多目标跟踪的概率假设密度滤波

在多目标跟踪技术中,当目标数未知或随时间变化时,可将目标集看作随机集.阐述了随机集的有限集统计（FISST）理论,研究了用PHD滤波实现跟踪随机集的方法.实验表明,在杂波环境下,概率假设密度滤波可以稳健地跟踪目标状态和目标数.     

方向平滑滤波的模板卷积实现

方向平滑滤波器兼有去噪和边缘保持的双重特性，在数字图像预处理中被经常采用。改变以往方向平滑滤波按定义的实现算法，而改用模板卷积，并采用邻近插值的插补模式。对比实验结果表明，此算法具有高效、省时特点。     

基于MATLAB的图像处理空间域滤波研究

为改善原始图像清晰度差、提高图像视觉效果,采用空间域图像滤波方法。该方法相比时域滤波方法,虽然算法复杂,但可使图像获得更好的视觉效果。运用MATLAB软件对原始图像进行平均平滑、高斯平滑、中值滤波及基于一阶和二阶微分的锐化算子进行一系列处理,分析了每种处理方法的优缺点。实验结果显示：采用空间域的图像滤波方法不仅具有良好的去噪效果,而且可以极大改善原始图像质量。     

空域滤波与频域滤波下数字图像平滑比较

将噪声信号从图像中提取出来是信号处理中的重点问题,空域滤波和频域滤波技术的日趋成熟为该问题带来了有效的解决方案。针对以往研究中存在的不足加以改进,考虑到峰值信噪比和均方误差两方面因素,引入了三类噪声信号,设计了基于Matlab的数字图像平滑方法。通过对在空域和频域中传输到PC机的图像处理结果进行比对分析,选择适合不同种类噪声的最佳图像平滑算法。仿真结果证明,该方法合理、有效。     

基于递归高斯的指纹增强算法

通过对二维gabor函数的逐级分解,将gabor函数分解成高斯函数与三角函数的组合,再通过递归的方法实现高斯滤波,从而达到了快速指纹图像增强的目的.实验结果表明,该算法不仅增强效果与gabor增强相当,且在算法速度上较传统方法具有明显优势,同时,一次滤波可以得到两个不同方向的增强结果.     

基于Meanshift采样的辅助变量粒子滤波跟踪算法

针对视频图像运动目标跟踪时的时延问题和目标被遮挡时易丢失的问题,提出了一种基于Meanshift采样的辅助变量粒子滤波跟踪算法。采用AVPF算法作为跟踪算法的主体框架,对每个辅助采样粒子进行Meanshift转移,利用采样粒子确定候选目标区域,对候选目标模型与目标模型进行相似性度量,更新粒子权重,最后估计目标状态。仿真结果显示,本文算法能够有效处理跟踪过程中目标部分被遮挡的问题,具有较好的鲁棒性和较好的实时性。     

基于滤波器分解的图像滤波算法

研究了一种空域中的图像分解技术,进而利用该种分解方法 ,探讨了图像滤波算法.提出的图像分解方法 的主要思想是:利用类型确定的滤波器(如低通)对原始图像滤波,将图像分解为高频和低频两部分,在对分解得到的低频或高频成分进行同样的处理,继续这一过程,图像便可分解成不同频率分量的图层之和.进而在各个图层上进行相应的滤波处理,最后利用逆变换得到最终的结果 .     

基于均值移动重要性采样的粒子滤波人脸跟踪算法

针对condensation目标跟踪算法中用先验转移概率作建议分布函数时没有充分考虑最新观测信息的缺点,提出了一种基于均值移动重要性采样的粒子滤波人脸跟踪算法.算法首先利用均值移动跟踪器粗略定位人脸目标,然后再用此跟踪结果去构造建议分布函数进行粒子传播.由于通过该方法所构造的建议分布函数中包含了最新的观测信息,所以它可以使大多数粒子点都能分布在真实状态区域周围,进而提高了粒子传播的准确性.人脸跟踪结果表明,该算法的跟踪性能明显优于标准condensation方法.     

一种改进的粒子滤波目标跟踪算法

针对无线传感器网络实际环境的非线性模型目标跟踪问题,提出一种改进的粒子滤波跟踪算法。首先用模糊C-均值算法确定量测的目标归属,对同一目标的量测进行线性融合,然后用采样重要重采样粒子滤波估计目标位置。仿真结果表明：在非线性模型下,所提出算法与扩展卡尔曼滤波相比,目标估计位置的均方根误差从0．6895m显著减小到0．3703m。     

高斯噪声线性滤波问题研究

利用概率和统计的知识对工作在高频及超高频频段的无线电定位通信系统出现的噪声进行研究 ,导出在测量量为离散情况下高斯噪声最佳线性滤波的方均误差     

基于修正α-β-γ滤波的多目标跟踪算法研究

在传统α-β-γ滤波算法的基础上,提出一种适用于多目标、非均匀采样时间情况的修正α-β-γ滤波算法.介绍了匀加速(CA)模型和α-β-γ滤波算法,利用相关公式推导出修正后的滤波算法,并进行仿真验证.仿真结果证明了本算法对解决多目标跟踪问题的有效性.     

Gaussian particle filter based pose and motion estimation

Determination of relative three-dimensional (3D) position, orientation, and relative motion between two reference frames is an important problem in robotic guidance, manipulation, and assembly as well as in other fields such as photogrammetry. A solution to pose and motion estimation problem that uses two-dimensional (2D) intensity images from a single camera is de- sirable for real-time applications. The difficulty in performing this measurement is that the process of projecting 3D object features to 2D images is a nonlinear transformation. In this paper, the 3D transformation is modeled as a nonlinear stochastic system with the state estimation providing six degrees-of-freedom motion and position values, using line features in image plane as measuring inputs and dual quaternion to represent both rotation and translation in a unified notation. A filtering method called the Gaussian particle filter (GPF) based on the particle filtering concept is presented for 3D pose and motion estimation of a moving target from monocular image sequences. The method has been implemented with simulated data, and simulation results are provided along with comparisons to the extended Kalman filter (EKF) and the unscented Kalman filter (UKF) to show the relative advantages of the GPF. Simulation results showed that GPF is a superior alternative to EKF and UKF.     

改进粒子滤波在被动目标跟踪中的应用

As a new method for dealing with any nonlinear or non-Ganssian distributions, based on the Monte Carlo methods and Bayesian filtering, particle filters （PF） are favored by researchers and widely applied in many fields. Based on particle filtering, an improved extended Kalman filter （EKF） proposal distribution is presented. Evaluation of the weights is simplified and other improved techniques including the residual resampling step and Markov Chain Monte Carlo method are introduced for target tracking. Performances of the EKF, basic PF and the improved PF are compared in target tracking examples. The simulation results confirm that the improved particle filter outperforms the others.     

混合Kalman滤波器与Chamshift人脸跟踪算法的研究

文章通过Kalman滤波器预测由Camshift算法检测到的人脸窗1：7在下一帧图像可能出现的位置,进行下一帧图像的人脸跟踪．其中,Kalman滤波器的使用克服了单纯使用Cam-shift跟踪在遮挡或者丢失跟踪物体的不足,可以大大提高人脸跟踪的正确率．     

An unscented particle filter for ground maneuvering target tracking

In this study, an unscented particle filtering method based on an interacting multiple model (IMM) frame for a Markovian switching system is presented. The method integrates the multiple model (MM) filter with an unscented particle filter (UPF) by an interaction step at the beginning. The framework (interaction/mixing, filtering, and combination) is similar to that in a standard IMM filter, but an UPF is adopted in each model. Therefore, the filtering performance and degeneracy phenomenon of particles are improved. The filtering method addresses nonlinear and/or non-Gaussian tracking problems. Simulation results show that the method has better tracking performance compared with the standard IMM-type filter and IMM particle filter.     

基于粒子滤波同化方法的实时洪水预报

为了充分利用实时水文观测数据,提高预报的可靠性,将马斯京根分段连续流量演算法与粒子滤波同化方法进行耦合,构建了基于粒子滤波同化方法的实时洪水预报模型。采用沙溪干流的永安站至沙县站区间6场典型洪水过程对上述实时洪水预报模型进行了验证。结果表明,粒子滤波同化方法对马斯京根分段连续流量演算模型具有较好的适应性,由此得到的校正参数方案的确定性系数为0.85,与无实时校正结果方案和校正方案相比均有一定提高,且预报精度为甲级的洪水场次分别增加了2场和1场,使洪水预报精度得到了一定的提高。     

一种自适应的基于混合高斯模型的运动目标检测算法

为提高运动目标检测的可靠性,提出了一种自适应的基于混合高斯模型的运动目标检测算法．该算法利用混合高斯分布对每个背景像素建模,高斯分布的个数不是固定不变的,而是随着像素值的混乱程度自适应变化．差分图像的像素按大小被分为2部分,然后对这2部分分别进行自适应阈值化分割,得到前景图像．利用基于形态学重构的阴影消除方法来改善前景图像分割的性能．不同实际场景的实验结果表明该算法能够快速准确地建立背景模型,且具有更强的鲁棒性．