高斯粒子群优化粒子滤波检测前跟踪算法

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (17): 205-209.

高斯粒子群优化粒子滤波检测前跟踪算法

汲清波，耿丽群，任超

哈尔滨工程大学信息与通信工程学院，哈尔滨 150001

出版日期:2014-09-01 发布日期:2014-09-12

Track before detect algorithm based on Gaussian particle swarm optimization particle filter

JI Qingbo, GENG Liqun, REN Chao

College of Information and Communication Engineering, Harbin Engineering University, Harbin 150001, China

Online:2014-09-01 Published:2014-09-12

摘要/Abstract

摘要： 针对低信噪比时标准粒子滤波对弱小目标的检测与跟踪时存在的粒子贫乏、跟踪精度对粒子数目要求高等问题，提出一种基于高斯粒子群优化粒子滤波的弱小目标检测前跟踪算法。利用高斯粒子群优化算法优化重采样后的粒子集，使粒子集朝着后验概率密度分布取值较大的区域运动，增加粒子的多样性，克服了粒子贫乏问题，并在保证跟踪精度的前提下降低了跟踪所需要的粒子数目，提高了标准粒子滤波算法的检测和跟踪性能。同时，建立了检测前跟踪系统的观测模型和系统模型，对基于标准粒子滤波检测前跟踪算法和优化算法进行仿真，仿真实验结果表明高斯粒子群优化粒子滤波的检测前跟踪算法相比基于标准粒子滤波的检测前跟踪算法具有更好的检测与跟踪性能。

关键词: 弱小目标, 检测前跟踪, 高斯粒子群优化算法, 粒子滤波算法

Abstract: Considering the particle impoverishment and the large particle sample size for the high tracking accuracy in dim target track before detect algorithm based on standard particle filter （PFTBD）, a dim target track before detect algorithm based on Gaussian particle swarm optimization particle filter （PSOPFTBD） is proposed. Gaussian particle swarm optimization algorithm is applied to optimize the particles after resampling, which makes the particles move towards the larger values of posterior density function. The PSOPFTBD algorithm increases the diversity of the particles, overcomes the particle impoverishment, and the particle sample size for accurate state estimation is also reduced. As a result, the detection and tracking performance is improved. The PSOPFTBD algorithm is tested on a tracking and detection mathematical model, and the results are compared with the results of the standard PFTBD algorithm. The simulation results show that the PSOPFTBD algorithm outperforms the PFTBD algorithm.

Key words: dim target, track before detect, Gaussian particle swarm optimization, particle filter

汲清波，耿丽群，任超. 高斯粒子群优化粒子滤波检测前跟踪算法[J]. 计算机工程与应用, 2014, 50(17): 205-209.

JI Qingbo, GENG Liqun, REN Chao. Track before detect algorithm based on Gaussian particle swarm optimization particle filter[J]. Computer Engineering and Applications, 2014, 50(17): 205-209.

[1]	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.
[2]	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.
[3]	王恒，郑笔耕. 弱小目标分割算子耦合特征匹配的杆菌识别[J]. 计算机工程与应用, 2016, 52(6): 191-196.
[4]	杨秋芬1，2，桂卫华1，胡豁生1. 2DPCA与稀疏表示模型的运动目标跟踪法[J]. 计算机工程与应用, 2015, 51(4): 201-204.
[5]	马春来，朱立新，孟 ，耿晓娟. 改进的UPF在GPS/INS导航中的应用[J]. 计算机工程与应用, 2014, 50(7): 254-258.
[6]	邓江华，王然，陈忠，程家聪. BEMD在复杂背景下弱小目标检测中的应用[J]. 计算机工程与应用, 2012, 48(21): 205-208.
[7]	周同驰1，艾斯卡尔·艾木都拉1，王荣栓2，黄冬梅3. 多源测量信息融合的弱点动目标跟踪算法[J]. 计算机工程与应用, 2012, 48(2): 182-184.
[8]	刘华伟，李湘清，谢文俊. 目标跟踪状态估计排序粒子群算法研究[J]. 计算机工程与应用, 2012, 48(15): 21-23.
[9]	王瑞军，张晓玲，樊玲. 多帧相参积累的检测前跟踪方法[J]. 计算机工程与应用, 2011, 47(33): 134-136.
[10]	罗晓清，吴小俊. 应用多特征的红外弱小目标检测[J]. 计算机工程与应用, 2011, 47(32): 11-14.
[11]	樊玲. 高斯粒子滤波检测前跟踪方法[J]. 计算机工程与应用, 2011, 47(23): 121-123.
[12]	艾斯卡尔,于伟俊,王新滨,刘登峰. 模糊聚类粒子滤波的点状交叉多目标跟踪算法[J]. 计算机工程与应用, 2009, 45(8): 158-160.
[13]	魏旭,陶冰洁. 基于2DPCA的特征融合方法及其应用[J]. 计算机工程与应用, 2008, 44(5): 70-72.
[14]	汲清波,张兴周,刘云鹤. 动态背景的序列图像中运动小目标检测算法[J]. 计算机工程与应用, 2007, 43(35): 93-95.
[15]	郭利进,王化祥,孟庆浩,邱亚男. 基于粒子滤波的移动机器人SLAM改进算法[J]. 计算机工程与应用, 2007, 43(30): 26-29.