基于改进Mean Shift跟踪算法在车辆跟踪上的应用

运动目标跟踪在城市交通流量监测和视频监控等方面有着广泛的应用前景,本文使用Mean Shift目标跟踪算法实现运动目标的跟踪。在传统的Mean Shift跟踪算法中,跟踪框大小不变,可能会导致跟踪过程中运动目标跟丢的情况发生。因此,本文提出了一种结合背景差分法的Mean Shift跟踪算法,从而实时地提取出大小合适的运动目标跟踪框。实际应用中,通过DM642数字信号处理器采集D1格式的视频,然后对视频帧图像进行改进的Mean Shift跟踪算法实现后可以发现,改进的Mean Shift跟踪算法可以实时地实现目标跟踪框大小的变化。在跟踪效果上,改进的跟踪算法具有较好的效果。     

改进的Mean Shift跟踪算法在车辆跟踪上的应用

使用传统Mean Shift目标跟踪算法实现运动目标跟踪时,跟踪框大小不变,可能会导致跟踪过程中运动目标跟丢的情况发生.因此,提出了一种结合背景差分法的Mean Shift跟踪算法,从而实时地提取出大小合适的运动目标跟踪框.实际应用中,通过DM642数字信号处理器采集D1格式的视频,然后对视频帧图像进行改进的Mean Shift跟踪算法实现后可以发现,改进的Mean Shift跟踪算法可以实时地实现目标跟踪框大小的变化.在跟踪效果上,改进的跟踪算法具有较好的效果.     

基于Mean Shift算法的网球运动视频目标跟踪研究

传统Mean Shift算法在运动目标运动速度过快以及被遮挡的情况下,算法的跟踪效果较差。因此,提出基于改进Mean Shift算法的网球运动视频目标跟踪方法,分析Mean Shift算法进行网球运动视频目标跟踪的过程以及存在的弊端。采用最小二乘法对Mean Shift算法进行改进,利用最小二乘法预测网球运动视频目标位置,在该位置上实施迭代跟踪,再用Mean Shift算法得到目标最终跟踪位置,解决目标运动速度过快以及遮挡问题的干扰,减小各帧检索时矢量同收敛点的距离,提高跟踪效率。实验结果说明,所提方法具有较高的跟踪效果和跟踪效率。     

基于Mean Shift的序列图像手势跟踪算法

将Mean Shift算法应用于序列图像中的手势跟踪,利用梯度优化方法实现快速目标定位,能够对非刚性目标实时跟踪,并且对目标的变形、旋转等运动有较好的适用性.实验结果表明,Mean Shift算法在目标姿态变化、光照变化下的跟踪效果较好.     

基于多特征Mean Shift的人脸跟踪算法

该文把局部三值模式(Local Ternary Patterns, LTP)纹理特征引入Mean Shift跟踪算法,提出了基于多特征的Mean Shift人脸跟踪算法以解决Mean shift跟踪算法的鲁棒性问题。通过对LTP纹理特征的分析、研究,提出了一个LTP关键纹理模型,既增强了目标的关键纹理信息,又简化了LTP纹理模型。在此基础上,提出一种基于LTP关键纹理特征和肤色特征的Mean Shift人脸跟踪算法,有效地解决了Mean Shift算法的鲁棒性问题。为进一步提高对快速运动目标的跟踪速度和跟踪性能,该文引入了卡尔曼滤波器对目标进行预测。实验结果表明,该文的算法在目标定位的准确性和跟踪性能上比Mean Shift算法均有明显的提高。     

基于卡尔曼和图像信息量的Mean Shift改进跟踪算法

Mean Shift算法在目标实时跟踪领域取得了广泛的应用,但是对于速度过快或尺度变化大的目标跟踪存在较大的缺陷.提出了一种基于Mean Shift和Kalman预测带宽的自适应跟踪算法.该算法提出以Kalman预测目标在下帧中的中心位置作为Mean Shift迭代初始位置;同时引入图像信息量度量方法以适应目标的尺度变化.实验结果表明,改进的跟踪算法能很好地跟踪尺度变化的目标,跟踪效果很好.     

基于卡尔曼滤波与Mean Shift的运动车辆跟踪

针对Mean Shift算法不能跟踪快速目标、跟踪过程中窗宽的大小保持不变的特点.首先,卡尔曼滤波器初步预测目标在本帧的可能位置;其次,Mean Shift算法在这点的邻城内寻找目标真实的位置;最后,在目标出现大比例遮挡情况时,利用卡尔曼残差来关闭和打开卡尔曼滤波器.实验表明该算法在目标尺度变化、遮挡等情况下对快速运动的目标能够取得较好的跟踪效果.     

基于Mean Shift算法非刚体跟踪的性能分析

介绍一种通过目标特征提取和定位实现的自下而上的运动物体跟踪方法,并通过实验对其性能进行分析和研究.该方法首先对某帧图像中的目标对象进行核函数空域加权的像素直方图特征提取.将目标对象的定位问题等价变换为在空域中求最优解的问题.通过Mean Shift算法在空域对相似程度求最优解,找到与目标对象模式最相似的搜索对象模式,从而完成目标对象的定位.在此通过仿真实验对Mean Shift算法在非刚性目标跟踪应用上的适用性、鲁棒性以及实时性进行分析和研究.最后还提出一些对该方法的改进算法.     

自适应跟踪窗的Mean Shift算法

针对经典Mean Shift算法在目标跟踪过程中不能自适应目标的形状变化,提出了一种跟踪窗自适应的Mean Shift目标跟踪算法。该算法利用权值图像的矩特征推导出了一种目标真实面积的估计方法,同时利用估计出的目标真实面积校正可表达目标窗口内图像特征的协方差矩阵,从而计算出目标区域的主轴长度和方向。实验结果表明,该方法保留了Mean Shift算法简单、有效的特点,同时该算法的跟踪窗具备当目标发生旋转和尺度变化时的自适应能力,并且具有较强的鲁棒性。     

一种改进的Mean Shift运动目标跟踪算法

首先研究了Mean Shift算法(均值漂移算法),针对Mean Shift算法在跟踪视频运动物体应用中的不足,提出了将卡尔曼滤波预测的窗口和三帧差法提取的窗口通过加权的方式,产生一个新的检测窗口作为均值漂移算法的检索窗口,同时对核函数带宽和目标模型进行更新。实验表明经过优化的算法,对运动物体跟踪有了明显的改进,有了更好的鲁棒性。     

基于局部特征和Mean Shift的目标跟踪算法研究

利用均值漂移进行目标跟踪的算法,在被跟踪目标出现旋转、尺度变化、噪声干扰等情况下,无法得到准确的跟踪结果。文中提出了基于当前流行目标跟踪算法和局部特征相结合的算法,基于局部特征-形状上下文(Shape Context)特征的Mean Shift目标跟踪算法。该算法首先提取目标的轮廓信息和特征,根据采样点之间位置和距离关系建立Shape Context直方图,最后所有点的Shape Context直方图构成了图像的Shape Context特征,最后根据Mean Shift算法进行跟踪。实验结果表明,该算法在跟踪目标出现尺度变化、旋转、噪声干扰和遮挡等情况下能够准确地跟踪物体,鲁棒性好。     

尺度自适应CBWH跟踪算法研究

传统Mean Shift跟踪算法存在固定核窗宽导致目标尺度定位和空间定位不准确的问题。本文在背景加权的均值漂移算法(corrected background-weighted histogram ,CBWH Mean Shift)精确的目标定位基础之上,在RGB颜色空间下使用目标背景加权模型生成目标显著特征的颜色概率图,对其进行阈值分割和图像处理后获取二值图像,以此计算不变矩来调整下一帧的跟踪窗口,并在满足一定条件时及时更新背景加权模型以适应复杂背景下的跟踪任务。实验结果表明,上述方法能够自适应地更新核函数的带宽,提高了算法跟踪尺度变化目标的准确性和鲁棒性。      

基于改进Mean Shift算法的细胞追踪方法研究

针对经典Mean Shift算法不能有效追踪快速移动细胞的缺陷,提出了利用Mean Shift和卡尔曼滤波器相结合的方法快速移动细胞进行追踪。算法以卡尔曼滤波器预测出细胞的位置作为Mean Shift算法的初始位置,然后再利用Mean Shift算法追踪得到的细胞位置作为下一帧的卡尔曼滤波器的输入参数。实验结果表明,对于细胞图像的追踪,该方法较经典Mean Shift算法有着更高的准确率。     

模板自适应的Mean Shift红外目标跟踪

为了解决Mean Shift跟踪算法中目标模板只能从单一图像建立且很难更新问题,提出了一种结合改进的Mean Shift与增量式支持向量机的红外目标跟踪算法。首先,根据目标区域的灰度直方图对目标进行描述,然后采用标准Mean Shift搜索目标,结合子图图像矩特征进行二次搜索,再计算下一帧搜索的窗口大小,以解决目标尺寸明显变化时造成目标丢失的问题。同时,针对目标遮挡易导致跟踪失败的问题,引入机器学习理论,采用增量式支持向量机自适应更新模板,则目标跟踪问题转换为目标和背景的分类问题。实验结果表明:提出的改进算法在目标尺寸、姿态发生变化或出现部分遮挡时,能有效跟踪目标。     

基于改进MeanShift的目标跟踪算法

针对传统Meanshift算法在某些干扰或遮挡情况下不能保证跟踪的准确性,以及目标模型内的背景像素也会造成定位偏差的问题,提出一种基于MeanShift的改进算法。首先对目标模型进行改进,通过目标与背景的区分度引入权系数,在目标模型中进行加权处理,可达到降低目标模型内背景像素对跟踪定位精度的影响。然后,将跟踪窗进行分块,对各子块使用改进目标模型的Meanshift算法进行跟踪。最后,用匹配度最大的两个子块加权决定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。实验表明,在复杂背景下,新算法仍然可以有效、准确地跟踪运动目标。     

一种基于粒子滤波的自适应运动目标跟踪方法

该文提出了一种基于粒子滤波的自适应运动目标跟踪方法。均值漂移算法是一种最优梯度下降法,通过迭代来搜索目标,从而实现对运动目标的跟踪。而粒子滤波是一种在非线性和非高斯情形下进行跟踪的强有力方法。该文首先对图像的直方图进行改进,提出了一种基于统计直方图分布的目标模型,然后通过这个模型将这两种方法有效地结合起来。根据跟踪的过程,自适应地调整参数,能够较好地处理图像序列中由于光线变化或遮挡所带来的影响。实验证明,该文所提出的方法与均值漂移方法相比,即使在复杂的情形下,也能够准确地对目标进行跟踪。     

基于Mean Shift的抗遮挡运动目标跟踪算法

采用Mean shift和Kalman滤波器相结合来处理动态背景下目标跟踪问题.首先利用Kalman滤波器进行预估计获得每帧Mean Shift算法的起始位置.由图像差分法得到物体轮廓.同时定义了相似因子判断物体是否发生遮挡.当发生遮挡时,根据物体运动状态不同.对颜色信息和运动信息分别赋予不同权值来预测物体在当前帧的位置并作为下一帧预测的起点.此时,目标位置的线性预测替代了Kalnlan滤波器的作用.实验证明,新算法可实现对快速运动目标的跟踪,对遮挡也有很好的稳健性.     

基于粒子滤波的空-地目标跟踪算法

针对空-地目标跟踪中目标大幅度变速运动而引 起的跟踪失败问题,基于Kristan等人提出的双步(TS)动态模型框架,对空-地目标跟 踪中目标运动特点进行分析与建模,改进TS模型中 的保守模型以适应加速运动,提出适于描述大幅度变速运动的加速度双步(TSA)动态模型作 为粒子滤波(PF)跟踪算法的动态模 型,实现对粒子状态的精确预测,进而达到使用较少粒子即可对目标鲁棒跟踪的目的。对空 -地目标跟踪的测试视频进行测 试,结果表明,本文算法可对大幅度变速运动目标稳定跟踪,正确跟踪率为92%,对目标 尺寸约为25pixel×30pixel时的处理帧率为29frame/s。本文算法具有较好的鲁棒性与实时性。