基于序列蒙特卡罗滤波的人脸跟踪算法

结合图像的色彩分布和空间布局,提出了一种基于HSV色彩和空间信息的序列蒙特卡罗滤波人脸跟踪算法。通过比较采样值和期望值的特征距离来计算采样状态对应的权值。利用加权采样值来估计未知量后验概率,当采样数趋于无穷时,由大数定理保证采样值分布逼近于真实值分布。仿真实验给出了利用加权采样对人脸跟踪的结果。实验表明,基于序列蒙特卡罗的人脸跟踪算法计算简单有效,能够准确预测人脸的位置并且很好地跟踪其运动轨迹。

基于序列蒙特卡罗滤波的车辆跟踪算法研究

针对非线性目标跟踪中模型或函数近似等最优估计缺陷问题,提出了基于帧间预测和特征匹配的序列蒙特卡罗滤波跟踪算法。算法中采用在HSV色彩下的空间加权直方图描述跟踪车辆的状态特征,通过简单的随机漂移模型实现估测样本的帧间传递,利用估测样本与期望目标间的相似度量完成样本权重赋值运算,最终利用加权样本值估计实现待测目标的后验状态。实验结果表明,基于序列蒙特卡罗滤波的车辆跟踪算法计算简单有效,能够在复杂环境下实时、准确跟踪道路上无规律、非线性运动的车辆,并能够有效适应车辆部分遮挡和短时丢失等情况。

基于采样理论的序列蒙特卡罗车辆跟踪算法

结合图像的灰度分布和空间布局,提出了一种基于灰度和空间信息的序列蒙特卡罗概率跟踪算法。通过比较采样值和期望值的特征距离来计算采样状态对应的权值。利用加权采样值来估计未知量后验概率的各阶矩,当采样数趋向于无穷时由大数定理保证,采样值分布逼近于真实值分布。仿真实验给出了利用因子采样对交通流中车辆跟踪的结果。实验表明,基于序列蒙特卡罗的车辆跟踪方法计算简单有效,可以准确地得到车辆的位置并且很好地跟踪其运动轨迹。

一种高效的非线性滤波技术

在处理非线性滤波问题时,通常采用的是广义卡尔曼滤波(EKF)方法.但在实际应用中,随着系统的非线性程度增加,该方法会出现较大误差或发散的现象.在此介绍了一种更高效的处理非线性滤波问题的方法——序列蒙特卡罗滤波(SMCF),并分析了该方法的理论基础及特点,同时也描述了该算法的具体实现步骤.给出了仿真结果并进行了分析.