海军航空工程学院信息融合技术研究所，山东 烟台264001
为了解决低信噪比条件下的机动目标检测跟踪问题，研究了辅助粒子滤波与多模粒子滤波(MMPF)相结合的检测前跟踪(APFMMPF)算法。将多模粒子滤波过程中包含目标存在变量及运动模式变量的预测粒子直接用于产生辅助变量，进行辅助粒子滤波过程实现对机动目标的检测跟踪。通过APFMMPF算法与单纯MMPF算法的仿真结果对比可见，APFMMPF算法的检测概率高、跟踪误差小，检测跟踪性能优于MMPF算法。由算法机理和仿真结果可见，由于APFMMPF算法中粒子采样利用了当前量测信息，可有效提高对机动目标的检测跟踪性能。
弱目标 目标检测 目标跟踪 辅助粒子滤波 检测前跟踪 stealthy target target detecting target tracking auxiliary particle filtering Track Before Detect (TBD)
1 中国科学院 长春光学精密机械及物理研究所，吉林 长春 130033
2 中国科学院 研究生院，北京 100039
结合改进的辅助粒子滤波与马尔科夫随机场，提出一种多目标跟踪算法来跟踪红外场景中的多个目标。依据目标区域的灰度直方图描述目标，使用标准辅助粒子滤波对各目标的采样粒子集进行粗略优化，同时在辅助粒子采样过程中引入Mean-shift算法来提高粒子采样效率，解决多目标跟踪时粒子数量呈指数级增长的问题，并进一步提高算法的实时性。针对多目标跟踪常出现的目标遮挡导致跟踪失败的问题，引入图模型理论，利用马尔科夫随机场来表示多目标跟踪模型，将多目标的跟踪问题转换为图模型的推理问题。实验结果表明，该跟踪算法使用较少粒子便能实现跟踪，跟踪正确率达84%，且能有效解决多目标跟踪时的相互遮挡问题。
多目标跟踪 红外目标跟踪 辅助粒子滤波 马尔科夫随机场 multiple target tracking infrared target tracking Auxiliary Particle Filter(APF) Markov random field
针对红外目标在跟踪中计算复杂的问题，构建辅助粒子滤波算法。利用贝叶斯重要性采样算法，在权值大的粒子基础上引入辅助粒子变量，然后重新定义重要采样分布函数，防止重采样后粒子概率密度变化。两次加权计算，使粒子权值比仅用重采样的粒子权值变化更稳定，采样点最接近真实状态；同时不同权值粒子的概率阈值可作为粒子滤波是否完成的判断准则。在二维平面构造红外运动目标模型中，系统为零均值高斯白噪声。仿真数据表明：该算法在x,y方向的均方误差、画面处理时间、RMSE性能上优于粒子滤波算法和重采样粒子滤波算法。
辅助粒子滤波 粒子权值比 红外目标跟踪 auxiliary particle filtering weight ratio of particle infrared target tracking
以视频目标跟踪中粒子滤波的粒子采样优化设计为研究内容,提出一种自适应分层采样辅助粒子滤波算法,以实现保证跟踪准确度和兼顾跟踪鲁棒性的要求.以Bhattacharyya系数为参量设计了粒子数调节函数,能够根据跟踪质量在粒子集中自适应分配用于保证准确度的粒子数和维持鲁棒性的粒子数.以最小二乘法对目标运动的预测点作为产生新粒子集的均值偏移操作起点,使新粒子集更准确的描述目标似然分布并提高算法效率.不同场景下的跟踪实验表明,算法能很好的应用于遮挡和运动方向渐变等情况下的跟踪,处理时间满足实时性要求.
视频跟踪 辅助粒子滤波 自适应分层采样 最小二乘法 均值偏移 Video tracking Auxiliary particle filter Adaptive-layered-sampling Least square method Meanshift
