基于积分协方差矩阵的粒子滤波目标跟踪

仅利用单一特征的目标跟踪难以克服光照和目标形变等外部条件变化,给出一种基于协方差区域描述子的粒子滤波,协方差描述子可融合目标区域内的多种特征处理复杂背景下的目标跟踪问题,提高跟踪的鲁棒性;针对粒子滤波计算量大的问题,引入积分协方差矩阵计算,提高跟踪的实时性,对比实验表明新的跟踪算法比仅用单一特征跟踪鲁棒性更高,处理速度更快。     

基于特征融合的粒子滤波红外目标跟踪算法

复杂环境中稳健的红外目标跟踪在自主导航、无人机探测、预警等方面具有重要研究意义.就经典粒子滤波红外目标跟踪算法中单一的灰度特征缺乏鲁棒性引起跟踪失效的问题,提出了一种基于特征融合的粒子滤波红外目标跟踪算法.结果表明,该算法能够从跟踪鲁棒性、准确性和实时性3个方面实现稳健的红外目标跟踪.     

基于粒子滤波的红外目标跟踪

粒子滤波(Partic le F ilter)是一种处理非线性和非高斯动态系统状态估计的有效技术.提出了一种基于粒子滤波的红外目标稳健跟踪新方法.在粒子滤波理论框架下,红外目标的状态后验概率分布用加权随机样本集表示,通过这些随机样本的Bayesian迭代进化实现红外目标的跟踪.系统状态转移模型选择为简单的二阶自回归模型,并自适应地确定系统噪声方差.红外目标的描述利用目标区域的灰度分布,该灰度分布通过核概率密度估计建立.通过计算参考目标的灰度分布和目标样本的灰度分布之间的Bhattacharyya距离,建立系统观测概率模型.实验结果表明该方法是有效的和稳健的.     

基于卡尔曼粒子滤波的目标跟踪算法

目标跟踪在计算机视觉领域有着重要的应用。文中在对运动目标跟踪算法进行研究之后,应用卡尔曼粒子滤波算法进行运动目标的跟踪,同时利用Matlab 对卡尔曼滤波算法、粒子滤波算法及卡尔曼粒子滤波算法进行了实验仿真。实验结果表明,运用卡尔曼粒子滤波算法能够更快、更准确地对运动目标进行跟踪,可将其广泛应用于目标跟踪中。     

基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

基于粒子滤波的复杂背景红外弱小目标跟踪

针对红外弱小目标跟踪过程中背景复杂、目标过小导致检测困难以及跟踪不连续的问题,提出一种基于粒子滤波的鲁棒红外弱小目标跟踪方法。首先,考虑弱小目标位置、灰度以及目标量化直方图等特征,建立目标状态以及量测模型。根据量测各分量相互独立的特性,将量测相应分量的多特征似然函数集成于粒子滤波的框架中对低信噪比下的弱小目标状态进行自适应更新,改善由漏检引起的跟踪不连续问题。最后,采用平滑算法提升目标在运动学特征上的精度。仿真实验表明,所提算法能有效跟踪复杂背景下的红外弱小目标。     

基于粒子滤波的红外目标跟踪新算法

粒子滤波是一种在非线性和非高斯情形下进行状态估计的有效方法。提出一种基于粒子滤波的红外目标跟踪的新算法。阐述了粒子滤波算法的原理,将粒子滤波引入到红外目标跟踪中。考虑到传统的粒子滤波跟踪算法存在计算量大,误码多的缺点,对传统算法进行了改进。对采样粒子进行优化选择,改进了重采样环节。实验结果表明,改进算法较传统粒子滤波算法能更准确,更有效的跟踪红外目标。     

基于人工蜂群算法的粒子滤波目标跟踪

针对基于粒子滤波的视频目标跟踪算法中由于粒子重采样过程而导致粒子贫化的问题,提出了一种基于人工蜂群算法的粒子滤波目标跟踪算法,利用群体智能的特点使得粒子集在重采样前得到优化,保持了粒子的多样性,从而解决了粒子贫化问题,同时增加了有效粒子的数目.实验结果表明,基于人工蜂群算法的粒子滤波跟踪算法,比标准粒子滤波跟踪算法所需粒子数更少,对目标遮挡、较复杂背景有较好的跟踪效果.     

基于粒子滤波的目标跟踪算法

粒子滤波是一种可在非线性和非高斯情形下进行状态估计的有效方法.文中介绍了一种基于粒子滤波来实现目标跟踪的具体方法,给出了粒子滤波的基本原理以及在该理论框架下进行目标跟踪的具体算法和实现步骤.     

基于改进粒子滤波算法的纯方位目标跟踪

纯方位目标跟踪是一个重要的研究课题。它要解决的问题是:利用含有噪声的方位数据来估计目标的真实运动轨迹。本文提出了一种基于粒子群优化的改进粒子滤波算法。这种算法可以将最新的观测值引入观测估计,提高了预估精度,减少所需的粒子数,从而实现对目标真实运动轨迹更好的跟踪。     

基于区域协方差矩阵的目标跟踪方法

针对精确制导系统图像跟踪的特点,在计算机视觉研究领域最新成果区域协方差矩阵的基础上提出了一种目标跟踪的新方法.首先对图像进行空域滤波,然后提取目标区域的多种特征,生成区域协方差矩阵,接着用参考模板的区域协方差矩阵在实时图中进行相关匹配,生成相关矩阵;最后对相关矩阵进行一系列后处理,确定跟踪点;另外设计了一种简单实用的模板刷新方法.大量的仿真实验证明该方法对红外图像、可见光图像,运动目标、固定目标都能实现很好的跟踪,展示了很好的鲁棒性和精确性.     

基于增量学习的红外目标粒子滤波跟踪方法

针对红外图像序列中目标与背景的对比度低、灰度特征易受噪声影响等特点,提出了一种基于增量学习目标表观模型和粒子滤波的红外目标跟踪方法。通过在线学习机制,利用增量奇异值分解算法对图像特征空间的基向量进行准确更新,从而建立红外目标的鲁棒表观模型。在此基础上,采用粒子滤波对目标状态进行有效预测,实现了红外目标的有效跟踪。实验结果表明,该方法能有效、准确地跟踪红外图像序列中的运动目标。     

基于改进重采样的粒子滤波红外车辆跟踪算法

针对传统粒子滤波算法状态方程无法利用多帧信息及重采样阶段的粒子种类缺失问题,提出基于改进重采样的粒子滤波红外车辆跟踪算法,对图像进行预处理,增强图像;引入图像准则并结合多帧信息对粒子滤波的状态方程予以改良,在保证以目标帧间变化为基础的前提下将图像信息更多的结合在状态方程中,提高算法的抗干扰能力;在重采样阶段利用粒子权值设定阈值,在保留原始大权重粒子的基础上引入受小权重粒子影响的新粒子,抑制粒子权重过于集中,保证粒子的多样性。经过实验验证,提出的算法在精确性与抗干扰性方面与传统粒子滤波方法相比有较大提升。     

基于多特征建模的粒子滤波红外目标跟踪算法

提出一种基于多特征融合进行建模的粒子滤波红外目标跟踪算法.提取红外图像的灰度特征和边缘特征,将灰度直方图以及边缘直方图结合起来进行目标建模.选取的2个特征具有很强的互补性,有效地克服了使用单一特征建立目标跟踪模型时无法避免的一些缺点.分析和实验表明,该算法对于目标的各种复杂运动状态均能稳健、有效地跟踪,具有较好的实时性和准确性.     

粒子滤波和均值漂移相结合目标跟踪算法

采用粒子滤波算法解决运动目标跟踪中非线性非高斯问题。将均值漂移算法嵌入到粒子滤波的采样阶段中,通过将每个粒子聚集到所在区域的局部极值,提高了采样粒子的使用效率。当发生目标遮挡时采用改进的粒子滤波算法,当无遮挡时采用均值漂移算法以提高速度。实验结果表明,该方法较传统单一算法具有较强的实时性和鲁棒性,能够有效实现在遮挡场景下的目标跟踪。     

基于改进粒子滤波算法的红外小目标检测跟踪

将粒子滤波算法引入到红外小目标的检测跟踪领域,为解决重要性函数选择和粒子退化问题,结合蚁群搜索算法与粒子群优化算法改进标准的粒子滤波.改进后的粒子滤波能有效减少粒子数,降低运算量,避免了粒子迁移线性化,且无需重采样.分析论证了该算法的基本原理,着重叙述了粒子迁移的过程.通过跟踪实拍红外图像以及仿真图像验证,表明该算法能够成功跟踪信噪比低,背景复杂,运动非线性强的红外小目标,对目标消失、遮挡情况也有一定的适应能力.     

基于粒子群算法和卡尔曼滤波的运动目标跟踪算法

针对目前一些常用的运动目标跟踪算法存在跟踪精度不高、实时性低、对遮挡问题处理不佳等问题,提出一种粒子群算法与卡尔曼滤波相结合的新的运动目标跟踪方法。利用卡尔曼滤波预测目标中心在下一帧图像中的位置,从而极大减少了搜索范围,并以该位置为中心建立目标搜索区域。然后以目标的灰度统计特征对目标模板和候选区域进行匹配,确保跟踪准确性。为了有效减少搜索匹配次数、提高实时性,利用粒子群算法在搜索区域找到和目标模板最相似的区域,从而找到最优中心位置,并以该位置作为卡尔曼滤波的观测值,进行下一帧跟踪。仿真实验结果表明新算法显著提高了跟踪的实时性、精确性,并对部分遮挡能较好地处理。     

一种基于纹理和颜色的粒子滤波目标跟踪方法

针对基于颜色的粒子滤波跟踪方法在复杂背景下会导致跟踪失败的问题,提出了一种基于局部二值模式纹理和颜色特征的粒子滤波目标跟踪方法。颜色直方图是对目标在彩色图像中的全局描述,而局部二值模式纹理包含了灰度图像中局部邻近区域的纹理信息,两者可以互为补充。因此同时用颜色直方图和局部二值模式纹理直方图描述目标,在粒子滤波框架下将目标颜色和局部二值模式纹理有机结合起来。实验结果表明,该算法不仅提高了跟踪精度,而且具有较强的稳健性。     

一种基于自适应粒子滤波的目标跟踪方法

提出一种利用最近的目标轨迹信息自适应调整运动模型的粒子滤波方法,根据背景地形或道路信息建立若干目标轨迹模式,然后利用目标轨迹模式将最近的目标轨迹进行分类,通过与当前目标最近段轨迹匹配的目标轨迹类,获得当前目标在下一时刻状态后验概率分布对应的粒子.实验结果表明该方法具有较强的鲁棒性,能有效实现复杂场景下的目标跟踪.