基于混合观测模型的粒子滤波跟踪算法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (6): 172-177.

基于混合观测模型的粒子滤波跟踪算法

吴桐1，2，王玲2，李钟敏1，何凡1

1.中国洛阳电子装备试验中心，河南洛阳 471000
2.湖南大学电气与信息工程学院，长沙 410082

出版日期:2016-03-15 发布日期:2016-03-17

Particle filter tracking algorithm based on mixture appearance models

WU Tong1，2, WANG Ling2, LI Zhongmin1, HE Fan1

1.Luoyang Electronic Equipment Examination Center of China, Luoyang, Henan 471000, China
2.College of Electrical and Information Engineering, Hunan University, Changsha 410082, China

Online:2016-03-15 Published:2016-03-17

摘要/Abstract

摘要： 为了提高目标外观迅速变化时视觉跟踪算法的鲁棒性，提出了一种基于混合观测模型的粒子滤波跟踪算法。在粒子滤波构架下，使用加权核直方图模型结合mean shift算法对粒子进行初定位，通过正交子空间模型作为精确的观测模型，估计目标的最终状态。这样既能迅速地学习到目标外观变化的趋势，又避免了使用正交子空间而产生的跟踪漂移。实验结果表明，该算法在光照变化、姿态变化、遮挡的情况下，均具有较强的鲁棒性。

关键词: 视觉跟踪, 子空间, 自适应学习, 粒子滤波, mean shift

Abstract: In order to improve the robustness of visual tracking algorithm when the target appearance is rapidly changing, this paper presents a particle filter tracking algorithm based on mixture appearance models. On the particle filter framework, the histogram is utilized to roughly localize the object by a mean shift procedure. A more precise eigenspace appearance model is invoked to infer the final state of the object. In this way, it will not only learn the changing trends of the target appearance rapidly, but also avoids the tracking drift by using the orthogonal subspaces. The experimental results show that the algorithm can keep strong robustness in the light change, posture change, occlusion.

Key words: visual tracking, subspace, adaptive learning, particle filter, mean shift

吴桐1，2，王玲2，李钟敏1，何凡1. 基于混合观测模型的粒子滤波跟踪算法[J]. 计算机工程与应用, 2016, 52(6): 172-177.

WU Tong1，2, WANG Ling2, LI Zhongmin1, HE Fan1. Particle filter tracking algorithm based on mixture appearance models[J]. Computer Engineering and Applications, 2016, 52(6): 172-177.

[1]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[2]	桑江徽，姜海燕. 基于联合分布的多标记迁移学习[J]. 计算机工程与应用, 2021, 57(9): 154-161.
[3]	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.
[4]	石正宇，陈仁文，黄斌. 基于自归一化神经网络的低分辨率人脸识别[J]. 计算机工程与应用, 2021, 57(3): 137-143.
[5]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[6]	胡文涛，陈秀宏. 基于局部保持投影的鲁棒稀疏子空间学习[J]. 计算机工程与应用, 2021, 57(10): 194-199.
[7]	董艳花，张树美，赵俊莉. 有遮挡人脸识别方法综述[J]. 计算机工程与应用, 2020, 56(9): 1-12.
[8]	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.
[9]	王雨思，路德杨，李海洋. 基于分式函数约束的稀疏子空间聚类方法[J]. 计算机工程与应用, 2020, 56(7): 39-47.
[10]	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.
[11]	王义武，杨余旺. 空间投影在K-means算法中的研究与应用[J]. 计算机工程与应用, 2020, 56(7): 200-204.
[12]	郑毅，马盈仓，杨小飞，续秋霞. 基于[k]-近邻与局部相似度的稀疏子空间聚类[J]. 计算机工程与应用, 2020, 56(4): 99-108.
[13]	金闳奇，陈新度，吴磊. 结合随机子空间和级联残差网络的缺陷检测[J]. 计算机工程与应用, 2020, 56(23): 265-269.
[14]	朱丹，陈晓红，吴卿源，李舜酩. 自适应图学习诱导的子空间聚类[J]. 计算机工程与应用, 2020, 56(21): 30-37.
[15]	汪盼，宋雪桦，王昌达，陈锋，徐夏强，蔡冠宇. 基于改进的深度信念网络的入侵检测方法[J]. 计算机工程与应用, 2020, 56(20): 87-92.