基于边缘粒子滤波的目标跟踪算法研究

doi:10.3778/j.issn.1002-8331.2010.28.036

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (28): 128-131.DOI: 10.3778/j.issn.1002-8331.2010.28.036

• 数据库、信号与信息处理 • 上一篇下一篇

基于边缘粒子滤波的目标跟踪算法研究

陈金广^1，2，马丽丽¹，陈亮¹

1.西安工程大学计算机学院，西安 710048
2.西安电子科技大学电子工程学院影像系统实验室，西安 710071

收稿日期:2009-10-22 修回日期:2009-12-03 出版日期:2010-10-01 发布日期:2010-10-01
通讯作者: 陈金广

Research on target tracking algorithm based on marginalized particle filter

CHEN Jin-guang^1，2，MA Li-li¹，CHEN Liang¹

1.School of Computer Science，Xi’an Polytechnic University，Xi’an 710048，China
2.VIPS Lab，School of Electronic Engineering，Xidian University，Xi’an 710071，China

Received:2009-10-22 Revised:2009-12-03 Online:2010-10-01 Published:2010-10-01
Contact: CHEN Jin-guang

摘要/Abstract

摘要： 为了提高目标跟踪过程中粒子滤波结果的精度，将边缘粒子滤波算法应用于目标跟踪。首先将目标运动状态向量划分为线性和非线性两个子向量，然后，采用卡尔曼滤波方法处理线性状态子向量，采用粒子滤波方法处理非线性状态子向量。使用边缘粒子滤波算法和标准粒子滤波算法对目标进行跟踪仿真。仿真结果表明：将边缘粒子滤波算法应用在目标跟踪过程中，能够取得更高的跟踪精度；时间复杂度增加仅6%；在粒子数相对较少的条件下，仍能够保持较好的滤波性能。

关键词: 边缘粒子滤波, 非线性滤波, 目标跟踪, 状态估计

Abstract: In order to promote accuracy of Particle Filter（PF） in target tracking，Marginalized Particle Filter（MPF） is used.Firstly，state vector of target motion can be divided into linear state sub-vector and nonlinear state sub-vector.Secondly，Kalman filter is applied to the linear state sub-vector，and particle filter is applied to the nonlinear state sub-vector.Simulation is given by using standard PF and MPF to track a target.Results show that the MPF has some better characters.Such as，it can get higher accuracy tracking results，its increasing ratio of time complexity is only six percent，and it can maintain better performance even if there are a few particles contrastively.

Key words: marginalized particle filter, nonlinear filtering, target tracking, state estimation

中图分类号:

TP391

陈金广^1，2，马丽丽¹，陈亮¹. 基于边缘粒子滤波的目标跟踪算法研究[J]. 计算机工程与应用, 2010, 46(28): 128-131.

CHEN Jin-guang^1，2，MA Li-li¹，CHEN Liang¹. Research on target tracking algorithm based on marginalized particle filter[J]. Computer Engineering and Applications, 2010, 46(28): 128-131.

[1]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[2]	张鑫，张席. 优先状态估计的双深度Q网络[J]. 计算机工程与应用, 2021, 57(8): 78-83.
[3]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[4]	王玲，王家沛，王鹏，孙爽滋. 融合注意力机制的孪生网络目标跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 169-174.
[5]	崔洲涓，安军社，陈长龙，崔天舒. 基于PYNQ框架的深度卷积特征异构跟踪系统[J]. 计算机工程与应用, 2021, 57(4): 120-126.
[6]	邱守猛，谷宇章，袁泽强. 基于双分支孪生网络的目标跟踪[J]. 计算机工程与应用, 2021, 57(24): 135-143.
[7]	林淑彬，吴贵山，许甲云，杨文元. 多帧监督的相关滤波无人机目标跟踪[J]. 计算机工程与应用, 2021, 57(24): 152-160.
[8]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[9]	武哲纬，周世杰，刘启和. 运算资源受限环境下的目标跟踪算法综述[J]. 计算机工程与应用, 2021, 57(21): 24-40.
[10]	王蓓，陈金广，王明明. 复杂场景下的改进核相关滤波跟踪算法[J]. 计算机工程与应用, 2021, 57(2): 198-208.
[11]	李晓花，苏骏，李秀秀. 强干扰环境单观测站水下纯方位多目标跟踪[J]. 计算机工程与应用, 2021, 57(17): 253-259.
[12]	李松，刘哲，唐小妹，吴健，王飞雪. 基于固定点迭代的Huber鲁棒容积卡尔曼滤波算法[J]. 计算机工程与应用, 2021, 57(16): 90-96.
[13]	陈庆林，谷雨，宋忠浩，聂圣东. 融合检测与跟踪的半自动视频目标标注[J]. 计算机工程与应用, 2021, 57(14): 223-230.
[14]	张瑶，卢焕章，张路平，胡谋法. 基于深度学习的视觉多目标跟踪算法综述[J]. 计算机工程与应用, 2021, 57(13): 55-66.
[15]	徐正凤，曾维理，羊钊. 航空器轨迹预测技术研究综述[J]. 计算机工程与应用, 2021, 57(12): 65-74.

基于边缘粒子滤波的目标跟踪算法研究

Research on target tracking algorithm based on marginalized particle filter

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics