导读:本文包含了粒子滤波跟踪论文开题报告文献综述及选题提纲参考文献，主要关键词:目标跟踪,粒子滤波,状态估计,估计均方误差
粒子滤波跟踪论文文献综述
李亚文,刘萌[1]（2019）在《一种改进型的粒子滤波算法在运动目标跟踪中的应用》一文中研究指出针对传统粒子滤波算法进行目标跟踪时,当跟踪目标颜色与背景近似或者有遮挡时,易出现跟踪丢失的现象,论文提出了一种改进型的粒子滤波算法,将传统粒子滤波算法和卡尔曼滤波算法相结合,将跟踪目标分成多个子块并进行子模块匹配,并把匹配的子模块和预测的目标位置进行融合,实现对运动目标的准确跟踪。对采集的一段视频在Matlab中进行仿真实验,实验结果表明,改进型的粒子滤波算法能较好的实现对目标背景近似或遮挡时运动目标的跟踪,跟踪精度较高,算法鲁棒性好。(本文来源于《舰船电子工程》期刊2019年10期）
张颖,高灵君[2]（2019）在《基于格拉布斯准则和改进粒子滤波算法的水下传感网目标跟踪》一文中研究指出水下无线传感网络(UWSN)执行目标跟踪时,因为各个传感器节点测量值对目标状态估计的贡献不一样以及节点能量有限,所以探索一种好的节点融合权重方法和节点规划机制能够获得更好的跟踪性能。针对上述问题,该文提出一种基于Grubbs准则和互信息熵加权融合的分布式粒子滤波(PF)目标跟踪算法(GMIEW)。首先利用Grubbs准则对传感器节点所获得的信息进行分析检验,去除干扰信息和错误信息。其次,在粒子滤波的重要性权值计算的过程中,引入动态加权因子,采用传感器节点的测量值与目标状态之间的互信息熵,来反映传感器节点提供的目标信息量,从而获得各个节点相应的加权因子。最后,采用3维场景下的簇-树型网络拓扑结构,跟踪监测区域内的目标。实验结果显示,该算法可有效提高水下传感器网络测量数据对目标跟踪预测的准确度,降低跟踪误差。(本文来源于《电子与信息学报》期刊2019年10期）
刘震[3]（2019）在《高斯和粒子滤波的弱小目标检测前跟踪算法》一文中研究指出为了解决微弱目标检测和跟踪的问题,提出了高斯和粒子滤波检测前跟踪算法(GSPF-TBD);该算法基于高斯和粒子滤波递归地估计目标的后验概率密度,不仅避免了基本粒子滤波TBD(检测前跟踪)方法中的重采样过程,而且更能准确地逼近后验概率密度。将粒子滤波算法(PF)、高斯粒子滤波算法(GPF)和高斯和粒子滤波算法(GSPF)应用于弱小目标的检测前跟踪的仿真实验表明,所提出的GSPF-TBD算法提高了对目标的检测和跟踪性能。(本文来源于《计算机与数字工程》期刊2019年09期）
赵康,王正勇,何小海,郑新波,田刚[4]（2019）在《基于改进粒子滤波的视觉目标跟踪》一文中研究指出针对目标跟踪算法在精度和鲁棒性上的要求,提出一种基于改进粒子滤波的视觉目标跟踪算法.首先,建立多种特征来描述目标外观模型,并对各特征分量的加权系数进行自适应调节;然后,利用分类重采样方法解决原始重采样方法中的粒子退化和匮乏问题;最后,提出一种新的模板更新机制,自适应选取运动模板或原始模板.实验结果表明,改进后的算法在具有挑战的跟踪视频序列上实验,具有良好的跟踪精度和鲁棒性,能够应对视频图像分辨率不高、目标转动变化、部分遮挡等复杂条件.(本文来源于《四川大学学报(自然科学版)》期刊2019年05期）
付饶,管业鹏[5]（2019）在《基于卡尔曼预测粒子滤波的网球运动目标跟踪方法》一文中研究指出为有效跟踪视频网球运动,提出了一种基于卡尔曼滤波预测的粒子滤波网球运动跟踪方法。基于多尺度小波变换在时域和空域均具有优异的局部化特征,将相邻帧视频图像进行差分,提取反映前景运动的目标特征信息,克服光照变化以及网球运动尺度随时不断变化的不利因素影响;同时,基于网球场地结构化特性,排除场地外不利干扰因素影响。在此基础上,采用卡尔曼滤波对粒子进行预测和修正,将当前观测信息融入到粒子滤波过程中,估计预测粒子状态的均值和协方差,使动态粒子更加接近其后验概率分布,从而提高网球运动目标的跟踪精度。通过与同类方法在不同网球公开赛的定量对比,实验结果表明,所提方法能有效跟踪视频网球运动目标。(本文来源于《电子器件》期刊2019年04期）
温宗周,程少康,李丽敏,刘亮,李璐[6]（2019）在《改进粒子滤波与均值漂移特征融合的目标跟踪》一文中研究指出针对复杂场景下目标因光照变化、部分遮挡以及相似颜色区域影响的稳定跟踪问题,提出一种改进粒子滤波与均值漂移(Mean Shift)特征融合的目标跟踪方法。样本粒子在多次更新迭代后,无限逼近目标的后验概率分布。采取自适应融合策略将颜色与轮廓特征相融合,在重采样之前将核函数进行加权调整。与经典Mean Shift算法和粒子滤波算法进行对比,实验结果表明,该方法在处理目标跟踪过程中受光照、遮挡与相似颜色等影响时,跟踪效果最佳。(本文来源于《计算机工程与设计》期刊2019年08期）
石洋,胡长青,崔杰[7]（2019）在《免疫粒子滤波在声呐图像目标跟踪中的应用》一文中研究指出基于前视声呐图像序列,研究并实现了经免疫算法优化的粒子滤波水下目标跟踪。声呐图像分割成二值图后,提取目标的区域形状特征以构建观测模型,设计目标模板自适应更新方法;将免疫算法的克隆与变异思想引入到粒子滤波中以解决粒子退化问题。对两组水下运动物体的跟踪实验表明,即使目标存在一定形变与干扰,文中的免疫粒子滤波算法仍能以较高的精度跟踪到目标真实运动轨迹;相比于传统粒子滤波算法,稳定性也更强。(本文来源于《声学技术》期刊2019年04期）
张忠子[8]（2019）在《基于改进粒子滤波跟踪算法的运动视频跟踪》一文中研究指出为了进一步提高目标跟踪的准确率,提出一种基于改进粒子滤波的运动视频跟踪算法。首先,通过高斯混合模型实现动态背景建模,从而降低噪声和局部动态背景的干扰;然后,在RGB颜色直方图分离的基础上,结合粒子滤波和迭代递归实现目标运动检测,提高了前景检测的准确性。仿真试验结果显示,相比典型粒子滤波算法、遗传粒子滤波和DCEM,改进粒子滤波跟踪算法得到的前景目标的轮廓更好,因此运动目标检测精确度更高且处理时间更短。(本文来源于《现代电子技术》期刊2019年15期）
赵多禄,胡绩强[9]（2019）在《改进的多模型粒子滤波弱小目标检测前跟踪方法》一文中研究指出检测前跟踪是解决目标信噪比(SNR)较低的情况下目标检测与跟踪的有效方法。目前主要的研究方法有多模型粒子滤波弱小目标检测前跟踪方法(MMPF-TBD),该方法在目标出现较强的机动时,目标的检测性能会严重下降甚至出现漏检。该文针对该问题提出了一种改进的多模型粒子滤波弱小目标检测前跟踪方法(IMMPF-TBD),该方法可以降低模型之间转移计算复杂度,并且有效地提高模型的使用效率和目标的检测性能。仿真实验结果表明相比于MMPF-TBD,IMMPF-TBD能够有效地提高机动目标的检测性能。(本文来源于《自动化与仪表》期刊2019年06期）
胡坚强,舒志兵[10]（2019）在《基于均值偏移与粒子滤波融合的目标跟踪算法研究》一文中研究指出针对Mean Shift算法核窗宽固定及粒子滤波计算复杂,实际应用跟踪滞后严重问题,提出一种基于均值偏移与粒子滤波融合的目标跟踪算法。利用均值偏移算法的快速收敛性,迭代计算粒子集,保留权值前15%的粒子构成新粒子集,降低系统计算周期,通过重采样得到大权重粒子,更新粒子集,提高目标定位精度。实验结果表明:该算法能够有效解决跟踪运动目标的问题,降低了算法复杂度,提高了计算效率,实验验证过程中未出现跟踪目标丢失的情况。(本文来源于《电子器件》期刊2019年03期）
粒子滤波跟踪论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
水下无线传感网络(UWSN)执行目标跟踪时,因为各个传感器节点测量值对目标状态估计的贡献不一样以及节点能量有限,所以探索一种好的节点融合权重方法和节点规划机制能够获得更好的跟踪性能。针对上述问题,该文提出一种基于Grubbs准则和互信息熵加权融合的分布式粒子滤波(PF)目标跟踪算法(GMIEW)。首先利用Grubbs准则对传感器节点所获得的信息进行分析检验,去除干扰信息和错误信息。其次,在粒子滤波的重要性权值计算的过程中,引入动态加权因子,采用传感器节点的测量值与目标状态之间的互信息熵,来反映传感器节点提供的目标信息量,从而获得各个节点相应的加权因子。最后,采用3维场景下的簇-树型网络拓扑结构,跟踪监测区域内的目标。实验结果显示,该算法可有效提高水下传感器网络测量数据对目标跟踪预测的准确度,降低跟踪误差。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
粒子滤波跟踪论文参考文献
[1].李亚文,刘萌.一种改进型的粒子滤波算法在运动目标跟踪中的应用[J].舰船电子工程.2019
[2].张颖,高灵君.基于格拉布斯准则和改进粒子滤波算法的水下传感网目标跟踪[J].电子与信息学报.2019
[3].刘震.高斯和粒子滤波的弱小目标检测前跟踪算法[J].计算机与数字工程.2019
[4].赵康,王正勇,何小海,郑新波,田刚.基于改进粒子滤波的视觉目标跟踪[J].四川大学学报(自然科学版).2019
[5].付饶,管业鹏.基于卡尔曼预测粒子滤波的网球运动目标跟踪方法[J].电子器件.2019
[6].温宗周,程少康,李丽敏,刘亮,李璐.改进粒子滤波与均值漂移特征融合的目标跟踪[J].计算机工程与设计.2019
[7].石洋,胡长青,崔杰.免疫粒子滤波在声呐图像目标跟踪中的应用[J].声学技术.2019
[8].张忠子.基于改进粒子滤波跟踪算法的运动视频跟踪[J].现代电子技术.2019
[9].赵多禄,胡绩强.改进的多模型粒子滤波弱小目标检测前跟踪方法[J].自动化与仪表.2019
[10].胡坚强,舒志兵.基于均值偏移与粒子滤波融合的目标跟踪算法研究[J].电子器件.2019