均值漂移算法的研究与应用

对均值漂移算法的理论和应用作一全面的综述．首先根据密度函数的非参数估计推导出均值漂移公式的一般形式,说明了均值漂移迭代算法的步骤及收敛性;然后重点讨论核函数的选择以及带宽矩阵的计算等关键技术;最后归纳了均值漂移算法在模式检测、聚类、图像分割以及物体实时跟踪等方面的应用,并展望了均值漂移算法在理论和应用中的研究方向．     

基于自适应带宽均值漂移聚类算法设计传递函数

本文采用均值漂移聚类算法为三维数据场设计传递函数.首先根据采样点的分布提出了两种自适应的带宽计算方法;然后利用梯度幅值对采样点加权,实现数据场的物质分类;最后对分类的结果设计高斯型的映射函数.实验表明,与固定带宽均值漂移算法相比,该方法提高了算法的速度和分类的准确性,并获得了高质量的绘制效果.     

核函数带宽自适应的均值漂移目标跟踪算法

针对均值漂移(Mean Shift)算法在跟踪视频目标过程中核函数带宽固定不变的缺陷,提出了一种核函数带宽与目标大小自适应变化的Mean Shift视频目标跟踪算法.用Mean Shift算法搜索到目标,以搜索框中心不变,将搜索窗口扩大,并计算新搜索框的模型及每个像素的核函数权值;通过将每个像素点的核函数权值代替像素值,并利用不变矩计算方法,识别出能框选住目标的椭圆;根据椭圆参数反求新搜索框的大小(核函数带宽)及位置.实验结果表明,该算法能够有效地跟踪大小变化的目标,并且搜索框能较好地与目标大小相适应.     

深度信息辅助的均值漂移目标跟踪算法

参考目标模型中混入的背景噪声会弱化目标特征的描述,导致目标跟踪定位误差。为减少误差,依据目标与背景处于不同深度平面的特点,提出了基于深度信息辅助的和改进的背景加权直方图的MeanShift跟踪算法,能够有效削弱核窗口中的背景干扰信息,突出目标的颜色特征信息,并适时自适应更新核带宽,减少因目标尺寸变小时引入较多的背景干扰信息。实验结果表明该算法迭代次数更少,具有良好的跟踪定精度。     

基于背景加权的尺度方向自适应均值漂移算法

针对经典的均值漂移算法在跟踪过程中由背景相似度、尺寸变化以及遮挡等引起的跟踪漂移问题,提出了一种基于背景加权的尺度方向自适应均值漂移跟踪算法。结合背景加权来提取目标颜色特征,充分利用了视频图像序列的空间信息,突出了目标区域的信息特征,抑制了由背景相似度和背景模糊引起的跟踪漂移现象。采用尺寸方向自适应的协方差矩阵估计方法,以适应运动目标尺寸方向的实时变化,保证了跟踪的准确性。经实验验证提出的运动目标跟踪算法较之其他经典均值漂移算法在精度和效率上都有显著提高。     

自适应带宽均值移动算法及目标跟踪

首先提出了一种经典均值移动算法的推广算法,即自适应带宽均值移动算法,进而提出了基于自适应带宽均值移动的二维视频目标跟踪算法（ABMSOT）.前者提出了在带宽自适应情况下均值移动算法求取局部极值的框架步骤,后者可实时跟踪目标的位置、大小和方向.在ABMSOT算法中,目标模型和候选模型采用自适应带宽核函数加权特征直方图描述,目标模型和候选模型的相似性采用Bhattacharyya系数度量;通过迭代两步法搜索到目标最有可能的位置、大小和方向.第一步执行一次均值移动迭代搜索目标位置,第二步计算出最能描述目标区域大小和方向的带宽矩阵.从理论上证明了两个算法的收敛性,并通过实验证明了ABMSOT算法能实时跟踪目标的位置、大小和方向.     

基于相关性比较算法的均值漂移图像分割*

迭代过程中带宽的大小对算法的准确性和效率有很大的影响,它不但决定了参与迭代的采样点数量,而且还会影响算法的收敛速度和准确性,因此带宽的选择十分重要。采用相关性比较算法计算均值漂移算法中的带宽,然后将均值漂移算法用于图像分割。实验结果表明,新算法能够获得较好的图像分割效果和质量。     

基于惯量矩的自适应带宽Mean Shift目标跟踪算法

基于核的传统均值漂移目标跟踪算法,对于目标的尺度和角度缺乏良好的自适应能力。为此,提出一种基于惯量矩的自适应调整核函数带宽均值漂移跟踪算法。该算法首先用颜色模型在最优迭代位置投影创建目标概率密度分布,然后计算此密度分布的形心主轴惯量矩和旋转角度,最后用惯量矩的方法对目标进行椭圆拟合。得到目标的长度和宽度,递归滤波后自适应调整核函数带宽。实验结果表明,该算法在光照、尺度变化情况下可以准确跟踪目标,并估计目标旋转角度。     

多特征连续自适应均值漂移人脸跟踪算法

传统连续自适应均值漂移人脸跟踪算法,仅使用了人脸的色调特征,容易受到光照及相同背景色影响,为此,提出将人脸颜色和表示线端、角点、边界相关的纹理信息相结合共同构成人脸特征的CAMSHIFT算法。首先,采用带有权重的RGB颜色空间创建归一化的人脸直方图模型;然后,在视频图像中进行目标人脸直方图投影,同时进行纹理检测,保留纹理信息的人脸颜色特征,形成概率密度分布图;最后,由Mean Shift算法从当前位置迭代寻找直至定位目标人脸。实验结果验证了该算法可以抵御同色背景和部分遮挡的影响。     

自适应均值漂移算法目标跟踪检测仿真研究

研究运动物体目标跟踪精确度问题,由于存在遮挡和多光源的噪声影响检测精度,而且运动目标的跟踪是在连续的图像帧间创建位置、速度、形状等存在匹配问题。传统的目标跟踪算法由于目标的动态移动速度大,而容易导致跟踪丢失目标。为了解决上述问题,提出了一种改进的基于自适应均值移动(Cam Shift)目标跟踪新算法。主要难点技术问题是提取了多运动目标视频图像,进行了背景分离。算法是一种颜色跟踪算法,根据多次迭代的计算结果,自适应调整图像,实现对运动目标的实时跟踪。仿真结果表明,提出的改进目标跟踪算法的跟踪精度和滤波效果有了较大提高,同时具有较强的鲁棒性能。     

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。     

基于自适应可达距离的密度峰值聚类算法

针对基于快速搜索和发现密度峰值的聚类（CFSFDP）算法中截断距离需要人工选取,以及最近邻分配带来的误差导致的在具有不同密度簇的复杂数据集上的聚类效果不佳的问题,提出了一种基于自适应可达距离的密度峰值聚类（ARD-DPC）算法。该算法利用非参数核密度估计方法计算点的局部密度,根据决策图选取聚类中心,并利用自适应可达距离分配数据点,从而得到最终的聚类结果。在4个合成数据集和6个UCI数据集上进行了仿真实验,将所提算法ARD-DPC与基于快速搜索和发现密度峰值的聚类（CFSFDP）、基于密度的噪声应用空间聚类（DBSCAN）、基于密度自适应距离的密度峰聚类（DADPC）算法进行了比较,实验结果表明,相比其他三种算法,ARD-DPC算法在7个数据集上的标准化互信息（NMI）、兰德指数（RI）和F1-measure取得了最大值,在2个数据集分别取得F1-measure和NMI的最大值,只对模糊度较高、聚类特征不明显的Pima数据集聚类效果不佳;同时,ARD-DPC算法在合成数据集上能准确地识别出聚类数目和具有复杂密度的簇。     

基于mean-shift全局立体匹配方法

针对图像全局立体匹配精度高、计算量大的问题,提出基于mean shift图像分割的全局立体匹配方法。首先,通过mean shift算法对图像进行分割,获取图像同质区域数量和区域的标号。在计算匹配代价时,根据像素所属的分割区域,对像素进行筛选,从而提高匹配代价计算速度;其次,在代价聚合前,将mean shift算法获取的同质区域数K值赋值给K-means聚类算法,对像素再次聚类,提高立体匹配精度和速度;最后通过TRW-S置信传播解决能量最小化问题。实验表明,该算法明显提高了匹配的准确性和速度,与单纯的全局匹配算法相比,具有更大的优势。     

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。     

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H.264的自适应快速运动估计算法

提出了一种基于H.264的快速自适应运动估计算法。利用视频序列的统计特性和SAD在空间上的相关性提前结束搜索;根据块的运动量来确定搜索方式;提出了一种新的非对称综合的菱形搜索模式,与快速全搜索算法相比较,该算法的峰值信噪比只下降了0.017 dB,码率只上升了0.45%,而搜索速度提高了15倍;与H.264参考程序中的运动估计算法相比,在图像质量相同的情况下,搜索速度提高了35%。     

基于快速高斯变换的辅助边缘粒子滤波算法

针对辅助粒子滤波算法计算量大,滤波效率较低的问题,提出了一种基于快速高斯变换（Fast Gaussian transform, FGT）的辅助边缘粒子滤波算法。该算法假设状态噪声是加性的,并且是高斯的,这样非线性滤波的Chapman Kolmogorov方程的求解近似于执行了核密度估计（Kerner density estimation, KDE）,从而可将KDE中的快速算法FGT引入,以提高算法的计算效率和实时性。仿真结果表明,该算法利用少数粒子就可以获得与常规粒子滤波相似的误差,大大提高了计算效率。     

带宽自适应MeanShift图像分割算法

MeanShift是目前为止特征空间分析的最好方法之一,但其分割结果受带宽参数的影响。图像粗糙度是与视觉感受相关的图像纹理特征,对图像纹理的描述能力很强。图像像素的平均偏移量也体现了图像像素的总体离散情况。通过对高斯核函数的创建以及图像粗糙度的描述,创新性地给出了MeanShift的窗口尺寸选择方法以及图像像素平均偏移的计算,仿真结果表明,该算法对不同类型的图像,均能得到令人满意的效果。     

基于CamShift的自适应颜色空间目标跟踪算法

CamShift算法只适于特定颜色目标的跟踪,针对这一不足,提出了自适应颜色空间目标跟踪算法。依据当前测量值,根据类间平均距离动态选择当前颜色空间。颜色空间更新判断机制的引入,降低了颜色空间更新带来的时间开销。实验结果表明,该算法可以更准确地在复杂背景下的跟踪各种色彩的目标。     

基于自适应自然梯度法的在线高斯过程建模*

为了满足在线建模算法的实时性要求,提出了在高斯过程的训练中使用自适应自然梯度法（ANG）,即基于自适应自然梯度法的在线高斯过程回归建模算法。将此算法运用在Micky-Glass系统和连续搅拌反应釜(CSTR)模型的建立中,并与稀疏在线高斯过程算法进行比较。仿真结果表明此算法满足了非线性系统建模的实时性和精度的要求,同时克服了其他方法计算量很大、不符合在线算法的实时性要求的缺点。