《表4 改进的粒子滤波算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《Mean Shift和粒子滤波实现红外人体跟踪算法综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

针对粒子滤波算法的缺陷一，Walia等人[28]选用Shafer模型建立多线索跟踪框架、连接组合规则组合多线索数据以及比例冲突再分配规则解决多线索在线冲突，该算法除了能处理像部分/完全遮挡、光照及目标尺度变化下的目标跟踪外，它的独特之处为：（1）利用粒子的自动抑制/增强特点改善粒子重采样过程的性能；（2）模型具有可扩展性（可添其他线索或用新线索替换已有的线索）；但是缺陷在于无法应对多人跟踪。Zhang等人[29]利用粒子群优化算法对粒子滤波框架中的状态转移阶段和更新阶段进行改进，该算法除了使粒子向高可能区域移动外还能自适应调整多线索（强度、梯度线索）的权重值，在跟踪精度上，自适应权值组合策略更优于固定权值或非自适应权值组合策略。Issam等人[30]将共生矩阵与粒子滤波相结合实现存在相似目标干扰时的红外人体跟踪，纹理信息及规模管理策略的引入分别增加了目标跟踪精度和鲁棒性。所提的CoT跟踪器的跟踪性能优于LOFT＿Lite、BDT及NCC跟踪器48%以上。表4详细汇总了文献[28-30]针对粒子滤波算法存在的粒子退化、模型选取及优化问题所采用的改进方法。