留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

自调整分层卡尔曼粒子滤波的快速目标跟踪

徐超 高敏 杨耀

徐超, 高敏, 杨耀. 自调整分层卡尔曼粒子滤波的快速目标跟踪[J]. 红外与激光工程, 2015, 44(6): 1942-1949.
引用本文: 徐超, 高敏, 杨耀. 自调整分层卡尔曼粒子滤波的快速目标跟踪[J]. 红外与激光工程, 2015, 44(6): 1942-1949.
Xu Chao, Gao Min, Yang Yao. Self-tuning hierarchical Kalman-particle filter for efficient target tracking[J]. Infrared and Laser Engineering, 2015, 44(6): 1942-1949.
Citation: Xu Chao, Gao Min, Yang Yao. Self-tuning hierarchical Kalman-particle filter for efficient target tracking[J]. Infrared and Laser Engineering, 2015, 44(6): 1942-1949.

自调整分层卡尔曼粒子滤波的快速目标跟踪

基金项目: 

军内科研项目;军械工程学院科研基金(YJJM11018)

详细信息
    作者简介:

    徐超(1987-),男,博士生,主要从事计算机视觉及图像末制导技术方面的研究。Email:475084845@qq.com

  • 中图分类号: TP391

Self-tuning hierarchical Kalman-particle filter for efficient target tracking

  • 摘要: 分层卡尔曼粒子滤波成功应用于目标跟踪,但其只对目标位置进行了优化,忽略了其他仿射参数,导致跟踪中的粒子数目仍然很大。为了实现复杂环境下的快速目标跟踪,提出一种带有自调整策略的分层卡尔曼粒子滤波方法。该方法将目标划分为线性和非线性状态空间,并通过少量粒子的迭代过程在非线性状态空间逐步搜索最优状态。其详细过程如下:首先,利用卡尔曼滤波预测目标位置,结合目标运动信息计算潜在目标区域;然后在该区域内生成一组随机粒子,通过在线姿态估计对粒子状态进行调整,并将观测结果与目标模板进行比较,修正粒子摄动的方向以逼近目标。把该方法应用于大机动目标的视频序列中,并与现有的跟踪方法进行了对比。结果表明,所提方法能够以少量粒子实现准确、稳定的目标跟踪,大大降低了跟踪算法的运算量,提高了跟踪效果。
  • [1]
    [2] Wang Fasheng, Lu Mingyu, Zhao Qingjie, et al. Particle filtering algorithm [J]. Chinese Journal of Computers, 2014, 37(8): 1679-1694. (in Chinese)
    [3] Thomas V, Ray A K. Fuzzy particle filter for video surveillance[J]. IEEE Transactions on Fuzzy Systems, 2011, 19(5): 937-945.
    [4]
    [5] Shana C, Tan T, Wei Y. Real-time hand tracking using a mean shift embedded particle filter[J]. Pattern Recognition, 2007, 40: 1958-1970.
    [6]
    [7] Tian Li, Zhou Fugen, Meng Cai. Parallel particle filter object tracking based on embedded multi-core DSP systems[J]. Infrared and Laser Engineering, 2014, 43(7): 2354-2361.
    [8]
    [9]
    [10] Cao Yang, Zhao Mingfu, Luo Binbin, et al. Airborne platform's tracking algorithm for free space optical [J]. Infrared and Laser Engineering, 2012, 41(11): 3065-3068.
    [11] Cheng H Y, Hwang J N. Adaptive particle sampling and adaptive appearance for multiple video object tracking[J]. Signal Processing, 2009, 89: 1844-1849.
    [12]
    [13]
    [14] Bimbo A D, Dini F. Particle filter-based visual tracking with a first order dynamic model and uncertainty adaptation[J]. Computer Vision and Image Understanding, 2011, 115: 771-786.
    [15] Kwon J, Lee K M, Park F C. Visual tracking via geometric particle filtering on the affine group with optimal importance functions [C]//IEEE CVPR, 2009: 991-998.
    [16]
    [17]
    [18] Li P, Zhang T, Pece A. Visual contour tracking based on particle filters[J]. Image Vis Comput, 2003, 21(1): 111-123.
    [19]
    [20] Xia Nan, Qiu Tianshuang, Li Jingchun, et al. A nonlinear filtering algorithm combining the kalman filter and the particle filter [J]. Acta Electronic Sinca, 2013, 41(1): 148-152. (in Chinese)
    [21]
    [22] Rui Y, Chen Y. Better proposal distributions: object tracking using the unscented particle filter[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2001, 2: 786-793.
    [23] Li Quan, Zhao Xunjie, Peng Qingyan, et al. Windows adaptive particle filter algorithm based on principal component analysis[J]. Infrared and Laser Engineering, 2014, 43(10): 3474-3479. (in Chinese)
    [24]
    [25]
    [26] Khan Z, Balch T, Dellaert F. A Rao-Blackwellized particle filter for Eigen tracking [C]//IEEE Conference on Computer Vision and Pattern Recognition, 2004: 980-986.
    [27]
    [28] Hu Zhentao, Liu Xianxing, Hou Yandong. Real-time marginalized particle filter based on weights consistency optimization[J]. Acta Electronica Sinca, 2014, 42(10): 1970-1976. (in Chinese)
    [29]
    [30] Yin S, Na J H, Choi Y J, et al, Hierarchical kalman-particle filter with adaptation to motion changes for object tracking [J]. Computer Vision and Image Understanding, 2011, 115: 885-900.
    [31] Li M, Tan T, Chen W, et al. Efficient object tracking by incremental self-tuning particle filtering on the affine group [J]. IEEE Transactions on Image Processing, 2012, 21(3): 1298-1313.
  • [1] 王向军, 朱慧.  利用国产FPGA的高帧率目标跟踪方法 . 红外与激光工程, 2023, 52(9): 20220905-1-20220905-12. doi: 10.3788/IRLA20220905
    [2] 张景程, 乔新博, 赵永强.  红外偏振摄像机动目标检测跟踪系统(特邀) . 红外与激光工程, 2022, 51(4): 20220233-1-20220233-10. doi: 10.3788/IRLA20220233
    [3] 许聪, 孙大鹰, 曹子奇, 李春琦, 顾文华.  采用自适应模糊优化的目标跟踪加速方案 . 红外与激光工程, 2022, 51(2): 20210864-1-20210864-8. doi: 10.3788/IRLA20210864
    [4] 陈法领, 丁庆海, 罗海波, 惠斌, 常铮, 刘云鹏.  采用时空上下文的抗遮挡实时目标跟踪 . 红外与激光工程, 2021, 50(1): 20200105-1-20200105-11. doi: 10.3788/IRLA20200105
    [5] 姜珊, 张超, 韩成, 底晓强.  基于相关滤波的目标重检测跟踪 . 红外与激光工程, 2021, 50(2): 20200182-1-20200182-12. doi: 10.3788/IRLA20200182
    [6] 张楠, 孙剑峰, 姜鹏, 刘迪, 王鹏辉.  激光雷达场景三维姿态点法向量估计方法 . 红外与激光工程, 2020, 49(1): 0105004-0105004(8). doi: 10.3788/IRLA202049.0105004
    [7] 张欣, 李思宁, 孙剑峰, 姜鹏, 刘迪, 王鹏辉.  基于Mean Shift点法向量分类的目标三维姿态估计 . 红外与激光工程, 2020, 49(S2): 20200109-20200109. doi: 10.3788/IRLA20200109
    [8] 曲蕴杰, 莫宏伟, 王常虹.  一种用于无人机的目标颜色核相关跟踪算法研究 . 红外与激光工程, 2018, 47(3): 326001-0326001(7). doi: 10.3788/IRLA201847.0326001
    [9] 葛宝义, 左宪章, 胡永江, 张岩.  基于双步相关滤波的目标跟踪算法 . 红外与激光工程, 2018, 47(12): 1226004-1226004(10). doi: 10.3788/IRLA201847.1226004
    [10] 罗海波, 许凌云, 惠斌, 常铮.  基于深度学习的目标跟踪方法研究现状与展望 . 红外与激光工程, 2017, 46(5): 502002-0502002(7). doi: 10.3788/IRLA201746.0502002
    [11] 马俊凯, 罗海波, 常铮, 惠斌, 周晓丹, 侯德飞.  基于可变形模型的目标跟踪算法 . 红外与激光工程, 2017, 46(9): 928001-0928001(9). doi: 10.3788/IRLA201746.0928001
    [12] 邵春艳, 丁庆海, 罗海波, 李玉莲.  采用高维数据聚类的目标跟踪 . 红外与激光工程, 2016, 45(4): 428002-0428002(10). doi: 10.3788/IRLA201645.0428002
    [13] 邢运龙, 李艾华, 崔智高, 方浩.  改进核相关滤波的运动目标跟踪算法 . 红外与激光工程, 2016, 45(S1): 214-221. doi: 10.3788/IRLA201645.S126004
    [14] 崔雄文, 吴钦章, 蒋平, 周进.  子空间模型下的仿射不变目标跟踪 . 红外与激光工程, 2015, 44(2): 769-774.
    [15] 赵曦晶, 刘光斌, 汪立新, 何志昆, 赵晗.  五阶容积卡尔曼滤波算法及其应用 . 红外与激光工程, 2015, 44(4): 1377-1381.
    [16] 冯春, 吴洪涛, 陈柏.  基于多传感器融合的航天器间位姿参数估计 . 红外与激光工程, 2015, 44(5): 1616-1622.
    [17] 赵曦晶, 刘光斌, 汪立新, 何志昆, 姚志成.  扩展容积卡尔曼滤波-卡尔曼滤波组合算法 . 红外与激光工程, 2014, 43(2): 647-653.
    [18] 田立, 周付根, 孟偲.  基于嵌入式多核DSP 系统的并行粒子滤波目标跟踪 . 红外与激光工程, 2014, 43(7): 2354-2361.
    [19] 黎志华, 李新国.  基于OpenCV的红外弱小运动目标检测与跟踪 . 红外与激光工程, 2013, 42(9): 2561-2565.
    [20] 彭晨, 陈钱, 钱惟贤, 徐富元.  复杂地面场景下的红外运动目标跟踪 . 红外与激光工程, 2013, 42(6): 1410-1414.
  • 加载中
计量
  • 文章访问数:  431
  • HTML全文浏览量:  58
  • PDF下载量:  315
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-10-05
  • 修回日期:  2014-12-15
  • 刊出日期:  2015-06-25

自调整分层卡尔曼粒子滤波的快速目标跟踪

    作者简介:

    徐超(1987-),男,博士生,主要从事计算机视觉及图像末制导技术方面的研究。Email:475084845@qq.com

基金项目:

军内科研项目;军械工程学院科研基金(YJJM11018)

  • 中图分类号: TP391

摘要: 分层卡尔曼粒子滤波成功应用于目标跟踪,但其只对目标位置进行了优化,忽略了其他仿射参数,导致跟踪中的粒子数目仍然很大。为了实现复杂环境下的快速目标跟踪,提出一种带有自调整策略的分层卡尔曼粒子滤波方法。该方法将目标划分为线性和非线性状态空间,并通过少量粒子的迭代过程在非线性状态空间逐步搜索最优状态。其详细过程如下:首先,利用卡尔曼滤波预测目标位置,结合目标运动信息计算潜在目标区域;然后在该区域内生成一组随机粒子,通过在线姿态估计对粒子状态进行调整,并将观测结果与目标模板进行比较,修正粒子摄动的方向以逼近目标。把该方法应用于大机动目标的视频序列中,并与现有的跟踪方法进行了对比。结果表明,所提方法能够以少量粒子实现准确、稳定的目标跟踪,大大降低了跟踪算法的运算量,提高了跟踪效果。

English Abstract

参考文献 (31)

目录

    /

    返回文章
    返回