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.     

Mean Shift算法和粒子滤波相结合的运动目标视频跟踪技术

基于帧间视频图像的运动目标跟踪技术,已经成为计算机视觉领域的一个研究热点,在很多领域被越来越广泛使用,特别在航空航天、医药卫生、国防建设以及国民经济的实用性逐渐被人们重视,具有良好的发展前景。文章结合Mean Shift算法、粒子滤波算法两种算法的优缺点,提出了将Mean Shift算法与粒子滤波算法相结合,利用Mean Shift算法的聚类作用,将粒子样本收敛在更接近目标的真实位置的区域,满足鲁棒性、实时性和抗遮挡的要求,能够应用于高实时性的视频图像处理领域。     

Mean Shift跟踪的背景优化及动态分析

针对传统Mean Shift跟踪算法在进行目标跟踪时背景带来的定位偏差及由于缺乏相应的跟踪状态分析策略而易陷入局部最小值的缺陷,提出了两方面的改进措施。一是将跟踪窗口内的目标和背景区分开来,对背景像素定义新的特征模型以弱化背景像素对目标模型的影响。二是将跟踪窗口进行分块处理,综合考虑每个子块相似度的大小变化建立判断准则,对跟踪状态进行动态实时分析,以判断目标是否存在遮挡:如部分遮挡,则应用没有被遮挡的子块位置偏差对目标进行定位;如完全遮挡,则采取相应的二维线性预测方案根据先验信息对目标进行定位跟踪。将该方法应用于人物跟踪中进行实验,实验结果表明,该方法有效改善了Mean Shift跟踪算法的不足,对于复杂条件下的运动目标跟踪具有很好的鲁棒性。     

结合帧差法与Mean Shift的抗遮挡跟踪算法

针对目标严重遮挡后,运动状态发生改变时,传统的基于运动预测的算法无法有效跟踪的问题,提出一种基于帧差法的改进算法。引入巴氏系数(Bhattacharyya)作为目标是否发生遮挡的判据;当发生遮挡时,帧差法检测目标,再次检测到目标时将此位置作为Mean Shift迭代的起始位置;最后正常跟踪时采用卡尔曼滤波预测目标位置,减少迭代次数。实验结果表明,当目标在严重遮挡后,运动状态改变时,基于运动预测的算法将无法跟踪目标,改进算法能够重新跟踪目标。     

结合目标预估计与Mean Shift理论的运动目标跟踪算法

图像的运动包括目标、背景和平台的运动,复杂的运动关系增加了目标跟踪的难度.提出了一种有效的基于Mean Shift理论的运动目标跟踪算法.为提高算法的实时性,对Mean Shift算法的核函数进行了改进,使得加减运算替代乘方和浮点运算,大大提高了运算效率;并通过对迭代权值的改进,强化了初始模板的主要信息,提高了算法跟踪与背景相似目标的能力;采用自动更新模板的策略,克服了目标特征分布发生改变的问题;在此基础上,引入了目标预检测,提出了综合背景差分检测的运动目标跟踪算法,实验表明:该算法在目标被遮挡情况下具有较强的适应性.     

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。     

一种解决遮挡问题的跟踪方法

针对图像跟踪领域中因遮挡产生的漂移问题,提出一种基于直方图比的背景加权的Mean Shift算法和Kalman预测滤波器融合的方法。本文方法通过改进目标模型来优化Bhattacharyya系数值,增大目标正常跟踪状态下和遮挡状态下Bhattacharyya系数的差值,提高遮挡判定的有效性,进而提高遮挡时的跟踪性能。通过实验证明,基于直方图比的背景加权的Mean Shift算法和Kalman预测滤波器融合的方法可有效解决遮挡跟踪问题。