基于Kalman滤波和Meanshift算法的目标跟踪

如何实现移动目标被其他物体遮挡后,预测其所处位置,并能够实现遮挡结束后恢复目标的跟踪是视频目标检测与跟踪研究方面的一个热点问题。文章将Kalman滤波器对目标位置估计能力与Meanshift跟踪算法相互结合实现视频序列中移动目标检测与跟踪。利用遮挡因子对目标进行遮挡判断,如果没有发生遮挡则使用Meanshift算法进行直接目标跟踪,一旦检测出遮挡则利用Kalman的预测值进行目标新位置的确定,最终实现对运动目标进行跟踪,并通过MATLAB编写程序实现对运动目标的检测与跟踪。     

新的基于Kalman滤波的跟踪方法

模板更新策略是匹配跟踪算法成败的关键,为了提高基于模板匹配跟踪算法的性能,在分析多种模板更新算法的基础上,给出使用Kalman滤波器更新模板的方法。该方法不再将模板图像视为一个整体,而是使用Kalman滤波器对模板图像逐像素点进行更新,以得到自适应和最佳的目标模板图像,使匹配跟踪算法的性能得到很大提高,特别对于目标被遮挡、目标姿态变化以及环境照度变化有很强的适应性。对匹配算法的改进和遮挡的处理使该算法的性能得到进一步提高。实验结果表明该方法行之有效。     

基于Kalman滤波原理的运动目标跟踪

应用Kalman滤波原理,对运动目标进行跟踪,缩小目标的搜索范围,实现快速实时跟踪,使跟踪更为准确.理论分析和实验结果表明,该算法与常规的模板匹配法、直方图模板匹配法等算法相比,有效地提高了目标跟踪的速度及跟踪的准确性.该算法对运动目标进行跟踪,运行速度可提高三倍.     

抑制模板漂移的目标跟踪算法

 本文提出了一种解决目标跟踪中模板漂移现象的新算法.模板漂移现象指的是,由于不断进行模板更新,目标会逐渐移出模板,而背景物体则逐渐占据整个模板.本文为了解决这个问题,提出了一组能够精确描述模板漂移对于模板更新滤波器的影响的表达式,以使得考虑了模板漂移影响后的模板更新滤波器能够在空间及时间上自适应地实现及时更新目标外观与避免模板漂移之间的近似最优平衡.大量的包含不同目标外观变化类型的实景视频流的实验结果证实了本文算法的有效性.     

基于Kalman滤波的机动目标跟踪方法研究

飞行器的机动性大,在运动过程中随时会出现转弯、跃升俯冲等现象。雷达跟踪系统能否对这种机动进行有效捕获,成为检验其可靠性的关键。在传统Kalman滤波方法基础上,对目标的运动状态进行检测,一旦检测到机动,滤波器就进行不同维数的转换,使跟踪结果快速收敛,从而实现对机动小目标的精确跟踪。仿真结果证明该方法正确有效,计算简便。     

基于Kalman预测和Mean-shift算法的视频目标跟踪

提出一种用Kalman滤波理论和Mean-shift算法结合的视频目标跟踪方法,解决了目标变形、部分遮挡和运动速度过快问题。在初始帧中,确定跟踪目标并计算H分量直方图,将每帧图像转化为该直方图的概率投影图;在当前帧中,用Kalman滤波预测搜索窗口,并在搜索窗口中用自适应的Mean-shift算法精确匹配跟踪目标。实验结果表明,本文方法对刚体、非刚体和多目标的跟踪都具有良好的自适应性。     

基于Kalman和GMM-PBAS融合的红外视频目标检测与跟踪

红外成像系统已被广泛地应用于红外精确制导、视频监控、搜索和跟踪等领域。基于红外视频的目标检测与跟踪是上述领域中的一项重要技术,文中通过结合GMM和PBAS算法的优点进行背景提取,再结合Kalman滤波进行目标检测与跟踪。实验证明该方法能够在多种外部扰动情况下准确地提取背景并抑制阴影对真实运动目标的影响。     

改进的Meanshift运动目标跟踪算法

Meanshift算法在对快速运动的目标进行跟踪时容易丢失目标,并且在目标被遮挡时,也容易造成跟踪失败,跟踪的过程中跟踪框不能随着运动目标的大小变化而变化.提出一种基于Meanshift运动目标跟踪算法的改进算法.该算法基本思想是采用改进的三帧差分法对运动目标区域进行提取,求得跟踪框轮廓,同时用Meanshift算法对运动目标进行跟踪,获得目标最大概率区域,将该区域中心作为跟踪框的中心.跟踪过程中通过巴氏系数判断是否目标被遮挡,若被遮挡则调用Kalman滤波进行预测跟踪.实验结果表明,该算法能够快速、准确地跟踪目标.     

改进的Camshift与Kalman滤波联合跟踪算法

目标跟踪是计算机视觉领域的重要任务之一,工业自动化控制、自动驾驶、安保监控、军事目标侦察等民用和军事领域中广泛存在对视频中的运动目标进行追踪的需求.传统的目标跟踪方法Camshift算法仅基于单一色调直方图进行追踪,在目标被遮挡或目标色调与背景相似时易受到干扰,跟踪效果不佳.针对上述问题,提出改进的Camshift与K...     

拟合修正Kalman滤波在弱小目标跟踪中的应用

文章在目标精确跟踪阶段，引入曲线拟合的方法进行跟踪，根据实际情况提出了拟合权系数的定义和计算公式，可以很好地预测运动方向和抑制抖动。引入Kalman滤波系统思想，提出了适合图像跟踪的目标机动性参数，应用在拟合跟踪中，实现了自适应的跟踪算法。将改进的拟合跟踪和Kalman跟踪做了比较，在分析各自优缺点基础上，把改进的拟合跟踪中和Kalman跟踪结合起来，提出了Kalman修正的拟合跟踪算法，可以较好的解决多目标跟踪中记忆跟踪、交叉跟踪、成像抖动的问题。     

基于改进均值位移的红外目标跟踪方法

针对红外序列图像中目标存在旋转的问题,提出了一种改进的Meanshift跟踪方法.首先通过建立带有带宽矩阵Gaussian核的Meanshift矢量,采用类似EM的方法给出了递推公式;并且通过对图像序列的运动补偿,提高了算法的适应性;同时通过和Kalman滤波相结合,提高了算法的鲁棒性.实验结果证明算法能够成功实现对红外目标的跟踪,并且对目标旋转和缩放具有很强的适应性.     

一种新的基于Mean Shift的目标三自由度跟踪算法

标准Mean Shift跟踪算法仅能确定目标形心位置,而不能确定其旋转角,在跟踪细长形目标时鲁棒性不好。为此,该文提出了一种三自由度Mean Shift跟踪算法,新算法在计算目标特征分布直方图时,用像素的位置转角及其到目标形心的归一化距离加权,并将像素在局部坐标系下的特征转角作为新特征引入。这种新的目标表示模型能够方便地纳入Mean Shift优化框架,通过迭代求解,可同时精确确定目标的形心位置和方位指向。实验结果表明该算法精度高,计算量小。     

基于方向直方图的Mean shift目标跟踪新算法

Mean shift算法是一种非参数密度估计算法,可以实现快速的最优匹配。为了有效地将Mean shift算法应用到灰度图像中,使用空间分布和纹理信息作为匹配信息,提出了一种基于空间方向直方图的Mean shift跟踪新算法。利用卡尔曼滤波器来获得每帧目标的起始位置,再利用Mean shift算法得到跟踪位置。实验结果证明,该算法在目标运动较快,目标尺度变化的情况下仍能稳定、实时、高效地跟踪目标。     

一种基于颜色分布的混合视频跟踪方法

传统的Mean shift算法虽然具有简单快速的特点,但在目标被遮挡的情况下无法进行有效的跟踪。与此同时,以Monte Carlo随机模拟理论为基础的粒子滤波虽然可以很好地解决这一问题,但是由于结果的好坏与粒子的数目成正比,计算耗时无法满足系统的实时性要求。该文基于颜色直方图分布,引入自适应选择粒子样本数的采样策略,有效地融合传统Mean shift算法的简单快速和粒子滤波跟踪算法的抗遮挡的优点,在保证跟踪效果的同时减少了跟踪的总体时间花费,有效提高了设计的跟踪系统的实时性。实验证明,该方法在实际的目标跟踪中是有效和稳健的。     

Efficient and robust fragments-based multiple kernels tracking

Representing an object with multiple image fragments or patches for target tracking in a video has proved to be able to maintain the spatial information. The major challenges in visual tracking are effectiveness and robustness. In this paper, we propose an efficient and robust fragments-based multiple kernels tracking algorithm. Fusing the log-likelihood ratio image and morphological operation divides the object into some fragments, which can maintain the spatial information. By assigning each fragment to different weight, more robust target and candidate models are built. Applying adaptive scale selection and updating schema for the target model and the weighting factors of each fragment can improve tracking robustness. Upon these advantages, the novel tracking algorithm can provide more accurate performance and can be directly extended to a multiple object tracking system.     

基于各向异性核函数的均值漂移跟踪算法

均值漂移算法是一种将迭代轨迹滑向局部邻域内均值的迭代算法,已应用于目标跟踪领域。传统的均值漂移算法通常采用各向同性核函数进行跟踪,但视频序列中的跟踪目标的结构随时间而变化,尤其当目标结构快速变化时,基于各向同性核函数的均值漂移跟踪算法常常会导致目标的丢失。该文采用各向异性核函数均值漂移算法实现目标跟踪,由于该核函数的形状、大小、方向能自适应于目标局部结构的变化,保证了跟踪效果的稳定性和鲁棒性。实验结果证明该算法是有效的。     

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。     

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。