刘峰，宣士斌，刘香品

视频目标跟踪是近年来计算机视觉领域中的研究热点，在人机交互、视频监控、智能交通等方面都有着广泛的应用。粒子滤波算法(particle filter，PF)因能有效地解决视频目标跟踪中普遍存在的非线性、非高斯性的问题[1]，在视频跟踪领域得到了足够的重视[2-4]。而在实际应用中，粒子滤波却存在权值退化现象，虽然通过采用重采样技术可以复制大权值样本[5]，但又不可避免地会导致粒子匮乏问题[6]，当系统噪声较小时，易造成样本的聚集。为解决这一问题，提高粒子滤波的采样效率，一些学者提出选取更好的提议分布，采用复杂的抽样策略。比如辅助采样、分区采样、退火重要性采样等[7]。

拟蒙特卡洛(Quasi-Monte Carlo, QMC)方法是一种确定性的采样方法，它利用准随机数产生均匀分布在状态空间的点，与MC方法的随机样本分布不同，QMC方法能产生低偏差序列的样本，基于QMC方法的粒子滤波(Quasi-Monte Carlo particle filter, QMCPF)用更少的粒子就能达到所需的精度，能有效地解决基于MC的随机采样过程获得的粒子在状态空间积聚在一起或形成空隙的问题。

本文提出利用数论中的佳点集理论和方法[8]来构造一种新的拟蒙特卡洛序列。利用佳点集方法取的点要比随机取点的偏差更小，并且佳点集序列与常用的拟蒙特卡洛序列Halton序列相比分布更均匀，在滤波过程中可提高状态估计的精度和收敛速度，减少了样本重叠，避免了运算的浪费，提高了样本的质量。在非线性系统状态估计精度要优于粒子滤波和现有的拟蒙特卡洛粒子滤波算法。……