融合多模型的粒子滤波运动目标实时跟踪算法

提出了一种融合多模型的粒子滤波跟踪新算法(MMGPF),并将其应用于行人与汽车跟踪。此跟踪算法特点在于:(1)将Camshift跟踪算法和AdaBoost分类器的输出作为观测值优化建议概率分布;同时,改进粒子滤波的算法结构,有效地提高了粒子滤波的采样效率;在不影响跟踪性能的情况下,大幅减少了跟踪所需粒子数。(2)用两种描绘子提高对似然性的估计。(3)采用两种有效措施提高算法的实时性。通过多模型融合,有效地解决了目标跟踪过程中由于目标相互遮挡、目标消失再重现、光照变化和目标与背景颜色相近所造成的跟踪丢失。行人和汽车的跟踪试验结果证明该算法具有鲁棒性和实时性。     

基于AMMFO优化的MAFPF车辆跟踪方法

针对粒子滤波算法的在车辆跟踪应用中跟踪精度较差及样本贫化问题,提出了一种利用自适应变异更新策略飞蛾扑火优化的多特征粒子滤波车辆跟踪算法。首先,利用目标纹理与颜色特征的互补性,融合两种特征来提高粒子滤波算法在复杂场景跟踪的稳定性。其次,改进飞蛾扑火算法的更新机制,将自适应权值引入飞蛾的螺旋更新策略,并使随机变异策略与其交替更新,增大算法的搜索空间,使得算法更快速地搜索到全局最优。最后,根据阈值分层样本粒子,并使适应变异更新策略飞蛾扑火优化低权值粒子的分布状态,避免样本贫化现象发生。实验表明,本文算法能够在低样本粒子数下有效地提升粒子滤波算法的性能,并在车辆受到阴影、遮挡、尺度和角度变化等复杂背景下,仍能稳定精确地跟踪目标车辆。     

快速高维均值平移算法及其在航空图像分割中的应用

随着军事伪装技术的广泛应用,如何有效提取与背景色彩接近的目标是提高航空图像目标识别能力的关键。针对背景色彩接近目标的航空图像分割问题,应用一种基于快速高维均值平移的图像分割方法对航拍图像进行处理。在包含有空间,色彩和纹理的高维特征空间中对图像进行均值平移滤波,再通过聚类方法分割图像。同时,针对特征空间维数增大带来的大计算量问题,对均值平移算法进行了改进,给出了一种基于均值平移向量预测的快速算法。实验结果表明,算法用于航拍图像分割,分割效果和运算速度均优于标准算法。     

二分K-FCM结合算法在交通运行状态判别中的应用

正确判别交通运行状态是交通运营管理的理论依据。以高速公路交通状态判别为研究对象,综合考虑交通流三参数(流量、速度、占有率)的基础上,应用模糊C均值(FCM)与二分K均值结合算法对交通运行状态进行判别。首先,对交通数据集分布特征及交通运行状态特征进行分析,确定以V05~V85为最小欧氏距离判别的数据范围。其次,为解决算法收敛较慢及任意初始化质心对聚类结果的不良影响,对传统模糊C均值聚类算法进行了改进,将运行二分K均值算法的聚类结果矩阵作为FCM的初始聚类中心。经检验,改进的FCM可以有效减少算法迭代次数,得到的目标路段交通状态判别矩阵能较精准地划分高速公路不同的交通状态。     

用于智能交通的运动车辆跟踪算法

为提高车辆跟踪的准确性,满足智能交通监控的需求,采用样本车型模板结合尺度不变特征变换(SIFT)算法匹配检测车辆位置,并将模板大小与车辆尺度变化联系起来,根据特征向量距离最终获得车辆准确区域;采用结合均值漂移的粒子滤波算法对车辆进行跟踪,根据跟踪尺度改变跟踪窗口大小,并通过独立粒子滤波建立了多运动车辆之间的数据关联。实际道路测试结果表明:该算法的车辆检测准确率达到90%以上,特征粒子在后续跟踪过程中状态稳定,漂移在跟踪窗口外的粒子数都保持在10%以下。     

DHSSA优化的K均值互补迭代车型信息数据聚类

针对传统方法在车型信息数据聚类过程中受初始化中心点的影响较大导致聚类精度低、鲁棒性差以及在迭代过程中求取均值选择聚类中心受离群点影响大的问题，提出了一种DHSSA优化的K均值互补迭代车型信息数据聚类方法。首先，针对SSA算法中发现者位置更新不足和种群多样性不足的问题，设计了一种扰动因子-领头雀优化策略，通过自适应领头雀策略加强了最优个体的影响力，利用扰动因子扩大搜索空间，提升了寻找聚类中心的准确率；其次，设计了基于筛选最大最小距离积方法 SMMP优化聚类中心的初始化，在MMP基础上增加了筛选机制，使初始化的中心尽可能更均匀地分布在每个簇中；最后，融合DHSSA和SMMP来优化K均值互补迭代，在减小迭代次数的同时增加搜索效率，得到较好的聚类结果。利用多种数据集进行测试，通过试验结果中的收敛曲线和性能指标可以看出，提出的DHSSA-KMC方法相对于SSA-KMC、IMFO-KMC、KMC和KMC++具有更高的搜索精度、收敛速度和更低的聚类代价，并且耗时相对于SSA-KMC和IMFO-KMC有所减少，证明了算法的有效性和优越性。在车型信息数据处理过程中，DHSSA-KMC可以高效聚类生成竞品...     

基于海事卫星时延和频偏的远海飞行器跟踪方法

针对海上飞行器难以实现实时安全定位的问题,研究利用海事卫星时频数据对海上飞行器进行跟踪的方法,实现主动地跟踪远海飞行器的轨迹.介绍并分析现有自适应转弯模型的缺点以及交互式多模型算法(IMM)在测量数据为时延和频偏情况下存在的问题.在此基础上提出基于时延约束的自适应转弯模型,该模型通过引入时延数据建立转弯速率估计器,估计目标可能的位置和对应的转弯速率,进而估计出目标的速度矢量.简要地介绍了频偏的计算模型以及粒子滤波算法,给出了远海飞行器跟踪的算法流程图.使用Matlab进行了二维对比分析,并使用专业的仿真软件卫星工具包(STK)搭建远海飞行仿真环境,生成仿真的飞行参数、卫星时延以及频偏等数据用以验证模型的可行性.仿真结果表明:①在测量数据为时延和频偏的情况下,传统交互式多模型算法难以适用,容易出现滤波发散;而自适应转弯模型能够很好地估计目标的轨迹,且不需要人为设置转弯速率.②使用该模型可以较为完整地得到远海飞行器的轨迹,且平均经纬度误差在0.2°以下,最大经纬度误差约等于0.8°.      

基于改进k-均值算法的轻型车尾气排放数据聚类方法

在轻型车尾气排放试验中产生的大量试验数据常常具有不同属性,需要对其进行聚类分析。因此,提出了改进的k-均值算法。基于高密度方法有效地消除了孤立点的影响;采用最远点方法,摆脱了k-均值算法只能处理球状类数据和受中心初始位置控制的限制;得到最佳簇数k值,解决了直接给定k值时,因k值不恰当而导致聚类结果较差的问题。试验结果表明,改进算法比原始k-均值算法在聚类的准确率方面具有更好的效果,能够较好评估车辆排放水平。     

面向智能网联汽车定位的协同地图匹配算法

为实现智能网联环境下低成本、高精度的车辆定位, 研究了基于自适应遗传Rao-Blackwellized粒子滤波的协同地图匹配算法。利用联网车辆的定位信息和道路约束条件消除公共偏差, 提高车辆定位精度。将自适应遗传算法引入到粒子滤波的重采样过程中, 增加粒子的多样性, 解决传统粒子滤波算法中容易出现的“粒子退化”和“粒子耗尽”问题。通过仿真实验与传统粒子滤波以及卡尔曼平滑粒子滤波下的定位结果进行了对比, 同时分析了不同联网车辆数目对定位精度的影响。通过实际测试验证了算法在实际应用中的定位效果。实测结果表明: 以典型十字路口为例, 在联网车辆数目为4的情况下, 协同地图匹配算法的定位误差范围为1.67 m, 分别为原始GNSS定位以及单车地图匹配定位结果的41.03%和56.80%。同时, 该算法的统计定位精度(CEP)达到1.06 m, 比GNSS原始定位精度提高了2.52 m, 具有较好的定位效果。      

基于自适应遗传粒子群优化模糊神经网络的疲劳驾驶预测模型

为提高疲劳驾驶的预测精度,提出了基于减法聚类和遗传粒子群优化模糊神经网络的疲劳驾驶预测模型.根据训练样本,利用减法聚类确定网络结构和初始参数;借助于进化速度因子,采用自适应遗传粒子群算法优化网络参数.利用疲劳驾驶实车模拟实验获得的数据,对该模型进行了训练和测试,并将结果与传统的粒子群、遗传和反向传播算法进行对比.结果表明,该模型不仅精简了网络结构,缩短了训练时间,而且减小了全局误差,提高了预测精度.     

基于离散粒子群算法的协同车辆路径问题

考虑车场容量、不同车型车辆行驶最大里程等约束条件,建立以车辆配送总费用最小为目标的一类带时间窗协同车辆路径问题数学规划模型、即属于不同公司的配送中心共享车队、仓储等资源为客户协同配送货物,采用文献[1]中的自适应离散粒子群算法求解该问题并定义了其可能解的粒子的编码方式.最后,通过一个算例得出结论:同普通物流配送情形相比...     

基于混合粒子群算法的土钉支护结构设计参数优化

在土层工程地质情况一定的条件下,如何寻找一组最佳设计参数,以达到既经济又安全的目的,是土钉支护设计的一个重要问题。这是一个复杂的优化设计问题。就此,提出基于混合粒子群优化(PSO)算法的基坑土钉支护优化设计方法,以单位长度土钉墙的土钉材料造价作为优化的目标函数。该方法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度,不活动粒子的处理使算法避免了“早熟”现象的出现。工程实例计算表明,该方法是进行土钉支护结构优化设计的有效方法。     

复杂动态环境下智能汽车局部路径规划与跟踪算法研究

路径规划及路径跟踪控制是智能汽车研究的关键技术，而复杂、时变的交通环境给智能汽车的路径规划与跟踪提出严苛要求。针对现有局部路径规划方法只适用于较为简单的工况，无法应对多车道、多静/动态障碍等复杂工况的问题，提出一种基于离散优化思想的动态路径规划算法。该算法利用样条曲线曲率变化均匀的特性，在s-ρ曲线坐标系中生成了一组参数化候选路径簇；考虑动态碰撞安全影响，在碰撞带约束下结合道路法规限制及车辆动态安全要求，规划车辆速度；此外，综合考虑静态安全性、舒适性、目标车道、道路占用率等影响因素，以选择最优路径。在路径跟踪层面，基于预瞄理论设计鲁棒性好、跟踪精度高的分数阶PID路径跟踪控制器，以跟踪误差最小为目标，采用粒子群优化算法对分数阶PID控制器参数进行整定。最后，基于Simulink/CarSim建立联合仿真平台，设计多车道，多静/动态障碍的复杂工况以验证该算法的有效性。研究结果表明：由于在评价函数中引入动态安全评价指标、目标车道评价指标以及道路占用率指标，极大地提升了规划器性能，使车辆在行驶过程中根据驾驶环境自主调整速度，降低换道次数，从而保证智能汽车的主动安全性能，提升了通行效率，使该算法能够较好地处理复杂动态环境下的避障问题。     

汽车防撞系统中目标跟踪与防撞决策研究

为了实现汽车主动安全系统中的目标跟踪与防撞,提出了混合式汽车防撞系统信息融合结构模型,采用分级信息融合实现目标跟踪,推导出了基于跟踪残留误差和预测残留误差共同校正的融合算法,并给出了算法的实现结构;提出了基于局部分析的映射变换方法,实现驾驶模型特征向量连续、实时的修正,在此基础之上,利用模糊积分方法融合多种相关信息,确定汽车应采用的安全运行模式,实现主动安全防撞决策。经过大量试验证明:该算法具有很好的稳定性和准确率。     

改进粒子滤波算法在组合导航中的应用

为了提高组合导航定位系统的定位精度和可靠性,分别对扩展卡尔曼滤波(EKF)、粒子滤波(PF)和U卡尔曼滤波(UKF)3种算法进行了分析。通过分析3种算法各自的特点,将PF算法和UKF算法的优点相结合,提出了一种新的粒子滤波算法——U粒子滤波(UPF)算法,并将其应用于GPS/DR组合导航系统中。通过对UPF算法与PF算法在GPS/DR组合导航系统中的仿真研究比较,进一步证实了UPF算法的可行性及计算的精确性。     

On-road visual vehicle tracking using Markov chain Monte Carlo particle filtering with metropolis sampling

In this study, a method for vehicle tracking through video analysis based on Markov chain Monte Carlo (MCMC) particle filtering with metropolis sampling is proposed. The method handles multiple targets with low computational requirements and is, therefore, ideally suited for advanced-driver assistance systems that involve real-time operation. The method exploits the removed perspective domain given by inverse perspective mapping (IPM) to define a fast and efficient likelihood model. Additionally, the method encompasses an interaction model using Markov Random Fields (MRF) that allows treatment of dependencies between the motions of targets. The proposed method is tested in highway sequences and compared to state-of-the-art methods for vehicle tracking, i.e., independent target tracking with Kalman filtering (KF) and joint tracking with particle filtering. The results showed fewer tracking failures using the proposed method.     

基于压缩感知尺度自适应的多示例交通目标跟踪算法

针对大多数跟踪算法对车辆等交通目标在行驶过程中的尺度变化、姿态变化的适应性差及在跟踪过程中使用固定尺度的跟踪框,导致所构造的目标模板包含大量背景信息,引起跟踪漂移甚至丢失的问题,提出一种基于压缩感知理论与超像素目标性度量的尺度自适应多示例交通目标跟踪算法,该算法首先利用压缩感知理论对多示例学习中的特征维数进行降维,减少算法计算的复杂度。其次,采用超像素目标性度量进行局部尺度自适应调整,解决多示例跟踪算法中的尺度适应问题。此外,引入基于目标判别机制的分类器更新,利用连续帧中目标的相似性判断跟踪目标是否存在遮挡或漂移问题。依据目标判别的结果,实现变学习率的分类器参数更新。试验结果表明：该方法具有较高的跟踪精度和良好的跟踪鲁棒性,在车辆目标发生遮挡、尺度变化、三维旋转等情况时均能较好地跟踪目标,通过对不同的交通视频序列进行测试,算法的平均中心位置误差远小于对比算法,仅为3.92像素,其对比算法CT跟踪、MIL跟踪及WMIL跟踪算法的平均位置误差分别为56.96像素、35.36像素及58.54像素,平均重叠率达80.1%,较CT跟踪、MIL跟踪及WMIL跟踪算法分别高44.9%、45.3%和45%,满足智能交通监控的实际需求。     

Identification of nonlinear systems using modified particle swarm optimisation: a hydraulic suspension system

This paper presents a novel modified particle swarm optimisation (MPSO) algorithm to identify nonlinear systems. The case of study is a hydraulic suspension system with a complicated nonlinear model. One of the main goals of system identification is to design a model-based controller such as a nonlinear controller using the feedback linearisation. Once the model is identified, the found parameters may be used to design or tune the controller. We introduce a novel mutation mechanism to enhance the global search ability and increase the convergence speed. The MPSO is used to find the optimum values of parameters by minimising the fitness function. The performance of MPSO is compared with genetic algorithm and alternative particle swarm optimisation algorithms in parameter identification. The presented comparisons confirm the superiority of MPSO algorithm in terms of the convergence speed and the accuracy without the premature convergence problem. Furthermore, MPSO is improved to detect any changes of system parameters, which can be used for designing an adaptive controller. Simulation results show the success of the proposed algorithm in tracking time-varying parameters.