基于多通道能量极值点的两层粒子滤波跟踪

传统多通道跟踪常采用少数离散通道并认为通道间互不相关,忽略了多通道特征渐变的"多峰"型可信度分布。本文提出一种基于多通道能量极值点集的两层粒子滤波目标跟踪方法。首先将目标分解为多个频率、多个角度的通道,提取极值点集合作为目标特征。其后提出两层粒子滤波框架,以一级粒子作为目标运动状态整体性约束;二级粒子表征其下属的多通道特征,通过局部优化方法使其聚集在特征峰值附近。以多通道特征的可信度对二级粒子进行加权,并反馈至一级粒子作为其加权值,兼顾了目标整体约束以及对多特征可信度分布的表征。跟踪仿真实验结果表明,该算法计算量适中,工作稳定,与对比算法比较,平均跟踪误差减小了约0.5个像素。

融合两层卡尔曼滤波和Mean Shift的自适应目标跟踪算法

为了改进Mean Shift算法及其与卡尔曼滤波融合跟踪算法的性能,提出了融合两层卡尔曼滤波和Mean Shift的自适应目标跟踪算法。首先通过运动学方程建立第一层的数学模型;然后利用巴氏系数、滤波器噪声与跟踪结果之间的关系,自适应地调整跟踪结果,得到目标的位置;最后对目标核函数直方图中的每个非零元素进行第二层滤波,通过动态变化的滤波残差和巴氏系数,实时调整更新滤波器中的各项参数,得到滤波后的目标模板。实验表明,该文算法与Mean Shift算法和单层卡尔曼滤波算法相比,在目标遮挡、光照变化和复杂环境下的跟踪效果更好。

一种新的雷达间隙辅助红外的机动目标跟踪算法

论文针对雷达间隙辅助红外的机动目标跟踪问题,提出了一种新的跟踪算法。该算法由跟踪误差与精度指标的大小来选择雷达的开机时间,从而构成了一个闭环的跟踪系统,解决了在给定的跟踪精度指标下雷达的开机时间选择问题。其思想为:在内层通过引进高、低门限,根据跟踪精度与门限的大小,自适应地选择交互式扩展卡尔曼滤波(IMM-EKF)或交互式粒子滤波(IMM-PF);在外层将基于雷达量测的滤波结果和红外量测的滤波结果进行交互;从而实现了两层交互式自适应滤波。仿真结果表明该算法在计算复杂度和跟踪精度上达到了较好的平衡,实现了雷达间隙开机下对目标稳定的跟踪。

融合背景权重直方图的目标跟踪

目的考虑到融合校正背景权重直方图(CBWH)的Mean Shift(MS)目标跟踪算法只有CBWH更新而缺少目标模板更新,以及在目标遮挡时鲁棒性欠佳的不足。方法结合卡尔曼滤波器(KF)在目标状态预测和参数更新方面的可靠性,将两层KF框架融入融合CBWH的MS。第1层KF框架为目标位置预测层,通过KF噪声与巴氏系数之间的关系,实现跟踪结果的自适应调整,减少遮挡对跟踪结果的影响;第2层KF框架为目标模板更新层,通过KF对目标模板中的每个非零元素进行滤波,实现目标模板与CBWH的同步更新,减少目标特征变化对跟踪结果的影响。结果在背景干扰、遮挡以及特征变化等条件下进行实验,得到本文算法、融合CBWH的MS和传统MS的平均跟踪误差分别为5.43、19.2和51.43,显示本文算法的跟踪精度最高。同时本文算法也具有良好的实时性。结论本文算法在融合CBWH的MS基础上,加入两层KF框架,解决了原算法缺少目标模板更新和在目标遮挡时鲁棒性欠佳的不足,最后实验验证了本文算法的有效性。