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。     

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.     

基于自适应核窗宽的红外目标跟踪算法

针对传统均值漂移算法无法对对比度低、尺度变化的红外目标进行有效跟踪的问题,提出一种改进MeanShift算法.首先融合灰度和纹理两方面的信息,并分别定义背景灰度和纹理加权系数,实现了目标的准确定位;然后,提出一种基于背景和前景目标相似度的核窗宽选取算法,自动选取窗口缩放比例,得到与目标尺度一致的跟踪窗口.实验结果表明,所提出的算法能够实现对红外目标的跟踪,并且对尺度变化的目标具有较好的适应性.     

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.     

Mean-Shift跟踪算法中目标模型的自适应更新

针对Mean—shift跟踪算法中的模型更新问题,提出利用目标历史模型和当前匹配位置处得到的观测模型,对目标核函数直方图进行Kalman滤波,从而对目标模型进行及时更新。在滤波过程中,通过分析滤波残差动态,调整滤波方程中的各种参数。Bhattacharyya系数被用作模型更新的准则。该系统能够有效地处理遮挡、光照变化等干扰,避免了模型的过更新。大量视频序列测试的结果表明,在场景遮挡、光照变化等因素的影响下,算法能够对目标外观以及尺度的变化进行稳健、实时和有效的跟踪。     

基于改进的均值漂移和卡尔曼滤波的目标跟踪算法

针对固定搜索窗口均值漂移算法在目标运动速度过快或目标尺度发生变化而导致跟踪失败的问题,提出一种与卡尔曼滤波相结合的自适应窗口跟踪算法。首先用卡尔曼滤波算法对运动目标进行预测及更正,设定感兴趣区域,并利用均值漂移算法确定搜索窗口大小和位置,同时结合Bhattacharyya系数进行目标定位,实现视频中目标跟踪。通过对比分析和实验结果,改进算法对目标尺度发生变形时具有较好的鲁棒性和准确性。     

跟踪窗口尺度自动更新的Mean—Shift跟踪算法

Mean—Shift算法作为一种高效的模式匹配算法,已经广泛地应用在实时性要求较高的目标跟踪系统中,但标准的Mean—shift跟踪算法缺乏窗口尺度自动更新机制无法满足图像中运动目标尺寸变化的需要。在分析图像的轮廓检测的基础上提出了一种窗口自动更新方法,实验证明本算法能够有效地跟踪尺寸变化的目标并且提高了跟踪精度,增强了跟踪稳定性。     

Mean Shift跟踪算法中尺度自适应策略的研究

标准Mean Shift跟踪算法缺乏尺度自适应机制,一种常见的尺度自适应策略是在上一帧尺度及上一帧尺度基础上增/减10%3个尺度下执行3次标准Mean Shift算法来确定本帧的尺度。本文在一组典型场景下对这种方法进行了实验研究,发现它存在两个缺陷,即有时不能防止尺度在小于真实尺度处徘徊;对快速尺度变化适应性差。其中任何一个缺陷都可能引起大的尺度定位偏差,从而降低跟踪器的鲁棒性。在对上述缺陷深入分析的基础上,修正了最优带宽的判别条件,给出了自适应滤波器参数的设计方法,从而得到了一种改进的尺度自适应算法。多种场景下的实验结果表明了这种算法的有效性。     

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.     

自适应窗宽的均值迁移图像跟踪算法

针对传统均值迁移跟踪算法中核函数窗宽固定使之无法满足图像中运动目标尺寸变化需要的问题，在分析目标特征零阶矩特点基础上，以其变化比作为观测量，以目标面积的变化比作为状态量，利用卡尔曼滤波器对未来帧中目标面积的变化进行预测进而获得同目标尺度变化相适应的核函数窗宽。该算法通过窗宽自适应变化，提高了跟踪精度，增强了跟踪稳定性，同时仍保证了跟踪的实时性。实验结果证明了该方法的有效性。     

核函数带宽自适应的Mean-Shift跟踪算法

为了实现Mean-Shift跟踪算法中的核函数带宽自适应更新,提出基于比较Bhattacharyya系数的新方法。首先用模板中心加权与目标边缘加权的直方图计算巴氏系数,跟踪时用候选目标边缘加权直方图与模板中心加权直方图计算新的巴氏系数,根据两个系数的大小对核带宽进行10%的缩放。实验表明,该方法有效克服了带宽只能缩小的问题,实现了跟踪窗对目标缩放的自适应性。     

一种自适应色彩融合的Mean-Shift跟踪算法

针对现有的Mean-Shift算法使用单纯的颜色特征不能适应光线及背景的变化,易受颜色相近物体干扰的问题,提出了自适应色彩融合方法来提高跟踪性能。对背景以极坐标的形式进行不等间隔采样,以融合后的目标直方图与背景直方图具有最小相似性为原则搜索色调与饱和度的最佳线性融合系数;考虑背景与目标的渐变,跟踪过程中在最佳融合系数的自适应调整邻域内调整融合系数;能够有效处理相似物体和颜色相近的大背景带来的干扰。视频序列跟踪结果表明,提出的方法能够实时、稳定地进行跟踪。     

目标窗口尺寸自适应变化的Mean-Shift跟踪算法

传统的窗宽尺寸固定不变的MeanShift跟踪算法不能实时地适应目标尺寸大小的变化。将多尺度空间理论与Kalman滤波器相结合,利用Kalman滤波器对尺寸变化的目标面积比例进行预测,用多尺度空间理论中的目标信息量度量方法求出前后相邻两帧的目标特征信息比,将其作为Kalman滤波器的观察值对目标面积比例进行修正,然后与MeanShift算法结合起来对目标进行跟踪,实验结果表明,改进的跟踪算法对尺度逐渐变大和变小的目标都能连续地自动地选择合适大小的跟踪窗口。     

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.     

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。     

基于改进Mean-Shift与自适应Kalman滤波的视频目标跟踪

提出一种改进的Mean-Shift和自适应Kalman滤波器相结合的视频运动目标跟踪算法。对选定的跟踪目标,采用三帧差和区域增长法分割目标并得到主颜色信息。在跟踪过程中,利用自适应的Kalman滤波器估计每一帧的起始迭代位置,再利用改进的Mean-Shift算法得到跟踪位置并作为测量值反馈给自适应Kalman滤波器,并引入遮挡率因子以自适应地调节Kalman估计参数。实验结果表明,该算法能对视频中的运动目标实现检测和连续跟踪,对遮挡也有较好的鲁棒性。