一种基于Mean Shift的快速跟踪算法

针对Mean Shift算法难以跟踪快速运动目标、算法迭代次数多以及耗费时间长的问题,提出了一种基于Mean Shift的快速运动目标检测方法,该方法结合帧差法并融合背景信息来快速检测运动目标;同时提出一种新的相似性度量方法进行初步检测,排除干扰并快速选出符合标准的目标以进行Mean Shift匹配,找出最佳目标。该方法不仅减少了传统方法的迭代次数,缩短了算法所需时间,而且在跟踪实验中取得了较好的跟踪效果,提升了算法的鲁棒性。     

基于Mean Shift的相似性变换和仿射变换目标跟踪算法

传统的Mean Shift (MS) 算法只能对发生平移和尺度变化的目标进行跟踪,而对于具有相似性变换或者更复杂的仿射变换的目标跟踪效果很不理想或无法跟踪。为了解决这一问题,提出了两种基于MS的改进算法。第一种算法针对仿射变换,根据奇异值分解理论,仿射变换矩阵可以分解成两个旋转矩阵和一个对角矩阵的乘积,在此基础上建模了一种新的候选目标模型。通过Bhattacharyya系数将目标跟踪问题转化成以仿射变换参数为变量的最优化问题,推导相关参量的一阶偏导数并令其为零从而得出相对于仿射变换的MS算法。另外,针对进行相似性变换的目标也提出了一种新的候选目标模型,并用类似的梯度下降算法估计目标的平移向量和旋转角度。实验结果表明,提出的算法能够跟踪具有相似性变换或仿射变换的目标,比传统的MS算法具有更好的跟踪性能。     

基于改进的Mean Shift鲁棒跟踪算法

Mean Shift跟踪算法在目标尺度变化大和被遮挡时存在较大的缺陷。针对这一问题,提出了一种基于多级正方形匹配的自适应带宽选择和分块抗遮挡的目标跟踪算法。该算法采用目标中心点的离散程度和增量试探法计算出可能的变化尺度,然后采用多级正方形匹配法预测目标的运动趋势,将巴氏系数最大者的尺度作为Mean Shift核函数新的带宽。同时,对前景目标进行分块,根据子块的遮挡程度自适应改变子块权重并按一定准则融合有效子块的跟踪结果。实验结果表明,该算法具有很好的鲁棒性。     

基于BCH和HOG的Mean Shift跟踪算法

为解决基于核的Mean Shift跟踪算法在颜色相近时,容易出现跟踪不准确或者跟踪丢失的问题,同时提高跟踪的可靠性与准确度,分析了近年来的目标跟踪情况,提出一种基于分块颜色直方图(BCH)和方向梯度直方图(HOG)的Mean Shift跟踪算法.其中BCH包含目标的空间信息,能够很好地应对形变;HOG能够很好地解决光照变化和阴影的影响.使用标准数据集进行测试,结果表明:所提算法可以达到高于80帧/s的跟踪速度,分别优于跟踪-学习-检测(TLD)和核相关滤波(KCF)算法1.7％和2.2％.     

基于Mean Shift视频运动目标跟踪

视频监控是安全防范系统的重要组成部分,而视频运动目标检测和跟踪技术则是智能视频监控的关键技术。Mean Shift算法是一种在一组数据的密度分布中寻找局部极值的稳定的方法,并因其它计算量小,简单易实现而广泛应用于实时跟踪场合。在离散的数据集上,Mean Shift能很快的找到数据分布最密集的点,本文介绍了使用OpenCV实现Mean Shift的方法,分析其在跟踪方向的优势与不足。     

基于Mean Shift视频运动目标跟踪

视频监控是安全防范系统的重要组成部分,而视频运动目标检测和跟踪技术则是智能视频监控的关键技术。Mean Shift算法是一种在一组数据的密度分布中寻找局部极值的稳定的方法,并因其它计算量小,简单易实现而广泛应用于实时跟踪场合。在离散的数据集上,Mean Shift能很快的找到数据分布最密集的点,本文介绍了使用OpenCV实现Mean Shift的方法,分析其在跟踪方向的优势与不足。     

一种WSN下的Mean Shift跟踪算法*

为有效地利用无线传感器网络跟踪移动目标,提出了一种基于高斯混合模型的Mean Shift跟踪算法。该算法运用高斯混合模型描述网络区域内目标信号分布的统计特征,利用Mean Shift区分目标信号与环境噪声,并对目标进行定位与跟踪。仿真实验结果表明,该算法在网络存在较大噪声,特别是网络存在大量异常传感器节点读数的情况下,定位精度高、受异常传感器节点读数影响较小。较之以往无线传感器网络目标跟踪算法,该算法具有更好的鲁棒性。     

基于SIFT特征度量的Mean Shift目标跟踪算法

传统的Mean Shift算法,在诸如跟踪目标出现尺度变化、旋转、噪声干扰等复杂情况下,无法得到准确的跟踪结果。提出了一种基于尺度不变特征变换SIFT(Scale Invariant Feature Transform)特征度量的Mean Shift目标跟踪算法,首先根据SIFT算子计算跟踪目标附近的关键点位置和尺度,并获取该尺度空间下关键点邻域的特征向量,然后用跟踪目标区域内的特征向量的模值-方向分布直方图表示该目标,最后使用Mean Shift算法进行跟踪。实验结果表明,该算法在跟踪目标出现尺度变化、旋转、噪声干扰和遮挡等情况下能够准确地跟踪物体,鲁棒性好。     

一种基于角点的Mean Shift目标跟踪算法*

为了提高经典的Mean Shift算法在复杂场景中的跟踪性能,提出了一种基于角点的目标表示方法。首先,利用Harris角点检测算法提取表示目标主要特征的角点;其次,基于提取的角点,建立目标模型,将其嵌入Mean Shift算法进行跟踪。该方法仅用少量的关键点表示目标,能够自动去除目标和背景中的次要特征,有效地抑制背景成分对目标定位的影响,从而改进Mean Shift目标跟踪算法的性能。通过测试两个复杂环境下的视频,实验结果表明,相对于传统的目标跟踪算法,提出的方法取得了更好的性能。     

基于FPGA的Mean Shift跟踪算法实现

实际应用中对目标跟踪的实时性要求越来越高。针对这个问题,设计并实现一种基于FPGA的Mean Shift跟踪系统。针对FPGA硬件平台的浮点运算复杂度高的特点,对核函数和权重计算进行优化,使用定点运算替代浮点运算。在处理同样分辨率的视频/图像数据时,与通用CPU E7400相比,该系统可使得性能有很大的提升。采用此方法大大提高了Mean Shift跟踪算法的计算速度,满足实时性的要求。     

双环MeanShift视频跟踪算法

针对传统均值漂移跟踪算法在目标特征提取、模板匹配度量和带宽固定方面存在缺陷,提出一种双环MeanShift视频跟踪算法。该算法采用万向椭圆的特征提取方式,能更有效地抑制背景信息影响,较好地提高目标模型质量。引入双环描述因子能突出目标本身特征权重,改善图像匹配峰值特性,并通过双环之间的关系自适应地更新核函数的带宽。仿真实验结果表明该算法在目标具有明显尺度变化、姿态扭曲和部分遮挡的情况下,可以获得准确和鲁棒的跟踪效果。     

使用Mean Shift进行自适应序列图像目标跟踪*

现有的Mean Shift跟踪方法使用单一半径参数描述目标大小变化,不能适应复杂的目标运动情况。使用带宽矩阵来描述目标尺寸,在两个方向上独立描述目标大小变化,提出并证明了一种新的跟踪方法。实验表明,在不增加任何计算量的情况下,该算法对目标运动的适应性更好。     

嵌入Mean Shift 的粒子滤波目标跟踪算法

传统的粒子滤波算法通常使用大量粒子表示目标状态的后验概率密度函数,算法的计算量较大,跟踪的实时性较差,且无法对快速、遮挡目标进行准确跟踪．针对以上问题,提出了一种嵌入MeanShift（均值偏移）的粒子滤波算法,该方法充分利用了MeanShift聚类作用,使得粒子分布更加合理,不但提高了粒子的多样性,而且有效减少了描述目标状态的粒子数目．实验结果表明,改进的目标跟踪算法具有较强的鲁棒性和较好的实时性．     

基于MeanShift的目标平移与旋转跟踪

针对目前多数实时跟踪算法只能跟踪目标平移运动,不能跟踪旋转运动的问题,提出一种基于Mean Shift的快速旋转跟踪算法。该算法以目标区域的梯度方向分布(直方图)为特征,构造了可用Mean Shift算法寻优的相似度函数,将旋转跟踪转化为寻优问题,并利用Mean Shift寻优过程收敛速度快的特点,有效跟踪目标旋转。又提出交替迭代的方法,将旋转跟踪与Meer的平移跟踪算法融合起来,构造了可以同时跟踪目标旋转和平移完整跟踪算法。     

基于像素级图像融合的Mean Shift目标跟踪

针对可见光、红外单模图像序列进行Mean Shift目标跟踪时存在的问题,提出了先对可见光、红外图像序列进行像素级动态图像融合,采用加权平均融合和基于区域目标检测的图像序列融合框架,再对融合结果进行Mean Shift目标核函数直方图建模,然后进行匹配跟踪。实验采用了实际图像序列。实验结果表明,针对目标进行跨背景区域的运动,该方法较采用单模图像序列进行跟踪具有更好的鲁棒性,并且满足实时性的要求。     

一种尺度自适应的Mean Shift跟踪算法

针对传统Mean Shift中跟踪窗口尺度不能实时适应跟踪目标变化这一问题,提出一种基于图割理论的Mean Shift尺度自适应算法.根据每一帧图像的Mean Shift迭代结果,在其周围的一个小区域内,利用先验的肤色混合高斯模型构造图并建立关于标号的能量模型,使用max flow/min cut算法计算出能量函数最小值实现图割,在图割后的肤色团块中寻找最大团判定为跟踪目标,并以该团的尺度来实时调整目标跟踪窗口.实验结果表明,该方法克服了缩放10%核带宽的经典尺度适应方法的带宽趋于缩小问题,实时地反映跟踪目标真实尺度变化,避免背景中其他目标的干扰,具有较好的实用性和鲁棒性,而且可以应用到娱乐游戏控制中,丰富人机交互操作方式.     

基于改进的均值漂移算法的目标跟踪

提出了一种基于目标颜色特征的改进的均值漂移算法，对符合颜色模板的目标点不论其在直方图中的概率大小，都赋予相同的最大权值，使目标最大限度地成为密度极值区，以克服干扰影响，并提出了一种分块检测遮挡算法，遮挡期间不更新颜色模板，以保证遮挡后恢复准确的跟踪。实验结果表明该算法具有较强的鲁棒性，能有效实现复杂场景下的目标跟踪。     

基于均值移动与贪婪算法的多人脸跟踪

提出一个基于均值移动(Mean Shift)和贪婪算法的多人脸跟踪器.首先建立多个均值移动目标跟踪器以进行多人脸跟踪.结合卡尔曼滤波逐个检测目标并从视频帧中清除已跟踪到的人脸,以解决当多个目标相邻或相互遮挡时相应的跟踪窗口会收敛于最大目标、导致其他目标丢失的难题.引入辅助窗口并根据其纹理信息确定粘连目标的对应.实验结果表明,该多人脸跟踪算法可实现稳健的实时多人脸跟踪.     

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。