运动背景下基于粒子滤波的目标跟踪.pdf

4%算法也可以实现在混乱的动态场景中进行目标的跟踪$ 但在多目标的跟踪中!如果出现两个或者两个以上目标区域部分重叠的情况!均值移动算法很容易受到影响!导致其中一个或多个目标跟踪失败$ 而运用本文的基于粒子滤波的方法! 通过权值的更新和粒子重采样!可以避免这一影响*中的状态向量!74为零均值噪声!:4为的测量噪声$ 给定观测84(4是时间标志!特指已经观测到第4帧图象#!目的是估计状态34$ 此处并不对系统的运动学特性做任何的假定$ 可以由条件形式给出最小均方误差中的最优化估计!用公式表达为4),“A%此处的>4)*+8)!8!!-!84,指的是到时间4为止的观测序列$ 上运动背景下基于粒子滤波的目标跟踪侯一民“!郭雷“!伦向敏ABCD E.;,.*“!FDC G/.H!GDI J.$*K;,.*A“L西北工业大学 自控学院!西安:HMM:AAL西安光学精密机械研究所!西安:HMM9! HLN/O$%4,/*4 ’> PQ4’,$4.5 R’*4%’0!I’%4=S/ CO4.5 RPV!J..$* :“MM:A!+,-./WX,$.0*T,=:!1HYH96L5’,!“# $%(.’%4 %.K.+.4T ’Z[/54’% ’Z[/54/%^/*5/ =.’%,/+ .* 4=/ /aO/%.,/*4,/$*X4 $0K’%.4=,3U4.>.5./*4LA+; BC276*5Z[/54 4%$5!!““#!$%“!#!!!!!!!!!!!“#$%“:,4“64“:4“64“34“:4)“:4)“34“:4)“:4)“34“:4)“34“:4)“:,4“64“3,4“3,47+3,4“3,47+3,4“3,47帧(c) (d) “7%图象序列第+-;帧“0%图象序列第+/+帧(e) “!?$@4@%A B!+, -.)C-D$:2E F;G:-H%2 -1E%:H$I AF-@ ;-2%JE 3-: HFEK$J A:$./F@4*E%J%.AFH% $2$GA$AF-@ ’/(01=:-. LK:-G M-@3 M-;GKA%: 9FEF-@!M-G%@,$4%@!N%@;$:/!B$0 (’’(8 ’)(胡洪涛!敬忠良!李安平!等8非高斯条件下基于粒子滤波的目标跟踪’5(8上海交通大学学报!(’’#!%$@F.FK N!U$;%E, 9!B%%: =5U%$J7AF;% A:$./F@4 -3 @-@7:F4F2 -1V%.AE KEF@4 ;%$@ E,F3A’5(6=:-. SLLL M-@3 M-;G =$AA%:@ U%.-4! (’’)*G$J$; Q!?-:2-@ P6W%0-@2 A,% X$J;$@ 3FJA%:*=$:I AF.J% 3FJA%:E 3-: A:$./F@4 $GGJF.$AF-@E’7(6’8696(*O:A%., R-KE%!(’’#6 ’*( PK;;F$:- X!X-JJ-:7B%F%: L!9$@7?--J Y6M-J-:7:$E%2 ;$:AF.J% (8电子技术!(’’))6#*))7)+6’“(李玉田!殷福亮8?8*(6N编解码算法在CBQ)(’M“#;%:+E ?KF2%6C%\$E S@EA:K;%@AE!(’’F(8通信技术!(’’))($*#7+6图#“$#原始语音的波形图图#“1$编解码后的语音波形图2“!运动背景下基于粒子滤波的目标跟踪运动背景下基于粒子滤波的目标跟踪作者：侯一民， 郭雷， 伦向敏， HOU Yi-min， GUO Lei， LUN Xiang-min 作者单位：侯一民,郭雷,HOU Yi-min,GUO Lei(西北工业大学,自控学院,西安,710072)， 伦向敏,LUN Xiang-min(西安光学精密机械研究所,西安,710068) 刊名：计算机工程与应用 英文刊名：COMPUTER ENGINEERING AND APPLICATIONS 年，卷(期)：2007，43(8) 被引用次数：2次参考文献(8条)参考文献(8条)1.张春森.崔卫红 序列图象中运动目标的分割定位[期刊论文]-计算机工程与应用 2004(26)2.Vermaak J.erez P P'.Gangnet M Towards improved observation models for visual tracking:selective adaptation 20023.胡洪涛.敬忠良.李安平 非高斯条件下基于粒子滤波的目标跟踪[期刊论文]-上海交通大学学报 2004(12)4.潘晨.闫相国.郑崇勋 基于MEAN-SHIFT和SVM的血细胞图象分割[期刊论文]-仪器仪表学报 2004(04)5.Comaniciu D.Ramesh V.Meer P Real-time tracking of non-rigid objects using mean shift 20036.Ristic B.Arulampalam S.Gordon N Beyond the Kalman filter:Particle filters for tracking applications 20047.Nummiaro K.Kollor-Meier E.Van-Gool L Color-based particle filter 20038.Perez P.Hue C.Vermaak J Color-based probabilistic tracking 2002相似文献(10条)相似文献(10条)1.学位论文 唐现国 综合舰桥系统中目标跟踪技术的应用研究 2007随着现代科学技术和工程技术的发展，目标跟踪理论形成了经典的维纳滤波(频域法)和近代卡尔曼滤波(状态空间法)的两大理论体系。

目前卡尔曼滤波理论基本上取代了维纳滤波理论，经典的维纳滤波方法基本上不适应现代目标跟踪系统的需求在目 标跟踪领域，最常用的经典滤波算法是卡尔曼滤波(KF， Kalman Filter)和扩展卡尔曼滤波(EKF， Extended Kalman Filter)，其中前者用于线性系统，后者用于非线性系统KF是最小均方意义下的最优滤波算法，EKF则是利用一阶泰勒展开将非线性系统线 性化而得到的一种次优滤波算法，在非线性小是特别严重的情况下，EKF有着近似最优的滤波效果目标跟踪技术中的关键技术包括数据关联技术和滤波算法本文针对目标跟踪技术中的关键技术进行了详细的研究本文首先介绍了数据融合的基本原理以及目标跟踪的基本原理线性的滤波算法卡尔曼滤波（KF），详细介绍了算法的基本原理和算法过程卡尔曼滤波算法是性、高斯的情况下能很好的满足目标跟踪的性能，然而对非线性、非高斯的情况滤波方 法的指标下降针对非线性、非高斯的情况，详细介绍了粒子滤波算法，阐述了其基本原理和关键技术其次本文着重分析了粒子滤波算法粒子滤波是一种基于蒙特卡罗方法和递推贝叶斯估计的统计滤波方法，它依据大数定理采用蒙特卡罗方法来求解贝叶斯估计中的积分运算。

并介绍了粒子滤波算法的优缺点，以及粒子滤波算法的改进方向，其改进的 方向主要是重要性密度函数的选取和利用重采样技术，来减少标准粒子滤波算法粒子退化现象，针对粒子滤波算法的缺点，引进了一种改进的粒子滤波算法—正则粒子滤波算法，该算法是基于正则再采样技术而改进的一种算法即根据后验密度的离散分布重 建它的连续分布，然后从后验分布的连续近似中采样获得再采样粒子从而能减少粒子的退化现象通过仿真实验表明该算法在有较好的跟踪精度再次本文介绍了数据关联技术，详细介绍了联合数据关联和交互多模型方法，介绍了其基本原理并在交互多模型算法中，把正则粒子滤波算法代替了卡尔曼滤波算法通过实验仿真对单目标和多目标进行了跟踪，分别应用了卡尔曼滤波、粒子滤波和 正则粒子滤波算法，实验结果表明正则粒子滤波算法明显的提高了跟踪效果和跟踪精度然后VC++结合MATLAB完成了软件设计最后，给出了结论与展望，总结了所做的主要工作和指出了下一步有待研究解决的内容2.期刊论文 任伟建.山茂泉.谢锋.王文东.REN Wei-jian.SHAN Mao-quan.XIE Feng.WANG Wen-dong 基于粒子滤波和贝叶斯估计的目标跟踪 -大庆石油学院学报2008,32(3)针对颜色直方图的彩色物体的运动目标,在各种噪声的干扰下多呈现非线性和非高斯的特点,利用粒子滤波的方法进行运动估计和跟踪. 利用粒子滤波对非线性和非高斯的有效逼近的性质,获得粒子的后验概率分布,估计目标状态,实现目标的有效跟踪. 采 用累加权值概率并且引入随机正态分布进行采样,保证粒子的多样性,有效避免粒子退化问题. 仿真结果表明该方法的有效性.3.学位论文 徐炀 分布式无线传感器网络自适应目标跟踪技术的研究 2009无线传感器网络(WSN)是21世纪最具影响力的技术之一，它集成了传感器技术、微机电系统技术、无线通信技术和分布式信息处理技术，是一种全新的计算模式，它将逻辑上的信息世界与物理世界融合在一起，改变了人与自然交互的方式，是继因特网之 后将对人类生活方式产生重大影响的IT热点技术。

它的应用领域十分广泛，其中一个重要应用便是目标跟踪无线传感器网络应用于目标跟踪系统，与传统方法相比较具有明显的优势，同时也带来了一些新的挑战 本文着重于研究无线传感器网络的节点定位和运动目标跟踪首先从无线传感器网络节点定位机制入手，通过对现有的节点自身定位算法的分析和比较，总结出各种现有定位算法的优缺点，并针对分布式ACT定位算法计算量大的缺点对ACT定位算法进行简化 ，使得简化后的ACT算法在保证定位精度的同时减少定位过程的计算量在此基础上，系统的研究了非线性滤波相关理论中的粒子滤波算法，并将粒子滤波算法应用到无线传感器网络目标跟踪模型中随后重点研究了基于粒子滤波算法和无迹卡尔曼滤波算法 的UPF滤波算法UPF滤波算法能够将最新观测量引入状态估计，从而大大降低了粒子滤波采样的盲目性，与普通的粒子滤波相比滤波精度有了很大的提高然而UPF算法具有计算量大、实时差的缺点本文针对UPF算法计算量大、实时性较差的缺点对其进行 了改进，提出了改进的UPF滤波算法，使得改进的UPF算法在不影响滤波精度的同时减少滤波计算量，提高滤波实时性 文章最后建立了仿真环境，通过仿真实验验证了简化的ACT算法和改进的UPF算法的有效性，验证了将改进的UPF滤波算法应用到WSN目标跟踪中具有良好的效果。

4.学位论文 李安平 复杂环境下的视频目标跟踪算法研究 2006视频目标跟踪是计算机视觉领域的一个核心问题,在军事制导、视频监控、机器人视觉导航、人机交互、以及医疗诊断等许多方面有着广泛的应用前景.视频目标跟踪的研究目的是模拟人类视觉运动感知功能,赋予机器辨识序列图像中运动目标的能力,为 视频分析和理解提供重要的数据依据.视频目标的跟踪往往由于复杂的背景图像和目标本身的运动变得非常困难.尽管人们对视频目标跟踪进行了较广泛的研究,并提出了许多有效的跟踪方法,但是针对复杂环境下的视频目标,开发出一套鲁棒的跟踪算法仍存在 较多困难.本文针对复杂环境下的视频单目标和多目标跟踪问题进行了重点研究.对单视频目标跟踪时,重点研究了目标观测模型的设计；对多视频目标跟踪时,重点研究了目标在场景中出现和消失、目标县有相似外表、目标之间交叉运动和相互遮挡等问题.本文的主要研究成果如下:1.针对复杂环境下的视频目标,提出了一种多特征自适应融合的视频单目标跟踪算法.在该算法中,目标的观测由多种特征的融合信息描述.在对每个特征信息进行融合时,采用了基于模糊逻辑的融合策略,模糊逻辑根据当前的跟踪环境自适应调节各特征信 息的权重,从而实现各特征信息间的自适应融合,增加了描述目标观测的可靠性,提高了目标观测模型的鲁棒性:在跟踪目标时,采用了概率粒子滤波算法,将多特征信息自适应融合的观测模型结合到。