导读:本文包含了粒子滤波器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:体育视频,目标检测,运动目标跟踪,粒子滤波
粒子滤波器跟踪论文文献综述
王俊鹏,侯小毛[1]（2018）在《基于优化粒子滤波器的体育视频目标跟踪算法设计（英文）》一文中研究指出针对体育视频中的目标跟踪问题,提出了一种基于优化粒子滤波器的体育视频目标跟踪算法,以便提高目标跟踪的鲁棒性和跟踪精确度。首先通过背景减除实现目标的初步检测。然后基于RGB颜色直方图,结合粒子滤波和颜色分布来实现目标运动模型。最后对目标模型的更新条件进行优化,以便减少不必要的观测模型更新过程。对体育运动员比赛视频序列进行了测试验证,实验结果表明:该方法能够有效完成体育比赛视频中运动员的跟踪。与其他方法进行比较,提出的方法的平均误差更低且运行效率更高。(本文来源于《机床与液压》期刊2018年06期）
董华安,王建国,陆军,王小谟,张昭[2]（2016）在《基于匹配滤波器设计的粒子滤波检测前跟踪算法研究》一文中研究指出传统的基于帧间非相参积累的检测前跟踪方法对单帧信噪比要求较高,信号有效积累时间较短。提出了一种基于相参积累的粒子滤波检测前跟踪算法,在跟踪算法部分分别对目标时延、速度和强度信息进行采样,得到目标的状态估计;在检测算法部分根据目标时延估计重新设计匹配滤波器,并对回波信号再次进行匹配滤波,将回波信号的时延补偿掉,之后进行积累检测。仿真结果表明:在-5 d B这个极低信噪比条件下,该算法具有较高的跟踪精度,延长了信号有效积累时间,提高了信号检测性能。(本文来源于《电光与控制》期刊2016年09期）
王健威[3]（2015）在《基于粒子滤波器的微弱目标检测与跟踪》一文中研究指出目标检测与跟踪在军事跟踪、电力系统故障检测、日常生活中有着广泛的应用。常见的目标检测与跟踪方法有:帧间差分法、背景差分法、光流法、均值漂移法、卡尔曼滤波算法等。但是对于处理复杂背景下的微弱目标,以上算法都有一定的弊端。复杂背景微弱目标视频中,通常具有背景动态性高、噪声强的特点,不适合使用对背景要求较苛刻的背景差分法和帧间差分法;光流法对噪声、遮挡、光线和透明度等因素敏感度过高,导致无法正确计算出光流场;均值漂移法处理低信噪比视频的结果不是很理想,若目标偶尔被完全遮挡,则不能跟踪到目标;卡尔曼滤波(Kalman Filter,KF)算法适合在线性高斯系统中使用,而现实中很多背景具有明显的非线性非高斯特征。粒子滤波器(Particle Filter,PF)是一种基于贝叶斯递推后验概率理论的序贯蒙特卡罗方法。其原理是使用一系列随机抽取的粒子来代替状态的后验概率分布,适用于检测非线性非高斯背景下的目标。但是传统PF算法的重要性分布函数没有用到新的观测信息,增加了估计的误差。结合了无迹卡尔曼滤波算法(Unscented Kalman Filter,UKF)与PF算法的无迹粒子滤波器(Unscented Particle Filter,UPF)在重要性采样过程中用到了最新的观测信息,使产生的预测粒子更接近于系统真实的后验概率分布。但是本文中实际采集的紫外电晕视频信噪比低,仅有灰度信息;目标的位置不能在单独一帧中观测到,需要观察连续的几帧图像才能确定目标的位置。这使传统的UPF算法不能满足本文的应用背景。由于电晕目标的视频只有灰度信息,UPF算法在计算粒子权值时利用的信息过少,导致权值计算不够准确,进而使得跟踪目标不准确。本文针对此缺陷对UPF算法进行了改进:无需人工指定目标区域,而是使用线扫描方法在二值化后的图像中提取包含目标和噪声的候选目标;将目标速度的限制考虑在内,采用灰度直方图来计算粒子权重。另外,传统PF算法和UPF算法都不能处理目标被遮挡的情况,本文在算法中加入了目标遮挡判断,对遮挡的目标进行了处理。设计出一种基于改进型UPF算法的微弱目标检测跟踪新方法。通过分别比较传统PF算法、UPF算法和改进的UPF算法的检测与跟踪结果,可以发现本文中改进的UPF算法在目标被遮挡后再次出现时能够准确跟踪出目标位置,在准确性和鲁棒性方面比传统PF算法和UPF算法也有所提高。最后分析了本文算法的不足之处,对论文进行了总结与展望。(本文来源于《吉林大学》期刊2015-05-01）
贾静平,夏宏,谢萍[4]（2015）在《基于尺度空间粒子滤波器的多参考直方图目标跟踪算法》一文中研究指出在基于直方图的序列图像目标跟踪算法中,目标的直方图通常都是在跟踪初始化时从目标所在的区域获得,然而单个直方图难以适应跟踪全过程中目标的各种变化。针对事先已知目标几种典型外观的跟踪问题,提出了一种基于粒子滤波器的多直方图尺度空间跟踪算法。利用多个典型直方图的线性加权来表示目标的直方图,根据目标的当前区域估计加权系数,生成下一帧的目标概率分布图,在目标概率分布图上运用尺度空间粒子滤波器,来估计多尺度规范化Laplacian滤波函数的极值,从而实现目标的定位。通过在真实序列上与现有算法的对比,表明了此算法不仅可以适应目标的色彩和明暗变化,而且能更准确地描述目标的大小,显着提高跟踪的精度。(本文来源于《系统工程与电子技术》期刊2015年05期）
曹义亲,肖金胜,黄晓生[5]（2014）在《基于蚁群优化的边缘化粒子滤波器跟踪算法》一文中研究指出针对边缘化粒子滤波器(MPF)中的Kalman滤波通常无法从量测方程中获得线性状态估计,以及标准粒子滤波器估计非线性状态计算量大和粒子退化的问题,提出了一种改进的MPF粒子滤波目标跟踪算法。该方法采用状态的预测值作为Kalman粒子滤波的量测更新,用Kalman滤波估计目标的速度和加速度,并通过蚁群优化算法改进标准粒子滤波器,并用以估计目标的位置信息。仿真结果表明:该方法在提高目标状态估计精度的同时,降低了粒子滤波的计算复杂度,克服了粒子滤波退化现象。(本文来源于《实验技术与管理》期刊2014年10期）
胡瑞卿,田杰荣[6]（2014）在《关于采用粒子滤波器检测跟踪低小慢目标的研究》一文中研究指出对于强杂波背景下的低小慢目标,雷达检测变得异常困难。先跟踪后检测(TBD)算法能够有效解决低信噪比条件下低小慢目标的检测与跟踪问题,文章介绍了经典的检测前跟踪技术,分析了基于粒子滤波器的TBD算法,分析了Salmond提出的PF-TBD算法,针对其不能充分利用量测值且有粒子枯竭与退化的缺点,最后提出了相应的改进算法。(本文来源于《电脑知识与技术》期刊2014年19期）
杨龙文[7]（2014）在《基于粒子滤波器的智能目标跟踪算法研究》一文中研究指出多目标跟踪技术作为计算机视觉领域中的一个研究热点,在社会的各个领域都具有极其广泛的应用前景。与单目标跟踪技术相比,多目标跟踪技术仍需解决更多复杂的问题,包括多目标实时检测、目标交叉或相互遮挡和实时目标数目变化等。粒子滤波算法作为一种具有多模式搜索能力的非线性贝叶斯滤波器,能够在非线性、非高斯空间内寻找次优解,为多目标跟踪技术的研究提供了一个新的视野。因此,本文以粒子滤波算法为理论基础,对多目标跟踪算法进行了相关研究。针对目前基于粒子滤波算法构建的多目标跟踪系统中存在的缺陷,做出了相应的改进,并结合实际应用的要求,提出了一种更有效的新智能多目标跟踪算法。本文完成的工作内容可分为叁大部分：首先,对粒子滤波算法理论及其在多目标跟踪技术上的应用进行了学习和研究。针对现有的粒子滤波多目标跟踪算法中存在的缺陷,提出相应的改善方法,并以此构建出一种智能多目标跟踪算法框架。其次,针对多目标检测部分的优化设计问题,本文采用一种HOG+级联Gentle Adaboost检测方法来改善多目标检测的效果。通过实验验证了HOG特征在表征人体特征上的优势,以及Gentle Adaboost在行人检测中展现出的较强稳定性,两者的结合提高了跟踪系统的检测精度。最后,在跟踪部分,对目标运动模型和似然模型进行了优化设计。针对单一特征在复杂跟踪场景内的局限性,提出一种结合分块-积分直方图和LBP特征的多特征融合策略来构建本文算法中的目标似然模型。综上,经实验表明,本文提出的基于粒子滤波器的智能多目标跟踪算法能在实现对目标的智能检测的同时,能较好的适应多目标跟踪环境中出现的目标遮挡、目标交叉和目标形态变化等情况。(本文来源于《广西师范大学》期刊2014-04-01）
王玲玲,辛云宏[8]（2013）在《基于形态学与遗传粒子滤波器的红外小目标检测与跟踪算法》一文中研究指出针对复杂背景下红外小目标的检测与跟踪,提出了一种融合了top-hat算法、遗传算法以及粒子滤波器的新方法.该方法首先采用提取副帧的方法去除目标周围部分的背景和噪音,有效地减少了参与运算的像素数目;其次,将具有不同边缘特性的多个结构体应用于top-hat检测算法中,提高了副帧中预目标的有效性;接着,利用目标时空运动的相关性,结合阈值判断来去除虚假目标,增强了目标检测的可靠性;最后,将遗传算法引入粒子滤波算法,较好地改善了粒子的多样性,在保障跟踪实时性的同时,提高了粒子滤波的准确度.实验结果表明,该算法在检测准确度、跟踪准确度和鲁棒性都具有一定的优越性.(本文来源于《光子学报》期刊2013年07期）
张静,邓金桥[9]（2013）在《基于灰色系统理论和粒子滤波器的目标跟踪算法》一文中研究指出提出一种基于灰色系统理论和粒子滤波的目标跟踪算法,自适应调整搜索范围,并采用交叉熵理论来度量目标模型与粒子确定区域特征模型之间的相似度。先用粒子滤波算法对运动目标状态进行估计,确定目标中心位置,利用历史目标位置状态序列,通过灰色系统理论对下一帧目标状态进行预测;然后对重采样后的粒子的位置和粒子的搜索范围进行修正,采用交叉熵理论来衡量目标与粒子确定区域的特征模型之间的相似度。仿真结果表明,相比传统的粒子滤波算法,新算法具有更好的鲁棒性和跟踪精度。(本文来源于《计算机应用与软件》期刊2013年04期）
邓金桥[10]（2012）在《基于Mean Shift和粒子滤波器的目标跟踪算法研究》一文中研究指出视频目标跟踪技术是计算机视觉、数字图像处理、机器学习等领域研究的一个热点、难点问题，吸引了越来越多的研究者。目标跟踪技术在在军事、安防及视频监控、智能交通、医疗诊断、人机交互等诸多领域，有着广泛的应用。随着计算机技术的发展，计算机视觉的范围会日益扩大，将对人类的生产生活产生巨大的影响。Mean Shift算法和粒子滤波器算法是视频目标跟踪中常用的几种方法，但这些算法也存在自身的缺陷。当目标运动较快，相邻两帧目标没有重合区域或者目标被遮挡又重新出现时，传统的Mean Shift算法容易收敛于局部极小值点，不能精确跟踪目标，或者容易跟丢目标。粒子滤波跟踪各种复杂情形中的目标时，发现粒子滤波器在对粒子进行重采样后，权值大的粒子被复制，在下一帧中权值大的粒子位置应该会朝着目标运动的方向发生一定的移动，所以用上一帧中权值大的粒子去估计下一帧中目标的位置，势必会有一定的误差，粒子滤波的建议分布和粒子搜索范围对跟踪鲁棒性影响也较大。通过查阅了大量的中文以及英文的参考文献，本文对Mean Shift算法和粒子滤波器算法在视频目标跟踪技术中的一些缺陷进行了深入和细致的学习研究，对以上缺点进行了改进。本论文所做的主要研究工作和创新性的研究成果总结如下：（1）详细介绍了国内外视频目标跟踪技术的研究现状，研究了视频目标跟踪技术的常用算法，针对各种方法的优缺点进行了分析，阐述了目标跟踪技术的应用领域，并对视频目标跟踪技术中的存在的难点问题进行了总结。（2）本文将模拟退火算法的思想融入到Mean Shift理论中，改进后的Mean Shift算法可以自适应迭代启发式概率性搜索，能以较大概率求得全局优化，克服了传统的Mean Shift算法容易收敛于局部极小值的缺点，对视频中运动较快的目标或者被遮挡的目标，具有较强的鲁棒性和跟踪性能。（3）提出了一种基于灰色系统理论和粒子滤波的目标跟踪算法，当粒子滤波器对当前帧目标状态估计输出后，利用灰色预测理论，把历史目标位置状态序列和当前状态作为输入信息，对下一帧目标的状态进行预测，通过预测值和当前目标状态估计值，修正重采样后粒子的状态和状态转移概率的过程噪声分布参数，实验表明，本文算法比传统算法具有较好的跟踪效果。（4）采用交叉熵理论来衡量目标与粒子确定区域的特征模型之间的相似度，具有良好的抗辐射失真和抗几何失真能力，克服了Bhattacharyya系数对目标收缩较为敏感，而无法适应目标膨胀的缺点，并根据灰色预测值，自适应调整粒子滤波器的搜索范围，使目标跟踪算法具有更高的跟踪精度。（5）提出了基于Csiszer度量族和粒子滤波器的目标跟踪算法，认真研究分析了Csiszer度量族基本理论，并对Csiszer度量族中的四种特殊情况度量方式进行了编程仿真实现，具有较好的跟踪效果。(本文来源于《辽宁科技大学》期刊2012-12-15）
粒子滤波器跟踪论文开题报告
（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：
传统的基于帧间非相参积累的检测前跟踪方法对单帧信噪比要求较高,信号有效积累时间较短。提出了一种基于相参积累的粒子滤波检测前跟踪算法,在跟踪算法部分分别对目标时延、速度和强度信息进行采样,得到目标的状态估计;在检测算法部分根据目标时延估计重新设计匹配滤波器,并对回波信号再次进行匹配滤波,将回波信号的时延补偿掉,之后进行积累检测。仿真结果表明:在-5 d B这个极低信噪比条件下,该算法具有较高的跟踪精度,延长了信号有效积累时间,提高了信号检测性能。
（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。
粒子滤波器跟踪论文参考文献
[1].王俊鹏,侯小毛.基于优化粒子滤波器的体育视频目标跟踪算法设计（英文）[J].机床与液压.2018
[2].董华安,王建国,陆军,王小谟,张昭.基于匹配滤波器设计的粒子滤波检测前跟踪算法研究[J].电光与控制.2016
[3].王健威.基于粒子滤波器的微弱目标检测与跟踪[D].吉林大学.2015
[4].贾静平,夏宏,谢萍.基于尺度空间粒子滤波器的多参考直方图目标跟踪算法[J].系统工程与电子技术.2015
[5].曹义亲,肖金胜,黄晓生.基于蚁群优化的边缘化粒子滤波器跟踪算法[J].实验技术与管理.2014
[6].胡瑞卿,田杰荣.关于采用粒子滤波器检测跟踪低小慢目标的研究[J].电脑知识与技术.2014
[7].杨龙文.基于粒子滤波器的智能目标跟踪算法研究[D].广西师范大学.2014
[8].王玲玲,辛云宏.基于形态学与遗传粒子滤波器的红外小目标检测与跟踪算法[J].光子学报.2013
[9].张静,邓金桥.基于灰色系统理论和粒子滤波器的目标跟踪算法[J].计算机应用与软件.2013
[10].邓金桥.基于MeanShift和粒子滤波器的目标跟踪算法研究[D].辽宁科技大学.2012