粒子滤波算法理论在目标跟踪中的应用

粒子滤波算法是一种基于传播样本集的递归贝叶斯滤波器.本文中对粒子滤波算法原理以及在目标跟踪中的应用作了详细讨论,设计了目标模板更新方法.实验证明,粒子滤波跟踪算法具有很好的鲁棒性和抗遮挡、抗干扰性,但是计算量却很大.     

基于粒子滤波的无线传感器网络目标跟踪

本文首先介绍了PF(Particle Filter)和UPF(Unscented Particle Filter)的基本原理,然后针对无线传感器网络(WSN)目标跟踪这一应用方向,采用等级网络结构,参考分布式粒子滤波算法,将UPF应用于WSN单目标跟踪以提高网络跟踪精度,仿真证明UPF较PF在跟踪精度上确实有明显的提高。     

改进的粒子滤波的视频图像目标跟踪技术

主要研究了视频图像目标跟踪准确性问题。在基于核的颜色特征统计描述及以此建立视觉目标观测概率方法的基础上,提出了一种改进的粒子滤波视频图像目标跟踪算法。首先,本文给出了基于标准粒子滤波的单特征、单目标跟踪算法,然后针对加权样本参数的选择不同,提出改进思路,最后通过与基于均值移位视觉目标跟踪算法的实验结果对比。提出的改进的粒子滤波跟踪算法在稳健性方面有显著地提高,而且若适当选择视觉跟踪参数,在实时性方面能得到有效地保证。     

基于Mean Shift算法的人脸跟踪

人脸跟踪是视频检索、视觉监控等领域中的一项关键技术,随着机器视觉技术的发展,实现人脸跟踪的算法也是多种多样。将人脸跟踪问题近似于一个meanshift跟踪问题,选取面部的颜色特征作为跟踪模板,并在MATLAB中进行了仿真,得到了良好的实验效果。     

粒子滤波综述

粒子滤波是一种基于递推Bayes估计和蒙特卡罗模拟的滤波算法,由于适合解决非线性非高斯估计问题而成为近年研究的热点。主要介绍粒子滤波原理、国内外研究现状及研究方向,同时就其在各领域的应用和发展前景予以介绍和讨论。     

基于粒子滤波的车辆导航算法研究

使用粒子滤波方法对目标物的运动状态进行预测估计,能够得到良好的实验效果.本文将粒子滤波算法应用于车辆导航领域,通过粒子滤波这一非线性滤波算法对前方行驶车辆行车状态进行检测跟踪,得出前方车辆行车的参数指标,作为后方车辆安全行驶的一个参考方案.该参考数据包括了前方车辆的位置、速度,同时也能为前方车辆同步引导后方车辆的行驶提供支持,实验仿真证明这种方法是行之有效的.     

频率选择性衰落信道下一种遗传粒子滤波均衡器

对于信道模型系数已知的频率选择性衰落信道下柱子滤波均衡器存在的样本贫化问题,提出了一种基于遗传粒子虑波的均衡方法.在粒子滤波的重采样阶段,引入遗传算法,即采用遗传柱子滤波的方法解决样本的贫化现象;从而构成了一种基于遗传柱子滤波的均衡器.仿真结果表明,在信道模型系数已知的条件下,该均衡器的误码率性能优于基于最优重要性函数的柱子滤波均衡器.     

一种基于Kalman滤波器的运动目标检测和跟踪算法

视频或图像序列中的运动目标检测与跟踪已成为计算机视觉领域研究的重要方向之一。本文实现了视频序列中的运动目标检测,使用了背景差法和帧间差分法检测到运动目标并进行了优化。Kalman滤波器是一种在时域内采用递归滤波的方法对系统状态进行最小均方误差估计的方法,本文提出利用Kalman滤波器实现运动目标跟踪中的形心跟踪的方法,可以准确预测到运动目标的一下个状态,得到良好的跟踪效果。     

非对称补偿粒子滤波可逆隐藏数据访问算法

针对级联数据库中可逆隐藏数据定位不准,访问恢复困难的问题,提出一种基于非对称补偿粒子滤波的可逆隐藏数据访问算法,实现对数据库中可逆隐藏数据准确访问。算法使用非对称粒子滤波对数据库中可逆隐藏数据的目标位置和访问信道衰减参数进行同时估计,提高可逆隐藏数据定位精度。设计非对称补偿滤波器,抑制数据访问中相干数据干扰,采用迭代方式对隐藏数据访问进程进行更新。最后采用取对数能量求倒谱的方法对数据进行恢复处理,实现对可逆隐藏数据的精准定位访问。仿真实验表明,采用该算法对大型级联数据库进行访问,能准确定位可逆隐藏数据,抗干扰能力强,无损可逆性好,数据库访问识别率和鲁棒性均有明显提高。     

基于鱼群的PSO粒子滤波算法

粒子群优化(PSO)粒子滤波算法比较而言,容易陷入局部最优,因此算法的准确度就会降低。本文在解决该问题时引入了一种基于鱼群的PSO粒子滤波算法。此算法是通过鱼群优化在采样过程中找到全局最优的相对位置,使其能够向全局最优的位置逐渐接近,同时提高估计有效的粒子数目,从而能够更有效的减少粒子退化与枯竭问题。实验表明,此算法与PSO粒子滤波算法相比,在估计准确度方面有了较大的提升。     

人脸检测技术研究

人脸检测技术已成为图像工程与模式识别领域研究的热点。文章首先简要介绍了人脸模式的特征,并着重分析了几种有代表性的人脸检测方法,然后讨论了国内外的研究概况,最后提出了该领域存在的问题及今后的发展趋势。     

基于联合粒子滤波和Mean-Shift的运动目标跟踪算法

Mean Shift跟踪算法能有效实时对运动目标进行跟踪,但是当目标运动速度过快或者目标被遮挡时,跟踪效果会下降;粒子滤波跟踪算法适用于非线性非高斯环境,其跟踪效果与粒子数息息相关,数量少了导致粒子匮乏,数量多了会影响实时性。为解决上述问题,本文将mean shift和粒子滤波融合。实验表明,本文算法在运动目标速度较快和目标被遮挡时均取得了较好的跟踪效果。     

一种基于无线视觉传感器网络的分布式多目标跟踪滤波算法

本文提出基于积分卡尔曼滤波的无线视觉传感器网络的分布式目标跟踪算法,用于从多个监控数码相机中汇总跟踪结果,然后通过中央处理器处理数据,返回到各个数码相机中,从而优化目标跟踪。无线视觉传感器网络是一个重叠视觉领域里的一个多监控摄相机网络,重叠视觉领域里有同样的目标经过,通过交换它们当地的目标位置和速率的估计值,在估计的过程中,每个加入的摄相机通过一致性算法汇总收到的状态。仿真结果表明,多个数码相机对目标预测的真实状态值要比单个数码相机预测值更精确。     

一种基于指纹人脸的多生物特征身份认证方法

本文分别介绍了一种基于指纹人脸识别的多生物特征身份认证方法,并针对传统的指纹人脸方法提出相应的改进算法。对指纹识别,本文提出采用局部归一化方法结合Gaussian滤波器来计算指纹方向,再对局部脊线补偿法(Loca lRidge Compensation)进行快速运算,能够更加快速准确地进行指纹识别。人脸识别通过定位人脸位置并且进一步提取人脸特征来进行匹配,使用LBP(Local binary patterns)算子对人脸样本进行局部特征提取,对LBP处理后的人脸图像使用主成分分析(PCA)进行降维,并采取了极限学习机(Extreme learning machine,ELM)分类器进行匹配,将指纹、人脸的识别结果在决策层进行融合,最后做出判断,从而得到准确稳定的身份认证系统。     

融合局部奇异值特性的人脸自动识别

针对仅在整幅人脸图像上进行奇异值分解无法得到人脸识别所需的足够信息的问题,提出了一种利用人脸图像的局部奇异值和灰色关联分析进行人脸识别的方法。该方法的关键是不在整幅人脸图像上进行,而是在人脸的不同区域进行奇异值分解以提取更丰富的信息和克服＂小样本＂效应。在识别阶段,对待识别人脸的特征向量,计算其对各人脸样本的隶属度,最后做出判断。该方法与传统方法在ORL人脸库上进行的对比实验结果,表明了该方法的优越性。     

一种基于YCgCr色彩空间的人脸检测方法

人脸检测是计算机视觉研究的重要研究方向之一,提出了一种基于新色彩空间YCgCr的人脸检测算法。首先比较了YCgCr间和YCbCr色彩空间,得出YCgCr色彩空间的在人脸处理方面更有优势,然后通过二维高斯分布提取肤色区域,对二值化的图像应用区域增长算法求取最大联通区域,得到准确的面部图像,实验结果表明该算法是快速而有效的。     

基于PCA和神经网络的人脸识别算法研究

在MATLAB环境下,取ORL人脸数据库的部分人脸样本集,基于PCA方法提取人脸特征,形成特征脸空间,然后将每个人脸样本投影到该空间得到一投影系数向量,该投影系数向量在一个低维空间表述了一个人脸样本,这样就得到了训练样本集。同时将另一部分ORL人脸数据库的人脸作同样处理得到测试样本集。然后基于最近邻算法进行分类,得到识别率,接下来使用BP神经网络算法进行人脸识别,最后通过基于神经网络算法和最近邻算法进行综合决策,对待识别的人脸进行分类。     

基于混沌序列的粒子群算法

对标准PSO算法进行分析的基础上,针对PSO算法中的早熟收敛问题,提出了一种基于混沌序列的PSO算法（CPSO）。CPSO算法能够保证粒子种群的多样性,使粒子能够有效进行全局搜索;并以典型的基准优化问题进行了仿真实验,验证了CPSO的有效性。