视频中不完全运动特征的跟踪算法

在基于视频的人体运动捕获中，常用的特征跟踪算法对光照条件、图像噪音等非常敏感，而且不规则运动常使特征点或重叠、或自遮挡、或从视域中消失，给视频中运动特征跟踪带来很大的困难．为了有效地跟踪这些不完全运动的特征，提出一种有效的特征跟踪算法．实验结果表明，该方法不但能快速、精确地跟踪孤立特征，而且能有效地解决视频序列中存在较大噪音和不完全运动特征的跟踪问题．     

基于特征块统计的摄像机跟踪算法

提出一种基于特征块统计的摄像机跟踪算法,可用于视频中摄像机运动的快速跟踪和定位。首先在视频范围内抛洒N个随机点,在随机点周围一定区域内寻找出最具颜色差异的像素块作为特征块,然后分析相邻帧中与此特征块最佳匹配的新位置,根据各块的移动情况求出均值,再去掉移动方差过大的特征块,保留余下的特征块进行统计。用最小二乘法统计方法求出连续视频帧之间运动参数的线性变换方程。实验表明,该算法具有较好的跟踪检测效果,对各类视频文件具有较好的鲁棒性,在普通PC机中实现了较为精确的摄像机运动跟踪检测。     

视频跟踪算法研究综述

在许多计算机视觉应用领域中,视频跟踪是最基本的任务。尽管有了大量的跟踪算法,但是跟踪算法的鲁棒性仍是具有挑战性的问题。物体的突然运动、目标或者背景外观的改变、目标与目标以及目标与背景的遮挡、非刚性物体的结构、摄像机抖动等问题都是视频跟踪算法设计过程中需要考虑的因素。介绍了视频跟踪算法及其研究进展,综述了现有基本的目标跟踪算法分类,详细描述了每种表示方法,并指出其优缺点。进一步讨论了跟踪的重要性问题,包括目标检测、特征选择、贝叶斯跟踪、在线学习跟踪等。     

基于视频跟踪系统的卡尔曼滤波器方法研究

针对运动物体速度以及形状容易发生变化,导致目标跟踪失败等问题,本文提出了一种基于卡尔曼滤波模型,同时考虑跟踪状态的马尔科夫性设计而成新的跟踪算法。算法首先建立目标状态和观测值的转移变化矩阵模型,然后依据马尔科夫性简化传统卡尔曼滤波算法模型,对目标方位和速度进行预判断。在此基础上,结合传统模板匹配和更新机制,在预测范围内搜索目标,并依据目标变化等因素更新模板的选择,从而保证在快速搜索目标的同时动态地调整模板,确保跟踪目标在发生形变或者加速等状态下能够实现稳定跟踪。实验结果验证了本文算法的有效性和实用性。     

基于双特征的多模块目标跟踪算法

针对运动目标在受到严重遮挡时难以被精确跟踪的问题,提出一种融合颜色和LBP (local binary pattern)纹理特征的多模块跟踪算法.综合考虑目标与背景的特征显著性和相似性两个因素建立比值关系进行量化分析,选取了能够最大程度区分前景目标和背景的颜色空间特征,并结合LBP纹理特征建立概率分布直方图.利用卡尔曼滤波器预测均值漂移算法的初始迭代位置.引入相似度因子来定义新的遮挡判决准则,自适应采用多模块模型进行跟踪.仿真实验结果表明了该算法的有效性.     

体育视频序列中基于IMM的运动目标跟踪算法

在视频处理领域的运动目标跟踪问题中,卡尔曼滤波器（KF）与扩展卡尔曼滤波器（EKF）已经得到了广泛的应用,但在复杂背景或是目标高机动运动的情况下跟踪效果并不理想。提出一种基于交互多模型算法（IMM）,并采用去偏转换测量卡尔曼滤波器（CMKF-D）对运动目标进行跟踪的算法。该算法有效地解决了单一模型无法与运动特性相匹配的问题,并克服了KF、EKF对非线性模型线性化所引入的误差。以足球视频为例进行仿真实验,结果表明该算法有效地提高了视频序列中运动目标跟踪的准确率。     

卡尔曼粒子滤波的视频车辆跟踪算法研究

近年来,视频车辆跟踪作为城市智能交通系统（ITS）的一个关键技术受到关注。本文针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不稳健性,提出一种基于卡尔曼粒子滤波的视频车辆跟踪算法,该算法利用基于重要区域的目标颜色直方图统计模型对视频车辆目标进行建模,并将其应用于卡尔曼滤波更新中,通过采用Mean Shift算法将卡尔曼滤波器引用到粒子滤波器当中,对车辆的运行轨迹进行校正,实现了局部线性滤波,实现了在保持跟踪系统整体上的非线性、非高斯性的同时,兼顾其局部的线性高斯特性。实验结果表明,本文所提出的方法与传统粒子滤波方法相比,能够更准确地对车辆进行跟踪,同时保证了在复杂环境下性能的稳健性。     

基于Mean Shift算法视频跟踪研究

为改善Mean Shift算法的跟踪性能,分析了Mean Shift算法跟踪局限性,对Mean Shift算法流程进行了改进.Harris特征角点具有对光照、旋转、部分仿射变化以及噪声干扰具有很好的鲁棒性的特性可解决Mean Shift算法在背景过于复杂时的跟踪失败问题.Surf算法则具有对旋转、尺度缩放、亮度变化保持不变性,检测和匹配速度快等优点,能辅助Mean Shift算法在帧速过快情况下解决跟踪失败问题.提出了融合Harris角点和Surf算法的改进型Mean Shift算法.实验表明改进后的算法改善了Mean Shift算法在背景复杂以及帧速过快情况下的跟踪性能.     

基于Mean Shift算法和NMI特征的目标跟踪算法研究

针对传统Mean shift跟踪算法对空中运动目标跟踪效果不理想的问题, 提出了基于Mean shift算法和归一化转动惯量(Normalized moment of inertia, NMI)特征的目标跟踪算法. 算法中引入了目标NMI特征, 建立了基于虚警概率最小原则和相似度二级判决门限的跟踪策略, 对目标模型进行更新. 同时利用卡尔曼滤波, 在目标被遮挡后进行估计预测. 实验表明该算法在空中运动目标存在较大形变、被遮挡等情况下, 能够进行实时、稳定跟踪.     

基于H.324的摄像机跟踪监控系统研究

远程图象监控系统在人们日常生产、生活中有着广泛的应用。本文描述了一个基于H.324的远程图象监控系统,其主要特色是加入了摄像机对运动物体的自动跟踪功能。该系统可用于无人值守的通信基站等,大大提高工作效率。     

基于特征组合的人脸跟踪方法

针对复杂背景下的彩色视频序列图像,提出一种基于多特征组合的人脸跟踪方法.该方法采用肤色特征与运动特征来描述视频序列图像中的人脸,分别构造特征似然作为区分人脸目标与背景的置信度,并利用粒子滤波框架原理,用组合的特征似然来表征粒子权重.该方法中提出的自肤色检测算法避免了光线与类肤色像素对肤色特征的影响.在跟踪过程中根据分类...     

基于置信度的加权特征融合相关滤波跟踪

目前机器视觉应用广泛，视频目标跟踪的过程中会遇到各种挑战。为解决单一特征鲁棒性差，模型和尺度更新机制不健全的问题，提出了一种将自适应加权特征融合方法与置信度模型及尺度更新机制相结合的相关滤波目标跟踪算法。算法将互补的梯度和颜色特征进行融合，通过计算各特征滤波响应来决定下一帧在融合特征中各自所占的权重，凸显优势特征，使目标与背景更具区分度。同时引入置信度更新机制，防止模型更新引入遮挡物、相似干扰，提高正确率。最后提出一种新的尺度更新策略，简化冗余代码，使跟踪更精确的同时降低时间代价。实验结果证明，该算法在精度和正确率上都比几种现有相关滤波算法更优，应对相似目标干扰和遮挡情况具有更高鲁棒性。对相关滤波算法进行了改进，加入了特征融合和更新机制，使算法提高了跟踪效果，具有一定的应用价值。     

基于方向矢量的多特征融合粒子滤波人体跟踪算法研究

针对传统的多特征融合粒子滤波跟踪算法计算量大、不利于实时性、人群拥挤遮挡时容易出现跟踪匹配错误等情况,提出了基于方向矢量的多特征融合粒子滤波跟踪算法.该算法首先将人体颜色特征与轮廓特征进行乘性融合和加性融合后相加并加上两者的不确定性的乘积,以便能够根据两种特征的实际贡献率来调节各自在跟踪过程中所占的权重比例,从而提高了跟踪的准确性;其次结合方向矢量,根据先前的跟踪信息来预测运动物体可能运动的范围从而减少了粒子迭代计算量;最后通过动态调节窗口将合并的人体进行分离处理.实验证明,本方法能够在复杂情况下对人体进行实时准确的跟踪.     

基于空间几何结构的特征跟踪算法

针对传统的基于标记的增强现实系统场景受限等缺点,提出一种基于特征空间几何结构的无标记跟踪算法。在传统的金字塔Kanade-Lucas-Tomasi(KLT)跟踪算法基础上,通过建立图像的多尺度空间模型并在多尺度空间模型中对图像进行实时跟踪,同时根据图像特征间特有的空间几何结构信息优选跟踪特征点,解决了在多尺度变化情况下视频图像特征跟踪稳定性问题。实验结果表明,提出的跟踪算法在给定的数据库上性能高效稳定,与同类跟踪算法相比跟踪精度大幅提高,每帧重投影错误率均小于1像素,保持在亚像素级别。     

基于粒子滤波的小波特征跟踪方法研究

该文提出了基于粒子滤波的小波特征跟踪方法。粒子滤波基于蒙特卡罗模拟方法来实现递推贝叶斯滤波,是一种实用的后验概率求解方法。文中研究了目标的Gabor小波网络表示,用一定数量的小波构成一个集合来表示目标特征,各小波的参数由优化方法来确定。构建了基于粒子滤波的跟踪框架,每个粒子表示一种Gabor小波网络的可能形式,并计算与当前图像的相似度。粒子权值与相似度成正比,目标状态的后验概率由粒子加权表示。与传统的“峰值”跟踪方法不同,粒子滤波具有“多峰”的跟踪形式。并结合对光照、噪声不敏感的小波表示形式,具有较强的抗局部遮挡能力。     

基于角特征和Mean-shift的车辆跟踪方法

提出一种基于角特征点和Mean-shift的车辆跟踪方法,对不断改变尺寸的车辆目标进行有效跟踪,利用角特征点把模板目标构造成若干个同尺寸的子窗口,每个子窗口单独地按Mean-shift算法进行跟踪,并寻找其相应的中心位置,通过关联过程确定车辆目标在整个视场中的运行轨迹。实验结果表明,该方法简单、可靠,可以稳定地跟踪车辆目标。     

深浅特征融合的实时单目标行人跟踪

单目标行人跟踪是计算机视觉目标跟踪领域最基础、也是研究最广泛的任务之一,而目前大多数使用的相关滤波类算法和深度学习类算法则分别在跟踪精度和跟踪实时性上存在不足.针对上述问题,本文提出一种将目标图像的深浅特征融合的实时单目标行人跟踪方法.算法利用卡尔曼滤波器预测目标位置,通过计算四分颜色直方图提取目标的浅层颜色特征,并获得预测相似性以判定预测的可靠性.使用YOLOv4模型作为检测器,提取目标深度特征并分别计算运动信息和外观信息的距离度量,同时提取浅层颜色特征计算得到相似距离度量,通过特征距离度量的加权融合对检测目标进行匹配与更新.最后,利用提出的轨迹更新策略协调预测和检测的调用关系,达到准确性与实时性的平衡.算法在OTB100和LaSOT数据集上进行了测试实验,结果表明:所提算法的跟踪准确率分别达到0.581和0.453,在GPU上分别能达到33.64 FPS和35.32 FPS的跟踪速度,满足实时跟踪的要求.     

一种基于特征的多目标跟踪算法

论文提出了一种基于特征的多目标跟踪算法。根据目标在相邻帧间运动具有连续性,并且包围窗口、灰度变化不大的特点,该算法改进了一种代价函数。在跟踪的匹配过程中,启动了卡尔曼滤波,预测目标匹配搜索区域。同时,使用目标链记录了目标最新的运动状态和特征值,保证了运动跟踪的连续性。     

基于特征自动选择的Mean Shift跟踪方法

扩展传统的Mean Shift跟踪算法,使其能够实现特征和量阶自动选择。引入比率 对数图及互信息方差实现特征的自动选取,同时提出一种新的量化方法,能够更显著地区分目标和背景。实验结果表明,该算法在多场景下具有较好的鲁棒性并能提高跟踪精度,可以适应光线变化、背景干扰、被部分遮挡或色彩质量较差的情况。     

基于粒子滤波的机动目标跟踪算法仿真研究

针对非线性多目标模型,应用粒子滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态递推估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波算法和无迹卡尔曼滤波算法。融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布,再用平滑算法处理滤波的结果。仿真结果表明,算法有较好的跟踪效果。