Kalman滤波融合优化Mean Shift的目标跟踪算法

目标跟踪中,目标的背景变化、形状改变、遮挡,往往会导致跟踪失败,而跟踪的实时性和准确性是必须考虑的问题。本文首先对Mean Shift算法进行了介绍,接着对Mean Shift算法进行了优化:修正Mean Shift算法迭代权值,修正后主要信息贡献更加突出,次要信息受到抑制,避免了开方的繁琐运算,降低了运算量。提出了目标模板更新算法,解决了背景变化和目标形状改变时跟踪失败的问题。然后在水平位置和竖直位置建立Kalman滤波器,同时将优化Mean Shift算法与Kalman滤波融合,解决了目标完全遮挡后无法继续跟踪的问题。仿真实验表明,本文提出的目标跟踪算法在目标遮挡,目标形状改变,目标跟踪失败的情况下具有更高的跟踪精度,更高的实时性和鲁棒性。

多传感器分布式Kalman滤波融合算法

讨论多传感器数据融合算法。

基于改进Camshift与Kalman滤波融合的领航车辆跟踪算法

针对智能车辆在对前方领航车辆进行视觉跟踪时,传统的Camshift算法容易受目标突然变速、相似颜色背景或目标干扰的问题,提出一种基于改进Camshift与Kalman滤波融合的领航车辆跟踪算法。该算法通过提取目标模板的色度、饱和度和Canny边缘梯度幅值3个特征分量,建立三维直方图并对其反向投影进行跟踪,同时采用Bhattachayya系数作为目标跟踪准确性的判别依据。若系数大于设定阈值则判定目标跟踪不准确,此时用局部二值模式(LBP)级联分类器对领航车辆进行检测识别,最后引入Kalman滤波器来预测下一帧领航车辆的位置。实验结果表明,该算法能够在复杂背景下对领航车辆进行实时并有效的跟踪。

多水听器分布式扩展Kalman滤波融合算法

数据融合是信号处理领域非常引人注目的问题。在极坐标系下改进了直角坐标系下的扩展Kalman滤波算法,利用多传感器融合的基本理论,提出了用于水下目标的多水听器分布式扩展Kalman滤波融合算法。分别在目标不发生规避和目标发生规避两种情形下进行了仿真实验。结果表明,所提出的融合算法具有很好的跟踪性能,非常适合于工程的实际应用。

基于噪声顺序解相关的两阶段Kalman滤波融合

针对传统两阶段Kalman滤波只能处理单一或部分复杂噪声情形,在充分考虑多雷达跟踪系统的误差噪声有色建模和四类噪声相关性建模基础上,建立一种基于噪声顺序解相关的两阶段Kalman滤波融合算法。首先给出能有效避免噪声相关性耦合化的噪声解相关顺序,进而应用等价变换技术来获得有色噪声、过程噪声和测量噪声三者间不相关的目标跟踪融合模型,最后应用平方根分解和单位下三角阵求逆技术来实现多雷达量测噪声相关系统的集中式Kalman滤波融合,并通过4个仿真实验验证了该算法对复杂噪声情形的有效性和高精度。

HSV颜色空间特征与Kalman滤波融合的目标跟踪

为了克服噪声、遮挡、背景的改变等对目标识别带来的困难,出现了很多的跟踪算法。提出了一种基于HSV色彩空间的目标跟踪融合算法,即在较短时间内,将目标的运动看作一时不变系统,引入卡尔曼滤波进行参数辨识,使得跟踪系统具有后续状态预测的能力。算法包括均值漂移算法跟踪下利用卡尔曼滤波对后续状态预测和基于卡尔曼滤波状态估计的Bhattacharyya系数分析两个子过程,整个跟踪过程分两个子过程交替执行。对不同的视频序列测试的结果表明,算法能够对目标进行持续、稳健的跟踪。验证了新方法的有效性和准确性。

基于Kalman滤波融合算法的某坝基水平位移综合信息提取

已有的坝基水平位移监测模型只能利用一个关键监测点的监测数据,而关键点的选取往往具有人为性;直接利用多个监测点的监测信息,往往会出现各个监测点采集数据存在不一致的现象。为消除这类现象,且充分利用多点监测信息,采用基于Kalman滤波融合方法,分别根据集中式和有无反馈分布式融合算法进行计算,对比分析了其可行性,最后给出融合结果。将其应用于某坝8坝段坝基水平位移的分析,结论较符合规律,表明三种方法均有很高的识别精度。同时,也为水工建筑基础多点监测提供一个有效的理论方法。

Kalman滤波融合优化Mean Shift的目标跟踪分析及研究

简单、稳定是Mean Shift的目标跟踪算法的基本特征,所以,在目标具体的跟踪行动中得到了广泛的应用,然而,也有相应的局限性存在。因此,为了能够更好地掌握该项算法,文章通过下文对Kalman滤波融合优化Mean Shif目标跟踪算法的相关内容进行了阐述。

多传感器跟踪系统自适应Kalman滤波融合

多传感器目标跟踪的一个实际问题是如何获得目标的过程噪声信息,以获得较好的跟踪性能。针对多传感器分布式估计融合系统,利用这种自适应技术给出了一种自适应Kalman滤波的融合方法,它具有与中心式相近的跟踪性能。计算机模拟结果表明:这种方法具有较优良的性能。

基于Kalman滤波融合算法的某坝基水平位移分析

已有的坝基水平位移监测模型只能利用一个关键监测点的监测数据,而关键点的选取往往具有随机性;直接利用多个监测点的监测信息,往往会出现各个监测点采集数据不一致的现象.为消除这类现象,且充分利用多点监测信息,采用Kalman滤波融合方法,分别根据集中式和有无反馈分布式融合算法进行计算,对比分析了其可行性,最后给出融合结果.将其应用于某坝8坝段坝基水平位移的分析,纠正了2007-2008年间监测点S8-3和2006-2008年间监测点S8-4对坝基水平位移的异常反映,消除了数据的冗余性、矛盾性和不准确性,获得了被测对象的一致性描述和解释,结论表明,3种方法均有很高的识别精度.同时,也为水工建筑基础多点监测提供一个有效的理论方法.

基于Kalman滤波融合算法的某坝基水平位移综合信息提取

已有坝基水平位移监测模型只能利用一个关键监测点的监测数据,而关键点选取往往具有人为性;直接利用多个监测点的监测信息,往往会出现各个监测点采集数据不一致的现象。为消除这类现象,且充分利用多点监测信息,采用基于Kalman滤波融合方法,分别根据集中式和有无反馈分布式融合算法进行计算,对比分析了其可行性,最后给出融合结果。将其应用于某坝8坝段坝基水平位移的分析,结论较为符合规律,表明3种方法均有很高的识别精度。同时,也为水工建筑基础多点监测提供一个有效的理论方法。

Kalman滤波融合优化Mean Shift的目标跟踪探讨

Mean Shift目标跟踪算法具有简单稳定的特性,因此被广泛地应用于目标跟踪实际行动中,但同时也存在一定的局限性,在被跟踪目标和目标所在背景的颜色比较接近、目标正在快速运动或者存在较大比例遮蔽物遮挡目标时,Mean Shift目标跟踪算法由于缺少相应的空间信息,经常导致无法识别相似度量函数,使跟踪任务失败。为了避免这些情况的发生,提高目标跟踪效率,文章根据Mean Shift算法在空间颜色以及相似度量方面的缺陷,提出了Kalman滤波和Mean Shift算法融合的优化目标跟踪方法,即使用Kalman滤波根据目标运动状态确定Mean shift目标跟踪算法的初始跟踪位置,然后搜索邻近区域内的目标位置并建立目标模型,最后根据相似系数匹配确定最终位置,如此迭代,以达到准确跟踪运动目标的目的。

一般多传感器Kalman滤波融合中的观测数据压缩

关于多传感器系统的Kalman滤波融合,当各传感器的观测矩阵不能通过坐标变换成相同的矩阵时,怎样进行数据压缩,作者提出了两种解决的方案.

多特征融合与Kalman滤波的CAMShift跟踪算法

针对CAMShift算法在实际应用场景中受颜色和遮挡时跟踪失败的问题,提出一种多特征融合与Kalman滤波的CAMShift目标跟踪算法。多特征融合是在CAMShift算法基础上将边缘、纹理与颜色特征融合在一起,采用改进的Canny算子描述边缘特征,采用统一模式下的N-LBP构造纹理特征,并利用巴氏(Bhattacharyya)系数计算各个特征的自适应融合权值,通过不同特征之间的优势互补,增强特征的表达能力。当跟踪目标无遮挡时,使用CAMShift算法计算目标位置并更新Kalman滤波器参数,有遮挡时,使用Kalman滤波预测当前目标的位置,最后仿真实验表明,本文算法受环境影响小,相比CAMShift算法跟踪误差显著降低。

基于自适应Kalman滤波GNSS‑RTK与加速度数据融合的桥梁结构位移重构方法

主梁位移是大跨度桥梁安全评估和损伤诊断的重要指标,也是桥梁健康监测系统中的重点监测目标,为提高基于全球卫星导航系统的动态精度定位(Global Navigation Satellite System-Real Time Kinematic,GNSSRTK)位移数据的准确性和可靠性,提出了基于自适应Kalman滤波GNSS-RTK数据与加速度数据融合的桥梁结构位移重构方法,实现了低频GNSS位移数据与高频加速度数据融合,进一步提高了实时位移数据的测量精度与频率,解决了GNSS-RTK数据缺乏高频位移分量的问题。最后以泰东黄河大桥为例,结合有限元方法验证了该位移重构方法在大跨度桥梁位移重构过程中的可靠性和有效性,为提高桥梁结构实时位移监测的精确度提供了一定的理论支撑与参考。

基于Kalman滤波器的无人机高度融合方法

在无人机起飞、降落及定高飞行控制中,针对单一高度传感器测量精度低、稳定性差、易受干扰,难以适应不同的飞行场景等问题,提出了基于Kalman滤波器的多传感器高度融合方法。首先建立了无人机高度状态方程和传感器观测模型,然后利用北斗、气压计和加速度计设计了基于STM32H753的多余度航姿测量单元,最后通过软件递归的方式对高度信息进行预测和更新,得到最优的测量结果。仿真结果表明,该方法测量精度更高、稳定性更好、鲁棒性更强,可以满足无人机在不同场景下的飞行控制要求。

基于集合Kalman滤波的中长期径流预报

为降低中长期径流预报的不确定性,增加水电站水库的发电效益,针对现有方法侧重于提高单一预报模型确定性预报结果的准确性以降低径流预报不确定性的问题,提出一种基于集合Kalman滤波的入库径流确定性预报方法。以旬为预见期的锦西水库实例验证结果表明:相比传统的单一预报模型和传统的信息融合预报模型,基于集合Kalman滤波的中长期径流预报可使RMSE降低4.78 m^(3)/s,合格率可提高0.56%,且更有效地降低了汛期预报的不确定性,得到了更加准确、可靠的确定性径流预报结果,可为开展流域梯级水电站优化调度提供技术支持。

基于渐进高斯滤波融合的多视角人体姿态估计

针对视觉遮挡引起的人体姿态估计(Human pose estimation, HPE)性能下降问题,提出基于渐进高斯滤波(Progressive Gaussian filtering, PGF)融合的人体姿态估计方法.首先,设计分层性能评估方法对多视觉量测进行分类处理,以适应视觉遮挡引起的量测不确定性问题.其次,构建分布式渐进贝叶斯滤波融合框架,以及设计一种分层分类融合估计方法来提升复杂量测融合的鲁棒性和准确性.特别地,针对量测统计特性变化问题,利用局部估计间的交互信息来引导渐进量测更新,从而隐式地补偿量测不确定性.最后,仿真与实验结果表明,相比于现有的方法,所提的人体姿态估计方法具有更高的准确性和鲁棒性.

基于模糊自适应Kalman滤波的GPS／DR数据融合

针对标准Kalman滤波器对系统模型依赖性强、鲁棒性差,而GPS/DR系统的准确数学模型难以建立的问题,提出了一种模糊自适应联邦卡尔曼滤波器(FAFKF).首先通过模糊自适应滤波控制器监控观测量的残差理论值和实际值,并通过实时增强它们的一致性来调整各子系统观测噪声方差阵,使之更符合真实的模型,有效提高了Kalman滤波器对模型变化的适应能力.然后通过模糊自适应信息融合控制器对各子系统可信度进行模糊评判,并根据可信度自适应地计算信息分配系数来实现数据的融合.理论分析和实验数据表明该滤波器在滤波精度、容错性能上都有了很大的提高.

基于Kalman滤波算法的姿态传感器信号融合技术研究

针对应用三轴陀螺仪和三轴加速度传感器的四旋翼飞行器姿态角测量问题,提出了基于Kalman滤波算法的姿态传感器信号融合方法。该方法将陀螺仪输出的角速度误差作为时变误差处理,认为陀螺仪输出的角速度误差与其所测角速度及上一时刻的角速度输出误差相关,并据此建立陀螺仪测量线性方程,在此基础上,应用Kalman滤波算法,以加速度计输出的姿态角对陀螺仪测量的姿态角进行修正,从而达到姿态角准确测量的目的。实验结果表明:应用Kalman滤波算法对加速度传感器和陀螺仪信号融合后可有效消除姿态角测量累积误差并显著改善姿态角测量的动态特性。