改进的Camshift与Kalman融合的目标跟踪算法

Camshift算法主要利用物体的颜色信息进行跟踪,在复杂背景条件下容易造成目标的跟丢,且在目标被遮挡时,也容易造成跟踪失效。本文提出了一种改进的Camshift目标跟踪算法。首先将目标图像的HSV模型的三个分量进行加权建立一种新的目标颜色模型,然后由对整帧图像计算反向投影改为比搜索窗口稍大的区域计算反向投影,减少了相似背景的干扰。同时为了解决遮挡问题,结合了Kalman滤波器,有效地预测了目标的位置。实验表明,本算法能够避免背景颜色干扰和解决遮挡问题,实现了对运动目标准确跟踪。     

基于视频的人体运动目标跟踪研究

现实生活中的背景一般比较复杂,基于颜色特征的Camshift目标跟踪在复杂情况下实现效果并不理想。文中提出采用基于边缘直方图Camshift结合优化的Kalman滤波来预测视频中行人目标下一个可能存在的位置,并利用OpenCV相关函数,跟踪丢失的几率降低。先对RGB图像进行边缘检测计算边缘直方图,得到搜索窗口质心位置,再用优化的Kalman滤波对运动目标窗口进行预测更新,将信息反馈重新确定下一帧窗口质心位置,以克服遮挡及噪声的干扰。实验表明,该算法能较好地对人体目标进行检测跟踪。     

嵌入Kalman滤波的Camshift人体跟踪研究

针对复杂背景下Camshift算法跟踪运动人体容易丢失目标的情况,提出了一种Kalman滤波和Camshift算法相结合的改进算法。Camshift算法利用颜色直方图做反向投影得到色彩的概率分布图,利用初始化的搜索窗口和位置并结合上一帧跟踪结果自适应调整跟踪窗口从而跟踪人体。采用Kalman滤波可以对运动人体进行估计以克服复杂背景下色彩的干扰,同时对Camshift的迭代结果进行校正。实验表明,本文方法在复杂背景下能更好地跟踪运动人体目标。     

基于改进CamShift融合Kalman滤波的无人机目标跟踪研究

针对无人机目标跟踪过程中CamShift算法对目标颜色相似背景干扰和遮挡干扰鲁棒性差问题,对CamShift算法进行了改进。首先,针对CamShift算法模板信息单一,易受到颜色相似背景干扰的问题,提出基于H分量和LBP二维直方图模板的CamShift目标跟踪算法,改进算法提高了算法对相似目标干扰的鲁棒性,且有效帧率提高了约21%;针对目标跟踪过程中目标易受到障碍物遮挡的问题,在CamShift算法中引进了Kalman滤波预测机制,增强了跟踪算法在目标遮挡条件下的鲁棒性和跟踪效率,其中跟踪效率提高了约25%,每帧迭代所用时间下降了约36%。     

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Kalman滤波与Camshift算法的水面目标跟踪

根据水面监控图像的特点,对运动载体采集到的水面视频图像进行处理,从而实现对运动目标的跟踪。首先,利用Haar分类器检测出水面的运动目标,并用检测结果初始化Camshift跟踪器的搜索窗口;然后,运用Kalman滤波器与Camshift组合算法实现对运动目标的跟踪。其中,利用Kalman滤波算法预测目标在下一帧中出现的位置,Camshift算法用来跟踪目标,以此减小搜索范围,提高跟踪效率。实验结果表明,该算法能够实现对水面运动舰船的检测并进行有效跟踪。     

基于改进的Camshift运动目标跟踪算法的研究

针对基于颜色概率分布的连续自适应均值漂移算法(Camshift)跟踪算法在背景中出现相同颜色干扰时容易致使跟踪目标失败的问题,提出了一种改进的Camshift跟踪算法。首先对Camshift跟踪目标前进行目标检测,通过帧差法、光流法、背景差分法三种检测算法对比,采用背景差分法得到的运动目标区域矩形特征参数作为Camshift的初始化参数,取代一般Camshift算法利用颜色特征的跟踪。最后对改进的算法和一般Camshift进行仿真对比实验。实验结果表明,结合背景差分法和连续Camshift算法的运动目标跟踪在一定程度上满足了实时性与稳定性的要求。     

智能工厂下的AGV多目标跟踪

针对物流仓库下AGV跟踪过程中出现的同类物体辨别、遮挡、丢失问题,文中提出一种融合了背景建模的Camshift算法和卡尔曼滤波组合的多目标跟踪方法来解决以上问题。由于物流AGV具有同一颜色,借助Camshift基于颜色跟踪的特性,可实现对特定物流小车的跟踪。借助Kalman滤波加入运动信息,利用目标的动态信息,设法去掉噪声的影响解决同种颜色下AGV的识别、遮挡以及丢失等问题。实验表明,提出的算法能区别出同类的AGV小车,并可实现实时追踪。     

一种改进的Camshift视频目标跟踪算法

鉴于连续自适应均值漂移(Camshift)算法在光照变化,相似背景颜色干扰及目标遮挡时鲁棒性不高,易造成跟踪错误等问题,提出了一种联合多特征和最大类间方差法的视频运动目标跟踪算法。该算法将色度直方图、梯度方向直方图和LBP纹理特征进行巧妙的融合,构建了一种高效的联合直方图目标外观特征模型,并在Camshift算法中嵌入最大类间方差法,增强目标和背景的区分度。不同场景的视频跟踪结果表明,改进算法有效克服了传统Camshift算法应对光照变化、颜色干扰和目标遮挡的缺点,与同类算法相比,具有更高的准确度和鲁棒性。     

基于改进的均值漂移视频目标跟踪算法

【】 采用帧差法提取目标的运动特征,结合边缘特征对光照变化、颜色不敏感和颜色特征对旋转、形状姿态不敏感的优点,提出了一种新的运动-颜色和运动-边缘特征联合的外观模型对目标进行均值漂移跟踪。分别计算颜色直方图和边缘直方图的Bhattacharyya系数,利用加权求和的思想概念计算下一帧各个特征的权值,将各个特征自适应融合,提高了跟踪算法的鲁棒性。针对目标被严重遮挡或全部遮挡而导致跟踪丢失的问题,提出利用Kalman预测器预测目标的轨迹改进均值漂移算法。实验结果表明,在光照变化、相邻相似背景颜色、变形、遮挡等复杂背景下,该算法仍能很好的跟踪目标。     

基于主动轮廓模型联合Camshift算法的目标跟踪方法

针对城市道路交通环境中传统Camshift算法跟踪窗不能描述运动目标轮廓以及易受近似颜色干扰跟踪丢失的问题,提出基于Snake主动轮廓模型联合Chamshift区域模型的目标跟踪方法,算法将原Camshift算法中使用的HSV颜色特征和LTP纹理特征融合,增加了抗干扰能力,同时利用多尺度小波改进的Snake主动轮廓模型进一步对物体轮廓检测,去除阴影区域,更为直观的描述了物体的轮廓。实验证明,新方法在城市道路交通监控中有良好的应用前景。     

视颇监控系统中运动目标跟踪算法研究

针对Camshift跟踪算法无法适应目标的高速运动、背景复杂和遮档的情况,提出了一种改进算法.将Kim算法和卡尔曼滤波状态预测引入,用Kim算法提取运动目标区城信息,根据以往目标位置点的信息对当前帧中目标的可能位置预测,解决了传统Camshift算法的一些局限.实验表明改进算法在目标高速运动、遮档情况下,仍能进行有效跟...     

基于Camshift和SIFT线性融合的目标跟踪算法研究

Camshift算法是对MeanShift算法的改进,它可以解决目标尺度缩放、持续跟踪等问题。但是当目标颜色与背景颜色接近或者目标遇到旋转问题时,Camshift算法容易失效。而SIFT算子对旋转、亮度变化保持不变性,对颜色相近也保持一定的稳定性,所以本文提出一种Camshift与SIFT算子线性融合的目标跟踪算法。首先利用Camshift算法来对目标进行初步的跟踪,得到跟踪区域,再利用SIFT特征向量来匹配目标区域与跟踪区域,得到SIFT的匹配和校正结果,再将两种算法的结果进行线性融合,得到最终的跟踪结果。实验结果表明,本文提出的方法可以有效地解决跟踪过程中出现的旋转、颜色相近等问题。     

融合GMS检测和置信度判别的TLD目标跟踪

针对目标在遮挡、尺度变化等复杂场景下易产生模型漂移问题,基于跟踪学习检测(TLD)框架提出一种结合基于网格的运动统计(GMS)检测和置信度判别的长时目标跟踪算法。首先在跟踪模块中采用快速判别尺度空间的相关滤波器(fDSST)作为跟踪器,利用位置滤波器和尺度滤波器对上一帧目标进行位置与尺度的判别,并依据TLD算法中跟踪模块与检测模块的独立性,将跟踪模块结果输入检测模块中,采用平均峰值相关能量(APCE)对模板更新进行置信度判别。在检测模块中先引入GMS网格运动统计作为检测器,使具有快速旋转不变性特征的ORB(OrientedFASTandRotatedBRIEF)算法对上一帧目标进行特征匹配,再利用网格运动统计对匹配结果进行过滤,实现目标位置的粗定位,依据预测位置对目标检测区域进行适当的动态缩减,最后使用级联分类器对目标进行精准定位。结果表明,本文提出的跟踪方法在有效防止模型漂移的情况下,大大提高了算法的跟踪速度,同时对目标遮挡、尺度变化及旋转等挑战环境也具有较好的准确性和鲁棒性。     

动态融合梯度信息的Camshift算法改进研究

将梯度信息引入到Camshift算法之中,定义Camshift算法的梯度模型。依据运动目标和背景图像直方图的Bhattacharyya距离来动态决定梯度模型在查找算法中的决定权重,减小加入梯度后对算法时效性的影响;在Camshift算法求运动目标色调分量的过程中,改进由RGB空间到HSV空间转换计算的方法,减少反余弦和开方运算。在色调分量Hue基础上定义一种Hue分量,提高颜色空间之间的转换效率;在对目标跟踪框内颜色直方图进行计算时,以选取框重心位置为中心,距离中心越远的像素在颜色直方图中的比重越小.减小在选取运动物体初始位置时引入的背景噪声,提高跟踪算法的稳定性。实验证明:经过上述的改进,使得传统的Camshift算法在背景颜色与运动目标和有相似颜色物体对运动目标造成干扰的情况下的跟踪鲁棒性得到提高。