卡尔曼滤波与粒子滤波之间跟踪模式的优化

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (36): 129-133.

• 数据库、信号与信息处理 • 上一篇下一篇

卡尔曼滤波与粒子滤波之间跟踪模式的优化

张萌1，陈恳1，李娜2，惠明1

1.宁波大学信息科学与工程学院，浙江宁波 315211
2.中国科学院电子学研究所，北京 100190

出版日期:2012-12-21 发布日期:2012-12-21

Optimization of tracking mode between Kalman Filter and Particle Filter

ZHANG Meng1, CHEN Ken1, LI Na2, HUI Ming1

1.College of Information Science and Engineering, Ningbo University, Ningbo, Zhejiang 315211, China
2.Institute of Electronics, Chinese Academy of Sciences, Beijing 100190, China

Online:2012-12-21 Published:2012-12-21

摘要/Abstract

摘要： 鉴于卡尔曼滤波（Kalman Filter，KF）和粒子滤波（Particle Filter，PF）都是贝叶斯估计的一种，粒子滤波比卡尔曼滤波应用广泛，而卡尔曼滤波比粒子滤波使用简便，提出了一种算法在卡尔曼滤波和粒子滤波之间切换的跟踪模式。定义出算法性能评价参数，使参数可以在线反映算法的好坏；通过仿真使噪声不满足卡尔曼使用条件，确定切换是否可行，结合实际情况定义切换条件；应用至实际视频中。结果证明，卡尔曼滤波与粒子滤波间跟踪模式的优化是可行的。

关键词: 新的跟踪模式, 卡尔曼滤波, 粒子滤波, 算法性能评价, 算法切换

Abstract: Based on Kalman Filter and Particle Filter are all kinds of Bayesian estimation, the PF uses wider than KF, while the KF is easier than PF, proposing a new tracking mode that the tracking algorithms can be switched between KF and PF. This paper defines the parameter which can evaluate the algorithms’ performance online, makes the noise not fit KF by simulation to see whether algorithms’ switchover is practicable, if it does, the threshold is defined integrating the real situation; and puts it into the real video. The result shows that it is feasible of optimizing the tracking mode between KF and PF.

Key words: new tracking mode, Kalman Filter（KF）, Particle Filter（PF）, performance evaluation, algorithm switchover

张萌1，陈恳1，李娜2，惠明1. 卡尔曼滤波与粒子滤波之间跟踪模式的优化[J]. 计算机工程与应用, 2012, 48(36): 129-133.

ZHANG Meng1, CHEN Ken1, LI Na2, HUI Ming1. Optimization of tracking mode between Kalman Filter and Particle Filter[J]. Computer Engineering and Applications, 2012, 48(36): 129-133.

[1]	李中道，刘元盛，常飞翔，张军，路铭. 室内环境下UWB与LiDAR融合定位算法研究[J]. 计算机工程与应用, 2021, 57(6): 260-266.
[2]	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.
[3]	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.
[4]	孙新领，张皓，赵丽. 结合尺度估计MST和粒子滤波的视频目标跟踪[J]. 计算机工程与应用, 2020, 56(8): 117-123.
[5]	邹承明，明成龙，李成龙. 融合相关粒子滤波目标跟踪算法[J]. 计算机工程与应用, 2020, 56(7): 184-192.
[6]	曹洁，赵伟吉，余萍，王进花. 改进鸟群算法优化PF的双馈发电机故障诊断[J]. 计算机工程与应用, 2020, 56(18): 229-237.
[7]	贺军义，杨丰，安葳鹏，尚家泽. 基于IGGIII方案的自适应渐消卡尔曼滤波器[J]. 计算机工程与应用, 2020, 56(14): 52-56.
[8]	郑晨辉，陈璟，张雨婷，薛伟. 融合粒子滤波与蓝牙地标矫正的定位算法[J]. 计算机工程与应用, 2020, 56(13): 273-278.
[9]	王晓华，聂腾腾. 改进的布谷鸟算法优化粒子滤波研究[J]. 计算机工程与应用, 2020, 56(12): 60-65.
[10]	胡东海，邵元，陈莹，夏士雄. 基于改进粒子滤波的室内自适应定位算法[J]. 计算机工程与应用, 2019, 55(9): 65-71.
[11]	昝孟恩，周航，韩丹，杨刚，许国梁. 粒子滤波目标跟踪算法综述[J]. 计算机工程与应用, 2019, 55(5): 8-17.
[12]	刘红星1，2，胡广地1，朱晓媛1，李进龙3. 改进协方差矩阵的智能车视觉目标跟踪方法[J]. 计算机工程与应用, 2019, 55(3): 171-178.
[13]	耿建平，雷梦英. Mean Shift和粒子滤波实现红外人体跟踪算法综述[J]. 计算机工程与应用, 2019, 55(24): 29-36.
[14]	胡正平，王欣，孙德刚. 余弦权重逆稀疏框架视频目标跟踪算法[J]. 计算机工程与应用, 2019, 55(21): 206-213.
[15]	洪濡，胡广地，李雨生，姚克狄. 分布式汽车驱动力能量效率优化分配控制[J]. 计算机工程与应用, 2019, 55(2): 246-252.

卡尔曼滤波与粒子滤波之间跟踪模式的优化

Optimization of tracking mode between Kalman Filter and 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