粒子滤波算法原理和仿真 1 引言 粒子滤波(Particle Filter, PF)是一种基于蒙特卡洛(Monte Carlo, MC)方法的递推贝叶斯滤波算法。其核心思想是通过从状态空间寻找的一系列随机样本来近似系统变量的概率密度函数，以样本均值代替积分运算，从而获得状态的最小方差估计。其中从状态空间中抽取的样本称为“粒子”。一般地，随着粒子数目的增加，粒子的概率密度函数就逐渐逼近状态的概率密度函数，从而达到最优贝叶斯估计的效果。 2 粒子滤波原理 2.1 系统的动态空间 对于被观测对象的状态，可以通过以下非线性离散系统来描述： 11(,)t t t x f x w --= (1) (,)t t t z h x v = (2) 以上为系统的状态方程和观测方程。其中，f ( )为状态函数，h ( )为观测函数，x t 是系统在时间t 的状态变量，w t 为对应的过程噪声，z t 是系统在时间t 的观测值，v t 为对应的观测噪声。 从贝叶斯估计角度来看，状态估计问题就是根据观测信息z 0:t 构造状态的概率密度函数p (x 0:t |z 0:t )，从而估计在系统在任何状态下的滤波值。设系统状态序列函数为g t ，则有： []0:0:0:0:0:()()()t t t t t t x E g x g x p x z dx =? (3) 根据蒙特卡洛方法，后验概率分布可以用有限的离散样本来近似，由大数定律，当系统粒子数N →∞时，期望E [g t (x 0:t )]可近似为： []() 0:0:1 1()()N i t t t t i E g x g x N ==∑ (4) 式中{() 0:i t x : i =1,2,...N }为状态空间中按p (x 0:t |z 0:t )得到的采样点。 2.2 重要性采样 在粒子采集过程中，p (x 0:t |z 0:t )往往是未知且多变的，因此可先从一个已知且容易采样的参考分布q (x 0:t |z 0:t )中抽样，再通过对抽样粒子集进行加权求和来估计系统的状态值，即：
2011年4月第4期 电子测试 ELECTRONIC TEST Apr.2011 No.4一种改进的粒子滤波重采样算法研究 金玉柱，李善姬 （延边大学工学院，吉林 延吉 133002） 摘要：粒子滤波是基于递推的蒙特卡罗模拟方法的总称，可用于任意非线性，非高斯随机系统的状态估计。为了减轻退化现象，引入重采样过程，但重采样过程算法复杂，计算量大，不利于硬件实现，并且会削弱粒子的多样性，从而导致滤波性能下降。提出了一种将局部重采样和优化组合算法结合的重采样算法。将粒子按权值大小分类，小权值的粒子抛弃，大权值的粒子进行复制，将复制的粒子和抛弃的粒子线性组合产生新的粒子，增加了粒子多样性并且只对大权值粒子进行运算，故降低了计算量利于实时系统的硬件实现。仿真结果证明了该算法的有效性。 关键字：粒子滤波; 局部重采样; 优化组合 中图分类号： TP391 文献标识码：A Research of improved particle filter resampling algorithm Jin Yuzhu, Li Shanji (College of Engineering, Yanbian University, Yanji 133002, China) Abstract: Particle filtering is a sequential Monte Carlo simulation algorithm. It can be used to estimate the state of any nonlinear, non-Gaussian system. In order to reduce the degeneracy, the resampling algorithm is adopted. But the resampling process has complex algorithm architecture, which have restricted its implementation in real-time system. Resampling process also leads to the loss of diversity of particles, and the loss makes filter’s performance worse. A new algorithm-partial resampling combined with optimizing combination resampling method is proposed. Assort the particles by their weights, the particles which have low weights are abandoned and the particles which have high weights are reproduced, and generate new particles by combining the reproduced particles and abandoned particles. This new method partly overcomes the loss of diversity and because it simply operates to the high weights particle so its calculation is simplified. And it is propitious to implement by hardware. The simulation results prove the effectiveness of the proposed method. Keywords : particle filtering; partial resampling; optimizing combination 0 引言 粒子滤波器，又称序贯蒙特卡罗方法。可以有效地处理非线性、非高斯滤波问题，广泛地应用在机动目标跟踪、信号传输与压缩、金融领域数据分析、图像处理、故障诊断等领域。所谓粒子滤波就是贝叶斯估计基于抽样理论的一种近似算法，通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波，即通过一组动态状态空间上按贝叶斯准则进行更新的随机加权的样本或粒子，对未知状态的后验概率密度进行估计，其中这些粒子通过对后验密度序贯重
毕 业 设 计 （论文） 开 题 报 告 姓名: 学号： 学院： 专业: 课题：基于粒子滤波的移动目标跟踪导师： 时间：
1.本课题研究的目的及意义： 粒子滤波(Particle Filter, PF)是一种基于蒙特卡罗(Monte Carlo)仿真的方法，它利用状态空间的一组带权值的随机样本(粒子)逼近状态变量的概率密度函数，每个样本代表系统的一个可能状态，可以得到状态的最小方差估计。粒子滤波算法摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约条件，因此，近几年来它在计算机视觉、目标跟踪、机器学习等领域受到了广泛的关注。另外，粒子滤波器的多模态处理能力，也是它应用广泛的原因之一。 本课题主要关注粒子滤波算法在目标跟踪领域的应用，随着计算机技术的发展，人们开始利用计算机来处理数字图像，包括图像增强，图像恢复，图像检索等等，而视频中运动目标的跟踪一直是计算机视觉、图像处理和模式识别等领域非常重要的研究课题。但是传统的目标跟踪方法存在着很多的局限性与不足之处，比如对非刚性目标跟踪时如何准确提取合适的目标特征进行跟踪，以及如何应对跟踪过程中的遮挡问题和复杂背景等等，也就难以保证跟踪的实时性和有效性。然而诸如此类的问题现在可以借助基于粒子仿真的方法来解决，在动态系统的模型选择，故障检测、诊断方面，出现了基于粒子的假设检验、粒子多模型、粒子似然度比检测等方法。同时，粒子滤波较之卡尔曼滤波（Kalman Filter）等在非线性非高斯系统领域中存在的优势，也决定了它的应用范围更加宽泛。 本课题旨在通过研究深入理解粒子滤波的原理及其算法，并利用MATLAB软件的图像处理功能，成功将粒子滤波算法应用于目标跟踪领域，最终实现对视频中运动目标的准确跟踪与检测。 2. 本课题国内外同类研究现状： 基于粒子滤波极强的实用性，国内外学者对此已经进行了大量研究，提出了许多用于跟踪的有效算法。这些方法主要可以分为两类：(1) 基于运动的方法：依据某种强健的算法，把一段时间内的具有运动一致性的点归为一类，如光流法和特征点法，但是计算量较大。(2) 基于模型的方法：主要依据高层的语义表示和知识描述来完成目标的跟踪。利用目标中信息部分的不同，可分为基于目标边界、基于目标区域的方法。但由于目标本身的信息较多，如不加简化，将不可避免地带来信息匹配时的大量运算。因此，对于实时性要求很高的运动目标的跟踪技术而言，如何选取目标的特征信息，并在可靠的前提下简化运算是目标跟踪的关键。本研究将在借鉴前人研究成果的基础
mean shift及其改进算法图像跟踪原理和应用Mean Shift 简介 Mean Shift 这个概念最早是由Fukunaga等人[1]于1975年在一篇关于概率密度梯度函数的估计中提出来的,其最初含义正如其名,就是偏移的均值向量,在这里Mean Shift是一个名词,它指代的是一个向量,但随着Mean Shift理论的发展,Mean Shift的含义也发生了变化,如果我们说Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束. 然而在以后的很长一段时间内Mean Shift并没有引起人们的注意,直到20年以后,也就是1995年,另外一篇关于Mean Shift的重要文献才发表.在这篇重要的文献中,Yizong Cheng对基本的Mean Shift算法在以下两个方面做了推广,首先Yizong Cheng定义了一族核函数,使得随着样本与被偏移点的距离不同,其偏移量对均值偏移向量的贡献也不同,其次Yizong Cheng还设定了一个权重系数,使得不同的样本点重要性不一样,这大大扩大了Mean Shift的适用范围.另外Yizong Cheng 指出了Mean Shift可能应用的领域,并给出了具体的例子. Comaniciu等人把Mean Shift成功的运用的特征空间的分析,在图
像平滑和图像分割中Mean Shift 都得到了很好的应用. Comaniciu 等在文章中证明了,Mean Shift 算法在满足一定条件下,一定可以收敛到最近的一个概率密度函数的稳态点,因此Mean Shift 算法可以用来检测概率密度函数中存在的模态. Comaniciu 等人还把非刚体的跟踪问题近似为一个Mean Shift 最优化问题,使得跟踪可以实时的进行. 在后面的几节,本文将详细的说明Mean Shift 的基本思想及其扩展,其背后的物理含义,以及算法步骤,并给出理论证明.最后本文还将给出Mean Shift 在聚类,图像平滑,图像分割,物体实时跟踪这几个方面的具体应用. Mean Shift 的基本思想及其扩展 基本Mean Shift 给定d 维空间d R 中的n 个样本点i x ,i=1,…,n,在x 点的Mean Shift 向量的基本形式定义为: ()()1 i h h i x S M x x x k ∈≡ -∑ (1) 其中,h S 是一个半径为h 的高维球区域,满足以下关系的y 点的集合, ()() (){ } 2:T h S x y y x y x h ≡--≤ (2) k 表示在这n 个样本点i x 中,有k 个点落入h S 区域中.
近两年跟踪速度较快的算法小结 近两年跟踪速度较快的算法有CN [1]，KCF [2]，STC [3]，ODFS [4]等等，均足以满足现实场景中实时跟踪的应用。 各算法执行速度： 各算法的主要思想： CN 跟踪器是CSK [5]跟踪器的改进算法。它联合颜色特征（ColorName ）和灰度特征来描述目标，在文献[1]作者通过大量的实验证明了Color Name 在视觉跟踪中的卓越性能，并且对ColorName 进行了PCA 降维，去除了ColorName 中的冗余信息，使得对目标的外观描述更加精确和鲁棒。在分类器的训练中，在CSK 算法的代价函数的基础上引入一个固定的权值β，使得分类器的训练和更新更加准确和鲁棒。CN 跟踪器对很多复杂的视频序列都有很好的跟踪结果，比如：光照变化，遮挡，非刚性形变，运动模糊，平面内旋转，出平面旋转和背景杂乱。CN 跟踪器也有不足的地方，比如：尺度变化，快速运动，出视角和低分辨率，等视频的跟踪效果不佳。 KCF 跟踪器是原CSK 跟踪器的作者对CSK 跟踪器的完善，这里简单介绍一下CSK 跟踪器的主要思想。CSK 跟踪器最大亮点就是提出了利用循环移位的方法进行稠密采样并结合FFT 快速的进行分类器的训练。稠密采样的采样方式能提取目标的所有信息，这对目标的跟踪至关重要。虽然CSK 的速度很快，但是CSK 只是简单的使用了灰度特征，对目标的外观描述能力显然不足。对此作者改进了CSK 提出了KCF ，从原来的单通道灰度特征换成了多通道Hog 特征。KCF 算法通过核函数对多通道的Hog 特征进行了融合，使得训练所得的分类器对待检测目标的解释力更强。KCF 跟踪器对光照变化，遮挡，非刚性形变，运动模糊，背景杂乱和旋转等视频均能跟踪良好，但对尺度变化，快速运动，刚性形变等视频跟踪效果不佳。 STC 跟踪器是一个简单快速而且鲁棒的算法，它利用稠密的空时场景模型来进行跟踪。在贝叶斯框架下，它利用目标和目标局部的稠密信息的空时关系来建模。置信图在被计算时考虑了上一帧目标的位置的先验信息，这有效的减轻了目标位置的模糊。STC 跟踪器使用了最简单的灰度特征，但是灰度并不能很好对外观进行描述。这里可以改进为其他比较好的特征（Colorname 或者Hog ），但是就会遇到多通道特征融合的问题。一般的Tracking-by-Detection 跟踪算法基本都不能实现尺度的变化，而STC 跟踪器就提出了一种有效的尺度变化方案，也是文章[3]中最大的亮点。这里简单介绍一下，通过连续两帧的目标最 佳位置t x *处的置信值()t m x *的比值来计算当前帧中目标的估计尺度 ()()()12' 1t t t s m x m x ** -=，为了不引入噪声和避免过度敏感的自适应引入连续n 帧的平均估 计尺度'1 1n t t i i s s n -==∑，最后通过滤波获得最终的目标估计尺度()11t t t s s s λλ+=-+。STC
运动目标跟踪就是在一段序列图像中的每幅图像中实时地找到所感兴趣的运动目标 (包括位置、速度及加速度等运动参数)。在运动目标跟踪问题的研究上，总体来说有两种思路： a)不依赖于先验知识，直接从图像序列中检测到运动目标，并进行目标识别，最终跟踪感兴趣的运动目标； b)依赖于目标的先验知识，首先为运动目标建模，然后在图像序列中实时找到相匹配的运动目标。 一、运动目标检测 对于不依赖先验知识的目标跟踪来讲，运动检测是实现跟踪的第一步。运动检测即为从序列图像中将变化区域从背景图像中提取出来。运动目标检测的算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测。 静态背景下运动检测就是摄像机在整个监视过程中不发生移动，只有被监视目标在摄像机视场内运动，这个过程只有目标相对于摄像机的运动；动态背景下运动检测就是摄像机在整个监视过程中发生了移动 (如平动、旋转或多自由度运动)，被监视目标在摄像机视场内也发生了运动，这个过程就产生了目标与摄像机之间复杂的相对运动。 1、静态背景 背景差分法 背景差分法是利用当前图像与背景图像的差分来检测运动区域的一种技术。它一般能够提供最完全的特征数据，但对于动态场景的变化，如天气、光照、背景扰动及背景物移入移出等特别敏感，运动目标的阴影也会影响检测结果的准确性及跟踪的精确性。其基本思想就是首先获得一个背景模型，然后将当前帧与背景模型相减，如果像素差值大于某一阈值，则判断此像素属于运动目标，否则属于背景图像。背景模型的建立与更新、阴影的去除等对跟踪结果的好坏至关重要。 帧间差分法 相邻帧间差分法是通过相邻两帧图像的差值计算，获得运动物体位置和形状等信息的运动目标检测方法。其对环境的适应性较强，特别是对于光照的变化适应性强，但由于运动目标上像素的纹理、灰度等信息比较相近，不能检测出完整
2.4粒子滤波 例子滤波是以贝叶斯滤波和重要性采样为基本框架的。因此，想要掌握例子滤波，对于上述两个基本内容必须有一个初步的了解。重要性采样呢，其实就是根据对粒子的信任程度添加不同的权重，添加权重的规则就是：对于我们信任度高的粒子，给它们添加的权重就相对大一些；否则，就加的权重小一些。根据权重的分布形式，实际上就是它与目标的相似程度。 粒子滤波的结构实际上就是加一层重要性采样思想在里面的蒙特卡罗方法（Monte Carlo method,即以某时间出现的频率来指代该事件的概率）。该方法的基本思想是用一组样本（或称粒子）来近似表示系统的后验概率分布，然后使用这一近似的表示来估计非线性系统的状态。采用此思想，在滤波过程中粒子滤波可以处理任意形式的概率，而不像Kalman滤波只能处理线性高斯分布的概率问题。粒子滤波的一大优势也在于此，因此近年来该算法在许多领域得到成功应用。 2.4.1贝叶斯滤波理论 贝叶斯滤波泛指一类以贝叶斯定理为基础的滤波技术，其根据所获得的观测，对状态后验概率分布、状态先验概率分布、状态估计值以及状态预测值等感兴趣量进行递归计算。 假设有一个系统，我们知道它的状态方程，和测量方程如下： =(,（状态方程）（2.4.1） =(,（测量方程）（2.4.2） 其中x为系统状态，y为测量到的数据，f,h是状态转移函数和测量函数，v,n 为过程噪声和测量噪声，噪声都是独立同分布的。 由贝叶斯理论可知，状态估计问题（目标跟踪、信号滤波）就是根据之前一系列的已有数据（测量数据）递推的计算出当前状态的可信度，这个可信度就是概率公式p()，它需要通过预测和更新两个步奏来递推的计算。 预测过程是利用系统模型(状态方程2.4.2)预测状态的先验概率密度，也就是通过已有的先验知识对未来的状态进行猜测，即p( )。更新过程则利用最新的测量值对先验概率密度进行修正，得到后验概率密度，也就是对之前的猜测进行修正。 处理这些问题之前，假设系统的状态转移服从一阶马尔科夫模型，即当前时刻的状态x(k)只与上一个时刻的状态x(k-1)有关, k时刻测量到的数据y(k)只与当前的状态x(k)有关。
计算机视觉中，究竟有哪些好用的目标跟踪算法（下） 在介绍SRDCF之前，先来分析下相关滤波有什么缺点。总体来说，相关滤波类方法对快速变形和快速运动情况的跟踪效果不好。 快速变形主要因为CF是模板类方法。容易跟丢这个比较好理解，前面分析了相关滤波是模板类方法，如果目标快速变形，那基于HOG的梯度模板肯定就跟不上了，如果快速变色，那基于CN的颜色模板肯定也就跟不上了。这个还和模型更新策略与更新速度有关，固定学习率的线性加权更新，如果学习率太大，部分或短暂遮挡和任何检测不准确，模型就会学习到背景信息，积累到一定程度模型跟着背景私奔了，一去不复返。如果学习率太小，目标已经变形了而模板还是那个模板，就会变得不认识目标。(举个例子，多年不见的同学，你很可能就认不出了，而经常见面的同学，即使变化很大你也认识，因为常见的同学在你大脑里面的模型在持续更新，而多年不见就是很久不更新) 快速运动主要是边界效应(Boundary Effets)，而且边界效应产生的错误样本会造成分类器判别力不够强，下面分训练阶段和检测阶段分别讨论。 训练阶段，合成样本降低了判别能力。如果不加余弦窗，那么移位样本是长这样的： 除了那个最原始样本，其他样本都是“合成”的，100*100的图像块，只有1-10000的样本是真实的，这样的样本集根本不能拿来训练。如果加了余弦窗，由于图像边缘像素值都是0，循环移位过程中只要目标保持完
整那这个样本就是合理的，只有目标中心接近边缘时，目标跨越边界的那些样本是错误的，这样虽不真实但合理的样本数量增加到了大约2-3(padding= 1)，即使这样仍然有1-3(3000-10000)的样本是不合理的，这些样本会降低分类器的判别能力。再者，加余弦窗也不是“免费的”，余弦窗将图像块的边缘区域像素全部变成0，大量过滤掉分类器本来非常需要学习的背景信息，原本训练时判别器能看到的背景信息就非常有限，我们还加了个余弦窗挡住了背景，这样进一步降低了分类器的判别力(是不是上帝在我前遮住了帘。不是上帝，是余弦窗)。 检测阶段，相关滤波对快速运动的目标检测比较乏力。相关滤波训练的图像块和检测的图像块大小必须是一样的，这就是说你训练了一个100*100的滤波器，那你也只能检测100*100的区域，如果打算通过加更大的padding来扩展检测区域，那样除了扩展了复杂度，并不会有什么好处。目标运动可能是目标自身移动，或摄像机移动，按照目标在检测区域的位置分四种情况来看： 1、如果目标在中心附近，检测准确且成功。 2、如果目标移动到了边界附近但还没有出边界，加了余弦窗以后，部分目标像素会被过滤掉，这时候就没法保证这里的响应是全局最大的，而且，这时候的检测样本和训练过程中的那些不合理样本很像，所以很可能会失败。 3、如果目标的一部分已经移出了这个区域，而我们还要加余弦窗，很可能就过滤掉了仅存的目标像素，检测失败。 4、如果整个目标已经位移出了这个区域，那肯定就检测失败了。
本文来自https://www.doczj.com/doc/6a2066574.html,/yangyangcv/archive/2010/05/23/1742263.html 一直都觉得粒子滤波是个挺牛的东西，每次试图看文献都被复杂的数学符号搞得看不下去。一个偶然的机会发现了Rob Hess(https://www.doczj.com/doc/6a2066574.html,/~hess/)实现的这个粒子滤波。从代码入手，一下子就明白了粒子滤波的原理。根据维基百科上对粒子滤波的介绍 (https://www.doczj.com/doc/6a2066574.html,/wiki/Particle_filter)，粒子滤波其实有很多变种，Rob Hess实现的这种应该是最基本的一种，Sampling Importance Resampling (SIR)，根据重要性重采样。下面是我对粒子滤波实现物体跟踪的算法原理的粗浅理解： 1）初始化阶段-提取跟踪目标特征 该阶段要人工指定跟踪目标，程序计算跟踪目标的特征，比如可以采用目标的颜色特征。具体到Rob Hess的代码，开始时需要人工用鼠标拖动出一个跟踪区域，然后程序自动计算该区域色调(Hue)空间的直方图，即为目标的特征。直方图可以用一个向量来表示，所以目标特征就是一个N*1的向量V。2）搜索阶段-放狗 好，我们已经掌握了目标的特征，下面放出很多条狗，去搜索目标对象，这里的狗就是粒子particle。狗有很多种放法。比如，a)均匀的放：即在整个图像平面均匀的撒粒子(uniform distribution)；b)在上一帧得到的目标附近按照高斯分布来放，可以理解成，靠近目标的地方多放，远离目标的地方少放。Rob Hess的代码用的是后一种方法。狗放出去后，每条狗怎么搜索目标呢？就是按照初始化阶段得到的目标特征(色调直方图，向量V)。每条狗计算它所处的位置处图像的颜色特征，得到一个色调直方图，向量Vi，计算该直方图与目标直方图的相似性。相似性有多种度量，最简单的一种是计算 sum(abs(Vi-V)).每条狗算出相似度后再做一次归一化，使得所有的狗得到的相似度加起来等于1. 3）决策阶段 我们放出去的一条条聪明的狗向我们发回报告，“一号狗处图像与目标的相似度是0.3”,“二号狗处图像与目标的相似度是0.02”,“三号狗处图像与目标的相似度是0.0003”,“N号狗处图像与目标的相似度是0.013”...那么目标究竟最可能在哪里呢？我们做次加权平均吧。设N号狗的图像像素坐标是(Xn,Yn),它报告的相似度是Wn,于是目标最可能的像素坐标X = sum(Xn*Wn),Y = sum(Yn*Wn). 4）重采样阶段Resampling 既然我们是在做目标跟踪，一般说来，目标是跑来跑去乱动的。在新的一帧图像里，目标可能在哪里呢？还是让我们放狗搜索吧。但现在应该怎样放狗呢？让我们重温下狗狗们的报告吧。“一号狗处图像与目标的相似度是0.3”,“二号狗处图像与目标的相似度是0.02”,“三号狗处图像与目标的相似度是 0.0003”,“N号狗处图像与目标的相似度是0.013”...综合所有狗的报告，一号狗处的相似度最高，三号狗处的相似度最低，于是我们要重新分布警力，正所谓好钢用在刀刃上，我们在相似度最高的狗那里
第31卷 第4期 2008年8月 电子器件 Chinese J ournal Of Elect ron Devices Vol.31 No.4Aug.2008 Study T echnology of Maximum Pow er Point T racker on the Solar Cell 3 YA N G Fan 3 ,P EN G Hong 2w ei ,H U W ei 2bi n g ,L I Guo 2pi ng ,J I A N G Yan (College of Elect ronic and I nf ormation Engineering ,W uhan I nstit ute of Technology ,W uhan 430073,Chi na ) Abstract :Outp ut characteristic of t he solar battery in p hotovoltaic power 2generation system and t he princi 2ple of Maximum Power Point Tracker are int roduced.Bot h t he merit s and flaws of several t racing met hods in common usage are analysed.The emp hasis of t he st udy is Maximum Power Point Tracker based on quadratic interpolation.A system is designed to ascertain t he maximum power outp ut (M PO ),which is based on regular empirical approach and t he quadratic interpolation.The result of t he test indicates t hat t he M PO of solar battery can be ascertained very soon in t he quadratic interpolation.K ey w ords :solar cell ;quadratic interpolation ;Maximum Power Point Tracker EEACC :8250 太阳能电池最大功率点跟踪技术探讨 3 杨 帆3,彭宏伟,胡为兵,李国平,姜 燕 (武汉工程大学电气信息学院,武汉430074) 收稿日期:2007208220 基金项目:湖北省教育厅基金资助(20060271)作者简介:杨 帆(19662),女,硕士,硕士生导师,教授,主要研究方向为智能仪器与测控技术,yangfan188@https://www.doczj.com/doc/6a2066574.html,. 摘 要:介绍了光伏发电系统太阳能电池的输出特性及最大功率点跟踪技术的基本原理。分析了多种常用的跟踪方法的优 缺点。重点研究了二次插值法的最大功率点跟踪技术。并设计了一个系统,应用常规实验方法及二次插值法寻找太阳能电池的最大输出功率,试验结果表明二次插值法能快速寻找太阳能电池的最大输出功率。 关键词:太阳能电池;二次插值;最大功率点跟踪 中图分类号:TP331 文献标识码:A 文章编号:100529490(2008)0421081204 太阳能作为绿色能源,具有无污染,无噪音,取之不尽,用之不竭等优点,越来越受到人们的关注。由于光伏系统目前的主要问题是电池的转换效率低且价格昂贵,因此,如何进一步提高太阳能电池的转换效率,如何充分利用光伏阵列转换的能量,一直是光伏发电系统研究的重要方向。太阳能光伏发电系统的最大功率点跟踪控制M PP T (Maximum Power Point Tracker )就是其中一个重要的研究课题。 最大功率点跟踪是太阳能并网发电中的一项重要的关键技术,它是指,为充分利用太阳能,控制改变太阳能电池阵列的输出电压或电流的方法,使阵列始终工作在最大功率点上,根据太阳能电池的特性,目前实现的跟踪方法主要有以下三种:太阳追踪、最大功率点跟踪或两种方法综合使用。出于经 济方面的考虑,在小规模的系统中经常使用最大功率点跟踪的方法[1]。M PP T 能使太阳能电池阵列的输出功率增加约15%～36%。 1 太阳能电池的伏安特性分析 太阳能电池的伏安(p 2u )特性如图1所示,图1(a )为温度变化时的p 2u 特性曲线,图1(b )是日照强度变化时的p 2u 特性曲线。从图可以看出太阳能电池具有明显的非线性。太阳能电池的输出受日照强度、电池结温等因素的影响。当结温增加时,太阳能电池的开路电压下降,短路电流稍有增加,最大输出功率减小;当日照强度增加时,太阳能电池的开路电压变化不大,短路电流增加,最大输出功率增加。在一定的温度和日照强度下,太阳能电池具有唯一
。 目标跟踪算法综述 大连理工大学卢湖川一、引言 目标跟踪是计算机视觉领域的一个重 要问题，在运动分析、视频压缩、行为识 别、视频监控、智能交通和机器人导航等 很多研究方向上都有着广泛的应用。目标 跟踪的主要任务是给定目标物体在第一帧 视频图像中的位置，通过外观模型和运动 模型估计目标在接下来的视频图像中的状 态。如图1所示。目标跟踪主要可以分为5 部分，分别是运动模型、特征提取、外观 模型、目标定位和模型更新。运动模型可 以依据上一帧目标的位置来预测在当前帧 目标可能出现的区域，现在大部分算法采用的是粒子滤波或相关滤波的方法来建模目标运动。随后，提取粒子图像块特征，利用外观模型来验证运动模型预测的区域是被跟踪目标的可能性，进行目标定位。由于跟踪物体先验信息的缺乏，需要在跟踪过程中实时进行模型更新，使得跟踪器能够适应目标外观和环境的变化。尽管在线目标跟踪的研究在过去几十年里有很大进展，但是由被跟踪目标外观及周围环境变化带来的困难使得设计一个鲁棒的在线跟踪算法仍然是一个富有挑战性的课题。本文将对最近几年本领域相关算法进行综述。 二、目标跟踪研究现状 1. 基于相关滤波的目标跟踪算法 在相关滤波目标跟踪算法出现之前，大部分目标跟踪算法采用粒子滤波框架来进行目标跟踪，粒子数量往往成为限制算法速度的一个重要原因。相关滤波提出了 一种新颖的循环采样方法，并利用循环样 本构建循环矩阵。利用循环矩阵时域频域 转换的特殊性质，将运算转换到频域内进 行计算，大大加快的分类器的训练。同时， 在目标检测阶段，分类器可以同时得到所 有循环样本得分组成的响应图像，根据最 大值位置进行目标定位。相关滤波用于目 标跟踪最早是在MOSSE算法[1]中提出 的。发展至今，很多基于相关滤波的改进 工作在目标跟踪领域已经取得很多可喜的 成果。 1.1. 特征部分改进 MOSSE[1] 算法及在此基础上引入循 环矩阵快速计算的CSK[2]算法均采用简单 灰度特征，这种特征很容易受到外界环境 的干扰，导致跟踪不准确。为了提升算法 性能，CN算法[3]对特征部分进行了优 化，提出CN（Color Name）空间，该空 间通道数为11（包括黑、蓝、棕、灰、绿、 橙、粉、紫、红、白和黄），颜色空间的引 入大大提升了算法的精度。 与此类似，KCF算法[4]采用方向梯度 直方图（HOG）特征与相关滤波算法结合， 同时提出一种将多通道特征融入相关滤波 的方法。这种特征对于可以提取物体的边 缘信息，对于光照和颜色变化等比较鲁棒。 方向梯度直方图（HOG）特征对于运 动模糊、光照变化及颜色变化等鲁棒性良 好，但对于形变的鲁棒性较差；颜色特征 对于形变鲁棒性较好，但对于光照变化不 够鲁棒。STAPLE算法[5]将两种特征进行 有效地结合，使用方向直方图特征得到相 关滤波的响应图，使用颜色直方图得到的 统计得分，两者融合得到最后的响应图像 并估计目标位置，提高了跟踪算法的准确 度，但也使得计算稍微复杂了一些。 图1 目标跟踪算法流程图
扩展卡尔曼滤波和粒子滤波算法比较上海大学2013 , 2014学年秋季学期 研究生课程小论文 课程名称: 随机信号导论课程编号: 07SB17002 论文题目: 扩展卡尔曼滤波和粒子滤波算法比较 研究生姓名: 班孝坤 (33%) 学号: 13720843 研究生姓名: 倪晴燕 (34%) 学号: 13720842 研究生姓名: 许成 (33%) 学号: 13720840 论文评语: 成绩: 任课教师: 刘凯 评阅日期: 扩展卡尔曼滤波和粒子滤波算法比较 第一章绪论 在各种非线性滤波技术中, 扩展卡尔曼滤波是一种最简单的算法, 它将卡尔曼滤波局部线性化,适用于弱非线性、高斯环境下。卡尔曼滤波用一系列确定样本来逼近状态的后验概率密度, 适用于高斯环境下的任何非线性系统。粒子滤波用随机样本来近似状态的后验概率密度, 适用于任何非线性非高斯环境, 但有时选择的重要性分布函数与真实后验有较大差异, 从而导致滤波结果存在较大误差, 而粒子滤
波正好克服了这一不足, 它先通过UKF产生重要性分布, 再运用PF 算法。通过仿真实验, 对其的性能进行比较。 严格说来,所有的系统都是非线性的,其中许多还是强非线性的。因此,非线性系统估计问题广泛存在于飞行器导航、目标跟踪及工业控制等领域中,具有重要的理论意义和广阔的应用前景。 系统的非线性往往成为困扰得到最优估计的重要因素，为此，人们提出了大量次优的近似估计方法。包括EKF,基于UT变换的卡尔曼滤波(UKF)，粒子滤波，等等。 第二章扩展卡尔曼滤波介绍 2.1 扩展卡尔曼滤波的理论(EKF) 设非线性状态空间模型为: xfxv,(,)(1)ttt,,11 yhxn,(,)(2)ttt 式中和分别表示在t时刻系统的状态和观测，和 xR,yR,vR,nR,tttt分别表示过程噪声和观测噪声，f和h表示非线性函数。 扩展卡尔曼滤波(Extended kalman filter,以下简称EKF)是传统非线性估计的代表,其基本思想是围绕状态估值对非线性模型进行一阶Taylor展开,然后应用线性系统Kalman滤波公式。 EKF是用泰勒展开式中的一次项来对式(1)和 ( 2 ) 中的非线性函数f和h 进行线性化处理, 即先计算f和h 的雅克比矩阵, 然后再在标准卡尔曼滤波框架下进行递归滤波。和均为零均值的高斯白噪声。 vntt 2.2 扩展卡尔曼滤波的算法 EKF的算法同KF 一样, 也可分为两步预测和更新。如图2.1所示
最大功率跟踪原理及控制方法 2.1最大功率跟踪原理 太阳能电池的输出特性如图一所示，从图中的P/V特性曲线可以看出，随着端电压的增加输出功率先增加后减小，说明存在一个端电压值，在其附近可获得最大功率，因此，在光伏发电系统中，要提高系统的整体效率,一个重要的途径就是实时调整光伏电池的工作点,使之始终工作在最大功率点附近,这一过程就称之为最大功率点跟踪-MPPT。 图一光伏电池的特性曲线 2.2 最大功率跟踪的控制方法 MPPT的控制方法：光伏系统中的最大功率点跟踪的控制方法很多，使用最多的是自寻优的方法，即系统不直接检测光照和温度，而是根据光伏电池本身的电压电流值来确定最大功率点。这种方法又叫做TMPPT(True Maximum Power Point Tracking)。在自寻优的算法中，最典型的是扰动观察法和增量电导法。本论文使用扰动观察法，扰动观察法主要根据光伏电池的P-V特性，通过扰动端电压来寻找MPPT，其原理是周期性地扰动太阳能电池的工作电压值( ),再比较其扰动前后的功率变化，若输出功率值增加，则表示扰动方向正确，可朝同一方向(+ )扰动；若输出功率值减小，则往相反(- )方向扰动。通过不断扰动使太阳能电池输出功率趋于最大，此时应有[8]。此过程是由微处理器即C8051F320控制完成的。 3、系统的总体结构 3.1系统的结构图 系统的结构图如图二所示。其中单片机要采集太阳能电池的输出电压和输出电流及蓄电池的充电电流和开路电压，通过一定的控制算法（即改变占空比），调节太阳能电池的输出电压和电流，从而实现太阳能电池在符合马斯曲线的条件下以最佳功率对蓄电池充电，系统的硬件主要由核心控制模块、采样模块、驱动模块、升压式DC/DC变换器模块组成。
之前一直在做移动机器人定位算法。查来查去，发觉粒子滤波算法（又叫MC算法）应该算是最流行的了。因此开始学习使用之。入手的是本英文书叫“probalistic robotic” 很不错，我所见到的讲得最好的一本书。花了大量时间去研读。在这里我想谈谈我对粒子滤波的一点认识。因为在这一领域算是个新手。希望有前辈或者达人来指正我的想法。也希望我的这篇文章对新手有理解他有所帮助（当初我就很是苦于它难于理解）在这里我不想谈粒子滤波的理论基础和推到，这点大家可以去自己翻书。我只谈下我的体会。 粒子滤波算法。他源于Montecarlo的思想，即以某事件出现的频率来指代该事 件的概率。因此在滤波过程中，需要用到概率如P(x)的地方，一概对变量x采样，以大量采样的分布近似来表示P(x)。因此，采用此一思想，在滤波过程中粒子滤波可以处理任意形式的概率，而不像Kalman滤波只能处理高斯分布的概 率问题。他的一大优势也在于此。 再来看对任意如下的状态方程 x(t)=f(x(t-1),u(t),w(t)) y(t)=h(x(t),e(t)) 其中的x(t)为t时刻状态，u(t)为控制量，w(t) 和e(t)分别为模型噪声和，观测噪声。前一个当然是状态转移方程，后一个是观测方程。那么对于这么一个问题粒子滤波怎么来从观测y(t)，和x(t-1),u(t) 滤出真实状态x(t)呢？ 看看滤波的预估阶段：粒子滤波首先根据x(t-1) 和他的概率分布生成大量的采样，这些采样就称之为粒子。那么这些采样在状态空间中的分布实际上就是x(t-1) 的概率分布了。好，接下来依据状态转移方程加上控制量可以对每一粒子得到一个预测粒子。所有的预测粒子就代表了涉及哪些参数化的东西）。 进入校正阶段来：有了预测粒子，当然不是所有的预测粒子都能得到我们的时间观测值y对不，越是接近真实状态的粒子，当然获得越有可能获得观测值y对吧。于是我们对所有的粒子得有个评价了，这个评价就是一个条件概率P(y|x i ),直白的说，这个条件概率代表了假设真实状态x(t)取第i个粒子x i 时获得观测y的概率。令这个条件概率为第i个粒子的权重。如此这般下来，对所有粒子都进行这么一个评价，那么越有可能获得观测y的粒子，当然获得的权重越高。好了预测信息融合在粒子的分布中，观测信息又融合在了每一粒子的权重中。
最大功率跟踪的控制原理 最大功率跟踪（MPPT）是并网发电中的一项重要的关键技术，它是指控制改变太阳电池阵列的输出电压或电流的方法使阵列始终工作在最大功率点上，根据太阳电池的特性，目前实现的跟踪方法主要有以下三种： （1）恒电压法，因为太阳电池在不同光照条件下的最大功率点的电压相差不大，近似为恒定。这种方法的误差很大，但是容易实现，成本较低； （2）爬山法，通过周期性的不断的给太阳电池阵列的输出电压施加扰动，并观察其功率输出的改变，然后决定下一次扰动的方向。这种方法的追踪速度较慢，只适合于光强变化较小的环境； （3）导纳微分法(又称增量电导法)，认为太阳电池阵列的的最大功率点处，输出功率对输出电压的一阶倒数等于零。因此在环境光强发生改变时，根据dI/dV的计算结果是否等于－I/V，决定是否继续调整输出电压，既可实现最大功率点的跟踪。该方法相对于恒电压法和爬山法有高速稳定的跟踪特性。 上述三种方法各有特点，但是都不同时具有低成本、高稳定性、快速追踪的特性。第一种方法只是粗略估计了最大功率点的位置，在光强变化到很大或较小时都会产生很大的误差。后两种方法本质上都是通过判断当前工作点是否处于最大工作点来决定是否继续调整及调整的方向，因此最终的结果是逆变器始终工作在最大功率点的左右，来回振荡，而不是真正的工作在最大功率点处，反应在太阳电池阵列的输出上就是，太阳电池阵列的输出电压或电流总是以一个直流电平为中心上下跳跃，波形很不稳定，而且在光强变化速度较快时，不能及时反应。 三、太阳能电池功率追踪访法及算法 扰动观察法是目前太阳能电池最大功率追踪技术中最为成熟以及被采用最多的方法，其系统方块图如图12所示。由图中可以很明显的看出此法的硬件需求较少，模拟／数字转换器节省得相当多，因此在制造的成本上将大为降低。扰动观察法之缺点在于最大功率追踪过程中，当大气条件迅速改变时，由于响应速度未能因应调整，会使追踪的速度变缓，造成功率的损失，不过此一缺点可以用软件技术来加以改善，赋予系统自我调整响应速度之功能，这也是本文的研究重点，亦即以软件算法来达到太阳能电池最大功率的追踪，并分析系统操作于较高频率下，其追踪的性能。 依电路理论而言，当太阳能电池的等效输出阻抗等于负载端的等效输入阻抗时，太阳能电池所送出的功率为最大，这就是最大功率转移定理。因此当太阳能电池模块串接直流－直流转换器之后如图13，若要得到太阳能电池的最大功率，则转换器的输入阻抗必须和太阳能电池的输出阻抗相等，但是太阳能电池的输出功率受到大气条件的影响，使得其等效输出阻抗并不会固定在某一定值。对转换器而言，其输入阻抗是随着工作周期的改变而有所不同，所以转换器若要维持太阳能电池于最大功率下操作，就必须随时地调整其工作周期。 图片附件: fig12.JPG (2006-3-23 23:42, 26.31 K)
粒子滤波算法 09S003057 徐飞 由于我的课题是用粒子滤波进行目标跟踪，今天参加了一场粒子滤波算法的讲座，对经典粒子滤波与其它粒子滤波进行了详细的讲解，学到了很多知识。 经典粒子滤波 算法的一般描述： 1.初始化：取k ＝0，按0()p x 抽取N 个样本点() 0i x ，i ＝1,…,N 。 2.重要性采样： ()()0:11:(|,)i i k k k k x q x x z -~，令 ()() ()0:0:1(,)i i i k k k x x x -=，其中i ＝1,…,N 。 3.计算权值： ()()() () ()11 ()() 0:11:(|)(|)(|,) i i i i i k k k k k k i i k k k p z x p x x q x x z ---ω =ω 若采用一步转移后验状态分布，该式可简化为()()() 1(|)i i i k k k k p z x -ω=ω。 4.归一化权值： () j j i i k k N k () ()=1 ωω = ω ∑ 5.重采样：根据各自归一化权值 () i k ω 的大小复制/舍弃样本 () 0:i k x ，得到N 个近似服从()0:1:(|)i k k p x z 分布的样本()0:i k x 。令()i k ω＝ ()i k ω＝1/N ，i ＝1,…,N 。 6.输出结果：算法的输出是粒子集() 0:{: 1...}i k x i N =，用它可以近似表示后验概率和函数 0:()k k g x 的期望 0:0:1:0:11(|)()i k N k k k x i p x z dx N ()==δ∑ 0:0:1 1(())()N i k k k k i E g x g x N ==∑ 7.K=K+1,重复2步至6步。 其它粒子滤波 正则粒子滤波 正则粒子滤波(Regularized Particle Filter ，RPF)是为了解决由重采样引入的新问题而提出的一种改进的粒子滤波。当通过序贯重要性采样后引起粒子退化问题时，前面提到可以用重采样的方法来减小退化的影响，但是引入重采样策略同时也引入了新的问题，即粒子匮乏问题，经过若干次迭代之后，所有粒子都趋向于同一个粒子，导致粒子的多样性丧失。这是因为在重采样过程中，粒子是从离散分布中采样取得的，而不是从连续分布中采样得到的。 正则粒子滤波正是为了解决上述问题而提出的。它与SIR 粒子滤波的区别在于：在重采样过程中，SIR 从离散近似的分布中重采样，而正则粒子滤波则从连续近似的分布中重采样。 1 0:1 {,} (|)()N j j m i i k k j k k k h k k i x p x y K x x ==ω~≈ω-∑ 其中,1()()h n x x K x K h h = 是对核密度()K 进行了重新标度后的结果，n 为x 的维数,h 称为