CN104794736B - 一种基于高斯改进型粒子群粒子滤波的移动目标追踪方法 - Google Patents
一种基于高斯改进型粒子群粒子滤波的移动目标追踪方法 Download PDFInfo
- Publication number
- CN104794736B CN104794736B CN201510166890.8A CN201510166890A CN104794736B CN 104794736 B CN104794736 B CN 104794736B CN 201510166890 A CN201510166890 A CN 201510166890A CN 104794736 B CN104794736 B CN 104794736B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- mover
- particle
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 239000002245 particle Substances 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000005352 clarification Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 239000002537 cosmetic Substances 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 125000000623 heterocyclic group Chemical group 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于信号处理领域，具体涉及用于快速跟踪外观变化的移动目标的基于高斯改进型粒子群粒子滤波的移动目标追踪方法。本发明包括：首先在视频第一帧中选取目标，初始化特征基；跟踪过程采集下一帧图像，获得跟踪目标的特征基；通过高斯改进型粒子群粒子滤波器滤波，存储对应于概率最大的粒子的图像窗口；当达到采集的图像达到要求的数目，进行观测值特征基的更新。本发明主要针对移动机器人快速跟踪外观变化的移动目标，提出一种能够提高复杂环境下快速跟踪移动目标的方法。本发明利用低维特征基空间表示描述跟踪的物体，采用高斯改进粒子群粒子滤波器进行跟踪目标位置的跟踪，从而提高了跟踪移动目标的速度。
Description
技术领域
本发明属于信号处理领域，具体涉及用于快速跟踪外观变化的移动目标的基于高斯改进型粒子群粒子滤波的移动目标追踪方法。
背景技术
移动目标的跟踪在许多方面有着广泛的用途，如公共安全，政府监控，军事。
在近几年，基于粒子滤波的目标跟踪技术得到了长远的发展，粒子滤波通过追踪系统状态概率分布来实现状态的估计，并通过贝叶斯定理实现条件概率的转移。通过蒙特卡洛仿真手段产生大量的粒子，并由其分散的情况来逼近状态的概率分布，因此可以使用与任何能用状态空间模型表示的非线性系统，以及传统解析高斯滤波近似算法难以表示的非高斯系统，且精度可以逼近最优估计。基于以上的优点，粒子滤波迅速代替了卡尔曼滤波在目标跟踪中得到广泛的应用。
在检索文献及专利中也有不少关于目标跟踪的算法。如一种运动目标跟踪算法(公开号：CN 104182994 A)，其特点是根据目标的颜色信息计算相应颜色直方图并采用了以一阶自回归模型为基础的状态转移方程来对粒子的大概轨迹区域进行预测；对预测区域进行采样，根据选取的重要性函数计算每个例子的权值，以大权值的粒子集来估计目标位置；利用重采样的方法来解决粒子退化的问题。该发明中提出的重采样是一中早已提出的算法，并且该发明在重要性采样中并没有使用当前观测值，这会增加该方法对于噪声的敏感性，而且重采样将会使得计算量大大增加，使得实时性降低。
发明内容
本发明的目的在于提供一种基于高斯改进型粒子群粒子滤波的移动目标追踪方法。
本发明的目的是这样实现的：
(1)首先在视频第一帧中选取目标，初始化特征基；
(2)跟踪过程采集下一帧图像，获得跟踪目标的特征基；
(3)通过高斯改进型粒子群粒子滤波器滤波，存储对应于概率最大的粒子的图像窗口；
(3.1)初始化粒子群飞行速度，设置学习因子，初始化粒子滤波器，首先由p(x0)抽取样本其中N为采样粒子数；
(3.2)使用状态转移方程fn(·)将样本在时间上向前传播，即
其中vn为噪声项，xn表示在tn时刻的状态变量；
(3.3)计算和即
(3.4)计算重要性权值
(3.5)将样本粒子的权值进行归一化，得
其中为归一化前的权值，为归一化后的权值，
(3.6)求取对应最大的权值的粒子作为粒子群初始全局最优的粒子；
(3.7)将粒子的权重作为粒子群的适应值；
(3.8)根据粒子群算法利用下式来更新每个粒子的速度和位置：
其中C1C2为常数，rand()为随机数；为第i粒子在第j维的飞行速度，即粒子在一次迭代中移动的距离；为第i个粒子在第j维位置；pij为当前粒子最优位置，pgj为全局最优位置；
3.9)再一次计算各个样本的权值，
(3.10)将各样本粒子的权值归一化，
(3.11)求取最大权值对应的粒子，如果粒子的权值小于设置的阈值，并且在设置的次数内跳转到步骤(3.6)；
(3.12)输出对应最大权值的粒子；
(4)当达到采集的图像达到要求的数目，进行观测值特征基的更新。
本发明的有益效果在于：
本发明主要针对移动机器人快速跟踪外观变化的移动目标，提出一种能够提高复杂环境下快速跟踪移动目标的方法。本发明利用低维特征基空间表示描述跟踪的物体，首先得到跟踪目标的低维特征空间表示，在此基础上，采用高斯改进粒子群粒子滤波器进行跟踪目标位置的跟踪，从而提高了跟踪移动目标的速度。
附图说明
图1是本发明的流程图。
图2是本发明的高斯改进型粒子群粒子滤波的流程图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明设计了基于高斯改进型粒子群粒子滤波的移动目标追踪方法，包括：获得目标的特征基，通过高斯改进型粒子群粒子滤波器进行滤波，更新特征基。首先在视频第一帧中选取目标，初始化特征基；跟踪过程采集下一帧图像，获得跟踪目标的特征基；根据动态模型从高斯改进型粒子群粒子滤波中采样粒子；对于每个粒子，从当前帧中提取相应的搜索窗，并计算权值；当达到采集的图像达到要求的数目，进行观测值特征基的更新。本发明能够提高在复杂背景中跟踪外观变化的移动目标的速度。
本发明包括下列步骤：
1)首先在视频第一帧中选取目标，初始化特征基；
2)跟踪过程采集下一帧图像，获得跟踪目标的特征基；
3)根据动态模型从高斯改进型粒子群粒子滤波中采样粒子；
4)对于每个粒子，从当前帧中提取相应的搜索窗，并计算权值；
5)存储对应于概率最大的粒子的图像窗口；
6)当达到采集的图像达到要求的数目，进行观测值特征基的更新。
高斯改进型粒子滤波步骤如下：
1)状态初始化；
2)状态转移根据观测方程更新粒子状态；
3)计算粒子权重；
4)改进型粒子群算法进一步优化粒子位置；
5)判断是否到达设定阈值，如果没有到达，转到步骤4)；
6)输出最优位置。
如图1所示，本发明包含3个主要的步骤：获得目标的特征基，通过高斯改进型粒子群粒子滤波器进行滤波，更新特征基。
具体方案如下：
1.目标的特征基提取
由于本发明需要在目标外观变化的情况下进行移动的目标的跟踪，因此采用利用低维子空间表示来描述跟踪的目标。得到目标的低维之空间表示的方法如下：
假设有一个d×n维的数据矩阵A＝(I1 I2…In),其中每一列Ii均是一个目标观测值，表示第i个输入样本(表示跟踪图像的d维向量)，然后计算其奇异值分解。特征基通过计算样本的协方差矩阵的特征向量U
得到，其中即训练图像的样本均值。等效的特征向量U也可以通过计算中心数据矩阵的奇异值分解UΣVT得到，中心数据矩阵的列等于相应的样本图像减去均值。
2.高斯改进型粒子群粒子滤波器处理
高斯改进型粒子群滤波器不需要递归的权值更新，而是在每次序贯更新滤波器并计算新的权值。
本发明建立的仿真模型如下：
(1)运动模型
视觉跟踪问题可以认为是马尔科夫模型中通过隐状态变量的推导任务。状态变量xt描述了目标子在t时刻的的运动参数。给定观测图像集合z1:t-1＝{z1,z2,…zt-1}，目的是估计隐状态变量xt的值。采用贝叶斯原理，后验密度由先验密度和观测概率组成，有如下的结果：
p(xn|z1:n)＝cp(zn|xn)p(xn|z1:n-1) (1)
p(xn|z1:n-1)＝∫p(xn|xn-1)p(xn-1|z1:n-1)dxn-1 (2)
其中c为常数。
根据高斯粒子滤波，假设后验密度和先验密度都是高斯分布，即
p(xn|z1:n)＝N(xn；μn,Σn)(3)
其中N(xn；μn,Σn)是μ为均值，Σn为方差的高斯分布。
假设在tn-1时刻，在所有的观测值之前，有如下密度信息，即
p(xn-1)＝N(xn-1；μn-1,Σn-1) (5)
首先由p(xn-1)抽取样本然后使用状态转移方程fn(·)将样本在时间上向前传播，即
其中vn为噪声项。
然后计算和即
将重要性权值计算方法写成非迭代的形式，即
在从重要性密度q(xn|z1:n)中采样后，i＝1,…,N,权值变成
采用重要性采样密度为先验密度，即
于是得到
将粒子的权值进行归一化，得
其中为归一化前的权值，为归一化后的权值。
(2)观测模型
定义δi:为特征函数选择与动态特征基相关的系数。对于x，δi(x)是一个新的向量，是由稀疏方案是给出的仅与动态特征基相关的非零系数。利用这些非零系数可以构建似然函数模型：
其中U为特征向量。为对应在观测中的值。
如图2所示，高斯改进型粒子群粒子滤波器详细步骤阐述如下：
1)初始化粒子群飞行速度，设置学习因子。初始化粒子滤波器，首先由p(x0)
抽取样本
2)使用动态方程fn(·)将样本在时间上向前传播，即
3)计算和即
4)计算重要性权值
5)将样本粒子的权值进行归一化，得
6)求取对应最大的权值的粒子作为粒子群初始全局最优的粒子；
7)将粒子的权重作为粒子群的适应值；
8)根据粒子群算法利用下式来更新每个粒子的速度和位置
9)再一次计算各个样本的权值。
10)将各样本粒子的权值归一化。
11)求取最大权值对应的粒子，如果粒子的权值小于设置的阈值。并且在设
置的次数内跳转到步骤6)。
12)输出对应最大权值的粒子。
3.更新特征基
假设原来的训练数据A＝[I1,I2,…,In]，A的奇异值分解结果为新增的数据B＝[In+1,In+2,…,In+m]，则新的数据集C＝[AB],而U的跟新过程如下：
1)计算B的均值则其中f是遗忘因子，用于确保模型受新的观测数据的影响大于过往的数据：
2)构造矩阵
3)正交化(B-UUTB)获得由此计算得到
4)对R进行SVD分解，
5)更新
其中为A的均值。
Claims (1)
1.一种基于高斯改进型粒子群粒子滤波的移动目标追踪方法，其特征在于，包括如下步骤：
(1)首先在视频第一帧中选取目标，初始化特征基；
(2)跟踪过程采集下一帧图像，获得跟踪目标的特征基；
设有一个d×n维的数据矩阵A＝(I1 I2 … In)，其中每一列Ii均是一个目标观测值，表示第i个输入样本，计算目标观测值的奇异值分解；特征基通过计算样本的协方差矩阵的特征向量U得到，其中即训练图像的样本均值；等效的特征向量U通过计算中心数据矩阵的奇异值分解U∑VT得到，中心数据矩阵的列等于相应的样本图像减去均值；
(3)通过高斯改进型粒子群粒子滤波器滤波，存储对应于概率最大的粒子的图像窗口；
(3.1)初始化粒子群飞行速度，设置学习因子，初始化粒子滤波器，首先由p(x0)抽取样本其中N为采样粒子数；
(3.2)使用状态转移方程fn(·)将样本在时间上向前传播，即
<mrow>
<msubsup>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<msub>
<mi>f</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>v</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
</mrow>
其中vn为噪声项，表示在tn时刻的状态变量；
(3.3)计算和即
<mrow>
<msub>
<mover>
<mi>&mu;</mi>
<mo>&OverBar;</mo>
</mover>
<mi>n</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
<mrow>
<msub>
<mover>
<mi>&Sigma;</mi>
<mo>&OverBar;</mo>
</mover>
<mi>n</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<msubsup>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mi>T</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msub>
<mover>
<mi>&mu;</mi>
<mo>&OverBar;</mo>
</mover>
<mi>n</mi>
</msub>
<msubsup>
<mover>
<mi>&mu;</mi>
<mo>&OverBar;</mo>
</mover>
<mi>n</mi>
<mi>T</mi>
</msubsup>
</mrow>
(3.4)计算重要性权值
<mrow>
<msubsup>
<mover>
<mi>&omega;</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>n</mi>
</msub>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
(3.5)将样本粒子的权值进行归一化，得
<mrow>
<msubsup>
<mover>
<mi>&omega;</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<msubsup>
<mover>
<mi>&omega;</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mover>
<mi>&omega;</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</mfrac>
</mrow>
其中为归一化前的权值，为归一化后的权值，
(3.6)求取对应最大的权值的粒子作为粒子群初始全局最优的粒子；
(3.7)将粒子的权重作为粒子群的适应值；
(3.8)根据粒子群算法利用下式来更新每个粒子的速度和位置：
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mrow>
其中C1、C2为常数，rand1()、rand2()为随机数；为第i粒子在第j维的飞行速度，即粒子在一次迭代中移动的距离；为第i个粒子在第j维位置；pij为当前粒子最优位置，pgj为全局最优位置；
(3.9)再一次计算各个样本的权值，
<mrow>
<msubsup>
<mover>
<mi>&omega;</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>n</mi>
</msub>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
(3.10)将各样本粒子的权值归一化，
<mrow>
<msubsup>
<mover>
<mi>&omega;</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<msubsup>
<mover>
<mi>&omega;</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mover>
<mi>&omega;</mi>
<mo>~</mo>
</mover>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
(3.11)求取最大权值对应的粒子，如果粒子的权值小于设置的阈值，并且在设置的次数内跳转到步骤(3.6)；
(3.12)输出对应最大权值的粒子；
(4)当达到采集的图像达到要求的数目，进行观测值特征基的更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510166890.8A CN104794736B (zh) | 2015-04-09 | 2015-04-09 | 一种基于高斯改进型粒子群粒子滤波的移动目标追踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510166890.8A CN104794736B (zh) | 2015-04-09 | 2015-04-09 | 一种基于高斯改进型粒子群粒子滤波的移动目标追踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104794736A CN104794736A (zh) | 2015-07-22 |
| CN104794736B true CN104794736B (zh) | 2017-11-21 |
Family
ID=53559515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510166890.8A Expired - Fee Related CN104794736B (zh) | 2015-04-09 | 2015-04-09 | 一种基于高斯改进型粒子群粒子滤波的移动目标追踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104794736B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109434251A (zh) * | 2018-10-22 | 2019-03-08 | 湖北文理学院 | 一种基于粒子滤波的焊缝图像跟踪方法 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105139420B (zh) * | 2015-08-03 | 2017-08-29 | 山东大学 | 一种基于粒子滤波和感知哈希的视频目标跟踪方法 |
| CN106558064A (zh) * | 2016-12-07 | 2017-04-05 | 江南大学 | 一种基于元胞量子行为粒子群算法的目标跟踪方法 |
| WO2018119912A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳大学 | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 |
| CN108921898B (zh) * | 2018-06-28 | 2021-08-10 | 北京旷视科技有限公司 | 摄像机位姿确定方法、装置、电子设备和计算机可读介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101826852A (zh) * | 2010-03-11 | 2010-09-08 | 哈尔滨工程大学 | 基于粒子群优化算法的无迹粒子滤波方法 |
| CN104036525A (zh) * | 2014-06-18 | 2014-09-10 | 上海交通大学 | 一种自适应粒子群优化粒子滤波跟踪方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040073414A1 (en) * | 2002-06-04 | 2004-04-15 | Brown University Research Foundation | Method and system for inferring hand motion from multi-cell recordings in the motor cortex using a kalman filter or a bayesian model |
| US7698108B2 (en) * | 2006-10-10 | 2010-04-13 | Haney Philip J | Parameterization of non-linear/non-Gaussian data distributions for efficient information sharing in distributed sensor networks |
-
2015
- 2015-04-09 CN CN201510166890.8A patent/CN104794736B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101826852A (zh) * | 2010-03-11 | 2010-09-08 | 哈尔滨工程大学 | 基于粒子群优化算法的无迹粒子滤波方法 |
| CN104036525A (zh) * | 2014-06-18 | 2014-09-10 | 上海交通大学 | 一种自适应粒子群优化粒子滤波跟踪方法 |
Non-Patent Citations (6)
| Title |
|---|
| Gaussian Particle Filtering;Jayesh H.Kotecha 等;《IEEE Transactions on Signal Processing》;20030923;第51卷(第10期);第2592-2601页 * |
| Interacting MCMC particle filter for tracking maneuvering target;Liu Jing 等;《Digital Signal Processing》;20090807;第20卷(第2期);第561-574页 * |
| 基于PSO的粒子滤波在目标跟踪中的应用;张琳;《中国优秀硕士学位论文全文数据库信息科技辑》;20110415;第4.4.4节、第4.4.5节、第4.5.2节、图4-1 * |
| 基于在线学习的自适应粒子滤波视频目标跟踪;席涛 等;《光电工程》;20100630;第37卷(第6期);第3.2节 * |
| 粒子滤波关键技术研究;邓寻;《中国优秀硕士学位论文全文数据库信息科技辑》;20150315;第3.4.1节 * |
| 高斯粒子群优化粒子滤波检测前跟踪算法;汲清波 等;《计算机工程与应用》;20130715;第50卷(第17期);第205-209页 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109434251A (zh) * | 2018-10-22 | 2019-03-08 | 湖北文理学院 | 一种基于粒子滤波的焊缝图像跟踪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104794736A (zh) | 2015-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104794736B (zh) | 一种基于高斯改进型粒子群粒子滤波的移动目标追踪方法 | |
| Goceri | Analysis of deep networks with residual blocks and different activation functions: classification of skin diseases | |
| CN106407889B (zh) | 基于光流图深度学习模型在视频中人体交互动作识别方法 | |
| Kapoor et al. | A grey wolf optimizer based automatic clustering algorithm for satellite image segmentation | |
| CN101867699B (zh) | 基于分块的非特定目标实时跟踪方法 | |
| Gao et al. | Firefly algorithm (FA) based particle filter method for visual tracking | |
| CN110245581B (zh) | 一种基于深度学习和距离-多普勒序列的人体行为识别方法 | |
| CN107918772B (zh) | 基于压缩感知理论和gcForest的目标跟踪方法 | |
| Kim et al. | Fast pedestrian detection in surveillance video based on soft target training of shallow random forest | |
| CN102142085B (zh) | 一种林区监控视频中运动火焰目标的鲁棒跟踪方法 | |
| CN102937438B (zh) | 基于最优化方法的红外弱小目标距离探测方法 | |
| Li et al. | Detection of typical obstacles in orchards based on deep convolutional neural network | |
| CN104574442A (zh) | 自适应粒子群优化粒子滤波运动目标跟踪方法 | |
| CN104484890A (zh) | 基于复合稀疏模型的视频目标跟踪方法 | |
| CN108732570A (zh) | 基于粒子滤波融合算法的灾害性对流天气的临近预报方法 | |
| CN103985139B (zh) | 基于颜色模型与预测向量簇模型信息融合的粒子滤波目标跟踪方法 | |
| CN109448024B (zh) | 利用深度数据构建约束相关滤波器的视觉跟踪方法、系统 | |
| Ehsan et al. | Vi-Net: a deep violent flow network for violence detection in video sequences | |
| CN113395708B (zh) | 基于全局环境预测的多自主体集中式区域覆盖方法与系统 | |
| Song et al. | Data augmentation for imbalanced HRRP recognition using deep convolutional generative adversarial network | |
| CN105096343B (zh) | 一种移动目标跟踪方法及装置 | |
| CN103955946A (zh) | 一种基于协作与竞争模式的蚁群近邻细胞跟踪系统及其应用 | |
| Han et al. | A new immune particle filter algorithm for tracking a moving target | |
| Zhou et al. | Complex background SAR target recognition based on convolution neural network | |
| CN107220993A (zh) | 基于Mean shift聚类的粒子滤波机动目标追踪算法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171121 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |