基于Mean-shift的改进目标跟踪算法

传统的Mean-shift目标跟踪算法对背景因素比较敏感,采用核加权直方图的方法计算目标模板与候选区域目标特征往往无法实现对运动目标的准确定位。在研究传统算法的基础上,改进了Mean-shift算法中目标特征选取机制,即目标模板采用背景加权,候选目标区域采用核加权。仿真结果表明,该方法实现了在复杂环境背景下对运动目标更加准确的跟踪。     

Mean-Shift跟踪算法中核函数窗宽的自动选取

传统核窗宽固定的Mean-Shift跟踪算法不能很好地对逐渐增大尺寸的目标进行有效的跟踪.在分析同一目标在不同尺度下核直方图基于Bhattacharyya系数相似性的基础上,发现并证明了在核窗宽固定的条件下,目标在其窗宽范围内进行缩放、平移运动并不影响Mean-Shift跟踪算法空间定位的准确性.在此基础上,提出了一种基于后向跟踪、形心配准的核窗宽自动选取算法.对尺度渐大的车辆进行的跟踪实验验证了该算法的有效性.     

基于PF的窗口自适应Mean-Shift跟踪算法

在视频目标跟踪过程中,Mean-Shift算法存在着核函数带宽固定不变的缺陷,对尺度大小发生变化的目标无法进行有效跟踪。提出一种多尺度理论与粒子滤波器（PF）相结合的改进算法。通过粒子滤波器对多尺度理论统计得到的跟踪窗信息量进行预测修正,据此计算核窗宽大小变化的比例系数,实现跟踪算法的窗口自适应能力。实验结果表明,改进的跟踪算法对尺寸逐渐减小和逐渐增大的目标均能自动选择合适的跟踪窗口大小。     

一种基于空间直方图的Mean-Shift跟踪算法*

经典的Mean-Shift跟踪算法以颜色直方图为特征对目标进行跟踪。颜色直方图反映的是图像中颜色的组成情况,即出现了哪些颜色以及各种颜色出现的次数。颜色直方图具有旋转不变性、缩放不变性等优点,经常用于图像检索,即通过比较颜色直方图的差异来衡量两幅图像在颜色全局分布上的差异。但是颜色直方图不能反映颜色的空间分布特征,当跟踪目标与背景色颜色相近时可能造成错误跟踪,导致跟踪失败。考虑目标颜色空间分布特征,将空间分布信息融入颜色直方图中,提出了基于空间颜色直方图的Mean-Shift跟踪方法,全面地反映了颜色的整体分布信息和空间分布信息。在VC 6.0上利用新方法和经典Mean-Shift跟踪方法分别对发生遮挡的视频和快速运动的视频进行跟踪,实验结果表明,提出的新方法能够更好地对目标进行跟踪,避免跟踪过程中的目标丢失。     

基于梯度方向直方图特征的多核跟踪

提出了基于梯度方向直方图特征的多核跟踪算法, 对跟踪过程中的光线变化和部分遮挡具有较强的鲁棒性. 该算法将目标分块, 分别提取出每块的核函数加权的梯度方向直方图特征. 目标模型和候选目标模型的相似度用所有块直方图间的Bhattacharyya系数之和进行度量, 目标的跟踪通过Mean shift算法最大化两者的相似度实现. 对车辆、人体等多个目标的跟踪验证了本文提出算法的有效性.     

基于Mean shift的核窗宽自适应目标跟踪新算法

针对传统均值漂移算法(Mean shift)中核函数直方图对目标特征描述较弱、跟踪过程中核函数带宽的保持不变的缺点,提出了一种新的核函数带宽可变的Mean shift跟踪算法.在特定的色彩空间中,统计落入各区间的像素个数.并对各区间像素的位置建立高斯分布模型,采用二阶空间直方图实现目标建模,强化目标特征描述提高了跟踪的鲁棒性;结合边缘检测与角点检测选取目标特征点估算目标仿射模型确定伸缩尺度.适应目标多自由度变化下的跟踪.实验结果证明,该算法比原有算法跟踪效果更加准确和可靠.     

多特征融合的Camshift运动目标跟踪算法

传统的Camshift算法以颜色直方图为特征对目标进行跟踪,对刚性目标的跟踪具有较强的鲁棒性。当目标受到颜色相近的干扰物干扰或者部分遮挡时,其跟踪效果和准确度不太理想。为此,提出一种多特征融合的Camshift目标跟踪算法。首先,对目标的颜色特征、边缘特征和空间信息进行提取和处理,得到颜色空间直方图和空间边缘方向直方图;然后,分别在Camshift算法框架下得到目标匹配中心位置,采用每一帧图像的相似度向量得到权值系数,通过自适应加权融合的方法得到最优中心位置。实验结果表明,相较于传统的Camshift目标跟踪算法和改进的复杂特征融合的Meanshift算法,所提方法能够更有效地克服颜色干扰、目标重叠遮挡对跟踪效果的影响,避免了 目标 在跟踪过程中丢失的问题,突破了传统方法的局限性。     

基于Mean-Shift优化的TLD视频长时间跟踪算法

针对TLD(tracking learning detection)算法同时包含了跟踪、检测和学习三个部分,具有较高计算量的缺点,提出了采用Mean-Shift算法替换原TLD跟踪器部分的光流跟踪算法.该优化方法利用具有计算量小的Mean-Shift算法替换计算量较大的光流法进行跟踪,以通过目标模型和候选目标模型之间的巴氏系数与阈值的比较来判定跟踪失败的自检测,并通过计算Mean-Shift跟踪返回的目标框和上一帧TLD返回的目标框之间的相似度来进一步得到跟踪的有效性,在发生跟踪失败时由检测器重新初始化跟踪.实验结果表明,该优化方法在视频长时间跟踪算法中具有较高的鲁棒性和准确性,并且与原TLD算法相比,该优化方法在跟踪速度上得到了提升.     

基于边界力的Mean-Shift 核窗宽自适应算法

针对Mean-Shift(中值漂移)算法中核函数带宽不能实时改变的缺陷,提出一种基于边界力的Mean-Shift核函数带宽自适应更新算法.在分析目标加权核直方图模型的基础上,引入区域似然度以提取目标的局部信息.然后,比较相邻帧间的区域似然度并构建边界力.通过对边界力的计算,得到边界点的位置,进而自适应地更新核函数带宽.实验结果表明,这些工作改善了Mean-Shift 算法在目标尺度和形态发生变化时的跟踪效果,并且可以满足实时性的需要.     

基于空间边缘方向直方图的Mean Shift跟踪算法

传统的基于色彩直方图或空间色彩直方图的Mean Shift跟踪算法,在诸如跟踪目标出现尺度变化的复杂条件下,无法得到准确的跟踪结果。这是因为色彩直方图或空间色彩直方图无法显著区分颜色相近的目标和背景。鉴于此,提出了一种基于空间边缘方向直方图的Mean Shift跟踪算法,使用空间分布和纹理信息作为匹配信息。实验结果表明,该算法能够有效的处理遮挡、光照变化和尺度缩放等复杂情况,对目标进行准确有效的跟踪,改善了传统方法在尺度缩放等方面的局限性。     

均值漂移目标跟踪的两级窗宽更新算法

目标尺度发生较大变化时,固定窗宽的均值漂移(Mean shift)目标跟踪算法不能进行有效跟踪。为此,提出一种两级更新的自适应窗宽计算方法。采用Mean shift跟踪算法对目标中心进行初次定位,并确定窗宽的大小,设置感兴趣区域,结合已建立的背景模型,在感兴趣区域内利用背景减除技术二次确定目标的中心及窗宽大小,通过比较2次目标区域与目标模型之间的Bhattacharyya系数,选择系数较大的区域作为最终跟踪窗口。实验结果表明,该方法能够对尺度变化明显的运动目标自适应确定跟踪窗宽,并减小传统Mean shift跟踪方法背景目标颜色对目标特征提取的影响。     

偏移校正的核空间直方图目标跟踪

针对传统均值漂移算法中核函数直方图对目标特征描述较弱、 跟踪窗不能动态调整容易导致目标跟偏或跟丢的缺点, 提出了一种改进的均值漂移跟踪算法.为提高目标特征描述的可靠性, 采用二阶空间直方图建立目标模型,以Bhattacharyya系数作为相似性度量; 通过偏移校正更新目标区域参数建立新的目标模型; 结合边缘与角点检测选取特征点建立仿射模型实现跟踪窗的调整; 根据卡尔曼残差判断目标是否被遮挡,从而选择卡尔曼滤波或是线性预测来确定目标位置. 实验结果表明,该算法可以准确地跟踪目标,对相似背景干扰、目标大小与方向的变化以及短时遮挡具有鲁棒性.     

一种基于遗传算法和卡尔曼滤波的运动目标跟踪方法

提出了一种基于遗传算法和卡尔曼滤波的运动目标跟踪方法。该方法利用卡尔曼滤波预测目标中心在下一帧图像中可能出现的位置，以该位置为中心，建立候选的目标搜索区域。以跟踪目标的灰度统计特征为模板，以Bhattacharyya系数来度量目标模板与候选目标区域的相似性，并以此相似性作为遗传算法适应度函数，以候选目标中心坐标作为参数编码，利用遗传算法进行匹配搜索，最终获得最佳候选区域中心位置，同时以该位置作为观测值，进行下一帧预测。实验结果表明，该方法具有较好的实时性和鲁棒性。     

窗宽自适应Mean-Shift跟踪算法

针对固定窗宽Mean-Shift算法在目标运动速度过快或尺度发生明显变化时可能导致跟踪失败的问题,提出一种窗宽自适应的Mean-Shift跟踪算法。该方法基于均值漂移矢量预测跟踪窗口中心位置,同时自动调整跟踪窗口大小,保证目标始终处于跟踪窗口内部,使算法得以准确定位目标;在确定空间位置后,利用基于Bhattacharyya系数的二分法自动选取窗口缩放比例,得到与目标尺度一致的跟踪窗口。实验结果证明,该方法能很好地定位目标的空间位置和尺度。     

基于改进Mean Shift和SURF的目标跟踪

传统颜色直方图的Mean Shift（MS）算法只考虑了目标颜色的统计信息,不包含目标的空间信息,当目标颜色与背景颜色相近或目标对象发生光照变化时,容易导致不准确跟踪或跟踪丢失。针对该问题,提出了一种融合改进MS和SURF的跟踪算法。改进的MS算法根据目标对象的最新外接矩形尺寸,确定对象的分块方法,根据各块的Bhattacharyya系数值,确定各块的权重系数,获得初步的跟踪结果;采用SURF特征匹配和校正的方法对其初步跟踪结果进行调整;采用线性加权的方法融合改进的MS和SURF跟踪结果,得出最终的跟踪结果。实验表明,提出的融合改进MS和SURF的跟踪算法,比传统的MS算法和固定分块的MS算法都具有更好的跟踪性能。     

基于最大后验概率的图像匹配相似性指标研究

图像匹配是视觉跟踪领域中的重要环节，利用巴氏(Bhattacharyya) 系数度量模板与待匹配区域之间的统计特征相似性是图像匹配中最有效的方法之一. 但是由于背景特征的影响，有时应用巴氏指标进行匹配得到的最优解的位置并不一定是目标特征的实际位置，因而在视觉跟踪过程中目标定位可能出现偏差，甚至跟踪错误. 本文提出了一种基于后验概率的图像匹配相似性指标，该指标利用搜索区域的统计特征，能有效抑制待匹配区域特征中背景因素的影响，同时突出了目标特征的权重，与巴氏指标相比明显改善了匹配函数的峰值特性. 这种指标的另一突出优点是计算复杂度很低，容易得到全局最优解.与巴氏系数指标的匹配结果进行的比较表明，本文所提出的匹配指标在复杂背景下具有更强的目标识别与分辨能力     

改进权值计算的均值移动目标跟踪

针对基于Bhattacharyya相似度的均值移动跟踪算法精度较差的问题,提出一种基于直方图交集思想的新型颜色分量加权方法,该方法利用参考模板与候选模板归一化颜色概率密度对应颜色分量的比值作为均值移动算法的加权系数。新权值计算方法在目标快速运动,有场景相似颜色干扰等情况下具有很好的适用能力,从而提高目标的跟踪精度。另外处理跟踪过程中,因摄像机抖动、光照变化等因素导致跟踪线索变化的情况,利用基于辅助模板的目标更新机制,有效地解决了目标短暂遮挡以及更新过程中的累积误差问题。通过多组对比实验结果可以看出,算法具有更强地抑制背景干扰以及特征自适应的能力,从而提高了均值移动跟踪算法的鲁棒性。     

视频图像序列中运动目标的提取与跟踪

提出一种摄像机静止条件下视频图像运动目标提取与跟踪的方法。本文首先提出了一种有效的阴影去除算法检测运动目标,然后采用基于目标颜色直方图的相关匹配,使用Bhattacharyya系数度量目标模型与预测模型间的相似度,选出最优相似模型作为当前的目标模型,实现了对目标的跟踪。实验结果表明该算法是可行有效的。