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。     

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。     

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Mean Shift的变尺度快速运动目标自适应跟踪算法

为了实现对变尺度快速运动目标的良好跟踪,在对传统Mean Shift跟踪算法改进的基础上,提出了一种运动目标自适应跟踪算法。该算法首先采用目标区域的像素点空域加权后的彩色图像作为初始帧目标模板,目标的真实位置利用Mean Shift算法迭代求得,从而实现对快速运动目标的空间定位,然后将相邻帧的目标采用尺度不变特征变换(SIFT)算子进行特征匹配,根据目标的缩放因子实时更新下一帧的核带宽,修正算法跟踪窗口的尺寸,以适应目标尺度的变化,从而实现对快速运动目标的尺度定位。最后,通过实验表明,与传统的Mean Shift跟踪算法相比,该算法的跟踪准确率达到97%以上,能够实现对变尺度快速运动目标的精确跟踪。     

基于加权空间直方图的均值漂移目标跟踪

目标模型内的背景像素会造成目标跟踪定位偏差。为了减少背景像素对跟踪造成的定位偏差,首先通过目标区域像素和目标区域周围背景像素的颜色直方图定义了一个加权系数,然后将该加权系数引入到空间直方图的计算中,提出了一种基于加权空间直方图的均值漂移(MS)目标跟踪算法。在此基础上,给出了一种模型更新方法。仿真实验表明,该算法具有很好的跟踪精度,对遮挡具有更好的鲁棒性。     

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.     

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.     

一种基于多特征模型的Mean Shift跟踪算法

计算机视觉领域中,目标跟踪技术有着广泛的实用价值。在复杂背景下要准确和稳定地实现目标跟踪,势必需要多信息融合技术。文章针对传统的基于颜色概率模型的Mean Shift算法忽略了目标空间信息这一不足,提出了联合特征的Mean Shift算法。文中将跟踪窗内子图像进行多级小波分解,用多级小波子带系数的统计特性构成纹理特征向量,再加权融合颜色概率直方图特征向量作为最终匹配特征向量。实验结果表明,在复杂背景下,该方法比传统基于颜色概率直方图模型的Mean Shift算法在准确性和鲁棒性上均有所提高。     

一种改进的粒子滤波和Mean Shift联合跟踪算法

为了提高视频运动目标跟踪的准确性和实时性,提出一种改进的粒子滤波和Mean Shift联合跟踪算法.针对传统粒子滤波跟踪算法中颜色直方图观测模型存在的局限性,提出了一种基于分块颜色直方图的观测模型描述方法,并根据该分块直方图的特点,重新设计了粒子权值的更新策略;针对粒子滤波算法实时性差的问题,提出了一种基于积分直方图的颜色特征快速计算方法,极大地降低了算法的运算量;为了降低相似背景干扰对跟踪效果的影响,提出了一种基于Gabor幅度谱的Mean Shift跟踪算法,并利用改进的Mean Shift算法对粒子滤波跟踪结果进行优化,提高了跟踪算法在复杂背景下的搜索能力.实验结果表明了算法的有效性.     

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。     

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.     

目标跟踪中的MS和MC自适应选择策略

针对mean shift(MS)算法不能解决非线性目标跟踪及Monte Carlo(MC)算法实时性差的问题,提出了一种自适应选择MS算法与MC算法的目标跟踪策略。首先,对目标、背景分别采样,用"对数似然法"评价每个目标区的特征对背景的可区分能力,选择区分能力强的特征作为目标。然后,引入一跟踪方式选择标志,通过计算当前跟踪窗内的目标与模板的匹配度来决定该标志的值,当目标与模板的匹配度大于某个域值时,选择实时性好的基于梯度最速下降的MS跟踪策略,以实现跟踪的实时性;否则选择基于随机采样、对目标模型没有限制的MC跟踪策略,使得位置预测结果更加准确。实验结果表明:与MC相比,本文算法在跟踪性能不受影响的前提下,有效节省了系统时间,当目标简单运动时,对于100×56像素的目标,平均计算时间由原来的82ms降低为小于1ms;与MS算法相比,该算法在牺牲一些系统时间的基础上能够更加鲁棒地解决非线性目标跟踪问题。     

基于背景建模和动态分块的目标跟踪

MeanShift算法在做目标跟踪时不能解决混乱背景和严重的局部遮挡的问题。因此,本文提出了一种新的目标跟踪算法来解决这两个问题。该算法首先利用最大化后验概率在MeanShift跟踪框架内融入背景信息,然后在跟踪过程中根据候选区域和模板区域的相似度结合空间金字塔技术对目标进行动态分块,使得目标能够克服背景的干扰并保留一定的几何结构信息。实验结果表明,相比于MeanShift算法,新提出的算法能够克服混乱背景和严重的局部遮挡,有效地跟踪目标。