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。     

一种对光照变化鲁棒的均值漂移跟踪方法

颜色作为一个有效的视觉特征,被广泛的用于基于表面模型的跟踪中。但在跟踪过程中,由于光照、视角及摄像机参数等的变化,往往会造成目标颜色的改变,使得跟踪不稳定。该文提出了一种新的基于局部背景动态修正模糊颜色直方图的均值漂移跟踪方法,在颜色-空间域运用核密度估计建立目标的模糊颜色直方图模型,利用目标的局部背景动态修正目标模型,克服了基于传统颜色直方图建立目标模型时对于光照变化较为敏感的缺点。实验验证了该文算法可以平滑相似性表面,减小局部极值点对跟踪的影响,在光照剧烈变化的情况下能够实时鲁棒地跟踪目标。     

基于特征融合的Mean-shift算法在目标跟踪中的研究

针对仅采用颜色特征的Mean-shift跟踪算法,在目标跟踪过程中,运动目标受光线变化的影响时,易发生跟踪错误等问题,提出一种基于特征融合的Mean-shift算法.新算法结合了颜色特征和边缘方向角特征,并对各特征模型进行加权处理,有效解决了Mean-shift算法在光线突变场景中跟踪失效的问题.实验表明,该算法能够有效提高跟踪的稳健性,达到快速、实时的跟踪效果.     

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。     

基于多特征融合的均值迁移粒子滤波跟踪算法

仅用单一的颜色特征进行跟踪是大多数跟踪算法鲁棒性不高的主要原因。针对此问题,该文提出一种多特征融合跟踪算法。该算法利用颜色和纹理特征表示目标,通过均值迁移和粒子滤波算法进行特征融合,有效地避免了单一颜色特征在光照变化和背景相似情况下的不稳定问题。将两种常用的融合策略结合,减轻了粒子的退化现象,提高了算法效率。实验结果表明该算法提取的目标特征具有较强的鲁棒性,能实现复杂场景下的目标跟踪。     

基于颜色矢量角的彩色图像检索算法研究

通过分析利用颜色直方图进行图像检索时存在的问题，提出了一种基于图像边缘空间分布特征的图像检索算法。即利用颜色矢量角对亮度不敏感，对色度和饱和度敏感的特性来提取图像的边缘信息。在图像的边缘空间，提取图像边缘点的颜色矢量角直方图，以此来描述图像的内容。该算法充分利用了图像的颜色信息、边缘信息及形状信息，实验表明该算法具有较好的光照不变性、尺度不变性、平移不变性和旋转不变性。     

一种基于多特征自适应融合的运动目标跟踪算法

针对复杂背景下的运动目标跟踪问题,提出了一种基于多特征自适应融合的运动目标跟踪算法。通过构建目标与背景的图像特征分布方差的比值函数来衡量目标与背景间的区分度,采用各特征的区分度对特征集进行线性加权自适应表示运动目标并集成在基于核的跟踪方法中。为了克服模板更新过程中的漂移,通过计算前后相邻两帧间目标模型的相似度函数,对跟踪模板进行自适应更新。基于生物视觉认知理论,目标的颜色、边缘特征以及纹理特征被用来实现基于多特征自适应融合的运动目标跟踪算法。仿真实验表明:采用本文算法能有效地对复杂背景下的运动目标进行跟踪。     

基于三维直方图的改进Camshift目标跟踪算法

经典的连续自适应均值漂移算法Camshift通过HSV空间的色调Hue分量建立一维直方图,在有光照变化及有相似颜色目标或背景的干扰下,跟踪效果不好。提出一种融合HSV空间中色调、饱和度以及反应物体形状信息的边缘梯度的三维直方图特征,并基于背景模型自适应调整特征直方图三种分量的权重值,提高了算法的跟踪准确度。通过与传统Camshift跟踪实验比较,提出的改进算法在光照变化及相似颜色目标/背景干扰下具有更好的鲁棒性,同样也满足跟踪系统的实时性要求。     

一种基于颜色特征的自适应目标跟踪算法

针对目标跟踪中出现的不可恢复的形变,运动模糊和尺度变化等问题,容易发生漂移,漏跟和错跟等现象,为此,文中提出一种基于颜色特征的自适应目标跟踪算法。首先,考虑到如何对目标进行描述,颜色特征是目标在运动过程中的一个不变量,采用PCA对目标颜色特征进行降维,得到目标的低维颜色特征。其次,在跟踪过程中,目标的尺度可能会发生变化,从而引入一种自适应尺度估计的方法,减少由于尺度变化而引入干扰信息。最后,结合颜色特征与尺度金字塔的方法,提出一种基于颜色特征的自适应目标跟踪算法。实验表明,提出的算法在跟踪的准确率与成功率这两方面都有明显的提高,在摄像机摇晃等复杂运动场景下,具有较好的鲁棒性。     

基于特征融合的粒子滤波目标跟踪新方法

针对传统粒子滤波(PF)算法采用单一颜色特征建模 跟踪目标性能差的缺陷,提出一种颜色特征与纹理特 征相融合的PF目标跟踪新算法。首先,采用一种具有抗噪声和保护纹理边缘的全局中值二值 模式 (GMBP)纹理算子,对模板图像进行局部差绝对值处理,得到幅 值序列模板,将幅值序列模板内的中值作为模板的阈值,与模板邻域比较获得新的纹理图像 ;然后,与 具有光照不变特性的局部二值模式(LBP)纹理算子结合,形成一种(GMLBP)新的纹理描述算子 。最后,分别计算GMLBP纹理特征粒子权值和HSV颜色特征粒子权 值,并依据权值大小确定融合系数,对纹理特征粒子权值和颜色特征粒子权值进行线 性融合,再对融合后粒子权值进行归一化处理,从而得到目标位置状态的最终估计值。对比 实验结果表明, 相对于单一颜色特征的目标跟踪算法,所提算法捕捉目标位置准确且具有更低的平均跟踪误 差,其平均误差降低了近2倍。     

基于颜色和边缘直方图的多目标跟踪

为了解决基于颜色直方图的多目标跟踪方法对复杂场景适应能力差,容易丢失目标的问题,文中提出一种将颜色直方图与边缘方向直方图相结合的多目标跟踪方法。该方法首先采用一种分块连通域标记方法进行多目标提取,并获得目标的颜色、边缘特征;然后融合目标颜色与边缘两种特征来描述目标的外观模型;最后对跟踪过程中的目标模板进行更新。实验结果表明,该方法对于目标在尺度、光照、姿态发生变化以及目标发生旋转情况下能够实现目标的稳定跟踪,具有很强的鲁棒性。实验中对3组挑战性的视频序列进行了测试,目标数目选定为2个,目标窗口大小为64 pixels× 64 pixels的情况下,本文方法跟踪速度最高可达20 fps,基本上可以满足实时性的跟踪需求。     

融合灰度与显著性特征的空中红外目标跟踪

针对红外目标特征简单且信息量少导致跟踪精度不高,提出一种基于灰度和显著性特征融合的核相关滤波算法用于空中红外目标跟踪。首先,在保证目标足够特征信息量的前提下对较大的目标进行不同等级压缩。然后将提取的二维灰度特征与显著性特征按页方式进行拼接扩展成三维特征,再将融合的特征用于核相关滤波。实验表明所提算法能够适应多种环境下的空中红外目标跟踪,跟踪精度和成功率典型值分别达到84.8%和63.9%,较大部分算法有很大提高,平均跟踪速度高达125 f/s,体现出了良好的实时性。因此,本文提出的算法在保证实时性的同时提高了跟踪的可靠性,具有一定的实用意义。     

基于多特征融合相关滤波的红外目标跟踪

针对红外目标分辨率低、对比度差、信噪比低、纹理信息缺失等特点,提出一种融合多特征的红外目标跟踪算法。利用背景感知相关滤波器生成大量真实样本,对红外目标提取HOG特征和运动特征,通过线性求和方式进行特征融合,更好地发挥各自特征优势,实现对红外目标运动的精准跟踪。另外,提出使用空间加权窗代替传统相关滤波器中的余弦窗,可以更加突出目标的中心位置,同时也能很好地抑制边缘效应。采用VOT-TIR 2016数据集对算法性能进行评估,同时和15种流行算法进行比较。结果表明,本文算法在精确度和成功率上的得分分别为0.751和0.697,在精确度和成功率指标方面分别提高了8.8%和15.4%,具有一定的研究价值。     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

一种特征融合的带宽自适应Mean Shift跟踪算法

传统Mean Shift跟踪算法在目标颜色特征和背景颜色特征相近、尺度变化等情景下效果不理想。提出了一种特征融合且核函数带宽自适应的改进跟踪算法,针对颜色直方图容易受背景区域影响,融合了边缘直方图,并对核函数带宽进行自适应更新。另外,对目标模型的更新进行了相关探索并给出比较结果。结果表明,该算法可以对目标实现更稳定的跟踪,对目标颜色和背景颜色相近、尺度变化等场景具有很好的适应性。     

基于改进纹理特征的红外目标跟踪算法

针对红外图像背景复杂、杂波干扰严重、相似目标混淆导致的目标跟踪丢失问题,本文提出了一种改进的低维度纹理特征OCS-LBP(Oriented Center Symmetric Local Binary Patterns,即方向中心对称的局部二值模式)。首先,利用此特征可以高效地获取目标图像中每个像素块的梯度方向和幅值信息,提高了跟踪过程的鲁棒性;其次,利用核相关滤波算法结合提取的OCS-LBP特征对目标图像区域进行模型训练;最后,根据训练好的模型检测下一帧图像中目标的具体位置。本文在10组红外视频序列上进行了测试,实验结果表明,本文算法的精确度和成功率相比于第二名算法分别获得了2.9%和9.9%的提升,同时在实验设备上算法的平均跟踪速度相比于第二名算法提升了14.15 frame/s。从实验结果可以看出本文提出的算法在红外目标跟踪上表现出较好的鲁棒性、准确性和实时性,具有一定的研究和实用价值。     

目标遮挡情况下的压缩跟踪算法

针对经典压缩跟踪算法在目标被遮挡时容易导致目标丢失的问题,提出了一种基于目标遮挡情况下的压缩跟踪算法.该方法首先依据分类器的最大响应值判断目标是否被遮挡.若发生遮挡则利用基于颜色直方图特征的粒子滤波算法进行跟踪预测,即将遮挡前提取的目标颜色直方图与粒子的颜色直方图进行相似性比较.为确保目标再现时能及时准确地捕捉其位置,再利用Harris角点特征进一步验证,并将预测的位置作为目标位置继续压缩跟踪.仿真结果表明,该算法能够准确地判断遮挡的发生,平均跟踪成功率较经典的压缩跟踪算法提高了24%,有效提高了跟踪的鲁棒性.     

Robust appearance feature learning using pixel‐wise discrimination for visual tracking

Considering the high dimensions of video sequences, it is often challenging to acquire a sufficient dataset to train the tracking models. From this perspective, we propose to revisit the idea of hand‐crafted feature learning to avoid such a requirement from a dataset. The proposed tracking approach is composed of two phases, detection and tracking, according to how severely the appearance of a target changes. The detection phase addresses severe and rapid variations by learning a new appearance model that classifies the pixels into foreground (or target) and background. We further combine the raw pixel features of the color intensity and spatial location with convolutional feature activations for robust target representation. The tracking phase tracks a target by searching for frame regions where the best pixel‐level agreement to the model learned from the detection phase is achieved. Our two‐phase approach results in efficient and accurate tracking, outperforming recent methods in various challenging cases of target appearance changes.     

融合梯度和色度信息的分块均值漂移目标跟踪

针对在相似颜色干扰场景下传统均值漂移目标跟踪鲁棒性差的缺陷,提出Prewitt梯度和色度信息融合的分块均值漂移跟踪算法。首先,对跟踪框进行分块,并提取当前帧各子块特征;其次,利用Bhattacharyya距离计算参考目标区域与候选区域间各子块对应的相似程度,根据其相似程度分配各子块的权值,并通过融合规则对各子块相应特征进行融合构成新子块特征,在此基础上,将子块特征选择串接方式作为最终目标特征;最后,采用均值偏移原理迭代估计最终目标位置信息。实验结果表明,当场景中存在相似颜色干扰的情况下,相对于经典均值漂移算法,其准确度提高了84%左右。