为解决目标因颜色相近背景干扰而丢失的问题,改善跟踪准确率,利用卡尔曼滤波预测目标运动空间位置,作为下一帧搜索窗口的质心坐标;基于上述改进,利用C++语言,研发了改进的CamShift目标跟踪软件模块,给出了该模块的算法流程;实验结果表明,改进后的目标跟踪算法能有效地克服传统CamShift算法的缺陷,大大提高运动目标跟踪的准确性;所提的算法可以应用于运动小车跟踪,人脸识别等领域。     

基于时间序列模型的粒子滤波行人跟踪算法研究

针对行人运动的随机性导致运动状态模型适应性差和人在行走过程中可能发生短时全部或局部遮挡导致行人跟踪算法精度较低的问题,提出基于时间序列模型的粒子滤波行人跟踪算法。建立了行人运动时间序列模型;给出了基于对视频序列初始帧的检测,确定行人的位置、宽高等作为跟踪先验信息的方法;由先验信息计算加权颜色直方图构建初始粒子群分布,并利用时间序列运动模型预测粒子在下一时刻的状态分布,并更新粒子权值;根据有效粒子的个数判断是否进行重采样;最后由所有粒子的加权和估计行人的运动状态。仿真实验表明：文中提出根据行人的运动轨迹时间序列运动模型可使行人的状态估计更准确,预测误差进一步减小,预测精度得到了提高。     

基于形态学与遗传粒子滤波器的红外小目标检测与跟踪算法

针对复杂背景下红外小目标的检测与跟踪,提出了一种融合了top-hat算法、遗传算法以及粒子滤波器的新方法.该方法首先采用提取副帧的方法去除目标周围部分的背景和噪音,有效地减少了参与运算的像素数目;其次,将具有不同边缘特性的多个结构体应用于top-hat检测算法中,提高了副帧中预目标的有效性;接着,利用目标时空运动的相关性,结合阈值判断来去除虚假目标,增强了目标检测的可靠性;最后,将遗传算法引入粒子滤波算法,较好地改善了粒子的多样性,在保障跟踪实时性的同时,提高了粒子滤波的准确度.实验结果表明,该算法在检测准确度、跟踪准确度和鲁棒性都具有一定的优越性.     

结合卡尔曼滤波器噪声分析的车道线检测跟踪算法

使用卡尔曼滤波对视频序列图像中的具体信息进行跟踪的研究目前是跟踪方向的一个热点.但是在处理卡尔曼滤波跟踪过程中的过程噪声和测量噪声,大部分研究普遍采用的是初始赋值.通过不断的调整数,达到较好的跟踪效果.但是这样做不但没有遵循原始数据的规律,同时调整参数是一项耗时的工作.基于这个原因,提出了一种对卡尔曼滤波的过程噪声和测量噪声进行预估计的方法并将其应用到车道线跟踪过程中.通过对一部分离线数据进行处理,可以基本估计出系统的噪声参数.最后采用车道线跟踪算法对论文中的方法进行验证,实验证明,提出的参数估计方法在车道线的跟踪过程中达到很好的效果,同时处理每帧的时间为50ms左右,满足了实时性的要求.