医学图像轮廓跟踪的广义模糊粒子滤波方法

在医学图像运动跟踪领域 ,轮廓线跟踪是描绘边缘运动的有力手段 .为避免观测噪声的影响 ,增加轮廓的时空局部约束并利用粒子滤波 (PF)技术解决该类跟踪问题是非常有效的 .为更好地优化计算PF的重要比率 (IR)以提高粒子滤波器的性能 ,该文提出了广义模糊粒子滤波 (GFPF)方法 ,通过与当前较好的无迹粒子滤波 (UPF)相比较 ,GFPF显示了很好的效果 ;另外 ,在似然估计方面 ,GFPF提供了独特的似然轮廓估计算法 .理论和试验证明 ,GFPF不仅能够很好地解决动态轮廓跟踪问题 ,还为当前各种PF算法的IR计算提供了全新的解决途径 .

稀疏表示因子模糊粒子滤波的目标追踪

为了解决基于颜色直方图粒子滤波等对存在快速变化的目标形状和光照,以及多个相似目标的情况下,目标追踪能力的下降,提出含稀疏因子的模糊粒子滤波方法.该方法综合运用蒙特卡罗算法,模糊测量技术,稀疏因子等方法有效减少了粒子数量,同时增强了粒子滤波的识别定位和实时追踪目标的能力.实验表明,新方法能够在目标形状,姿态以及光照快速变化的序列中实时地,稳定地跟踪目标.该算法增强了粒子滤波对光照快速变化和目标形变的自适应能力,有了较好的鲁棒性和实时性,且部分遮挡的情况下目标不丢失,新的方法或许对目标追踪研究有重要借鉴意义.

基于模糊粒子滤波的视频跟踪方法研究

智能视频监控系统的基础就是对监控范围的视频序列中目标进行有效实时的跟踪,针对当前跟踪方法在光照突变、部分遮挡情况下的跟踪缺陷,本文提出了一种利用模糊粒子滤波(Particle Filter,PF)进行视频目标跟踪的新算法。该算法结合模糊控制理论,引入量测的模糊性来克服特征信息的不确定性,并建立一个基于背景建模技术的自适应高斯混合模型和基于序贯蒙特卡洛的跟踪算法(sequential Monte-Carlo-based)。在新算法的指导下,针对静止摄像机在光照条件改变以及目标发生部分遮挡的情况进行了深入的研究。通过多种模糊量测技术的比较和应用,本文方法实现了多个目标精确有效跟踪。

基于模糊控制交互式多模型粒子滤波的静电机动目标跟踪

针对交互式多模型粒子滤波算法(IMMPF)的精度不高,算法更新时间长,难以满足静电机动目标跟踪要求的问题,提出了一种新的基于模糊控制的交互式多模型粒子滤波算法(FIMMPF)。该算法先利用模糊控制方法实现实时调整交互式多模型算法中的转换概率矩阵,使与目标当前运动状态最接近的运动模型在混合产生这一采样时刻的初始状态向量里占有更大的比重。同时,为了提高基本粒子滤波算法的精度,减小算法更新时间,再利用中心差分扩展卡尔曼滤波算法产生基本粒子滤波的建议分布函数,实现对目标运动状态的更新。理论分析和仿真结果表明,所提出的算法能够以更高的定位精度,更小的计算量实现对静电机动目标的跟踪。