粒子滤波和均值漂移相结合目标跟踪算法

采用粒子滤波算法解决运动目标跟踪中非线性非高斯问题。将均值漂移算法嵌入到粒子滤波的采样阶段中,通过将每个粒子聚集到所在区域的局部极值,提高了采样粒子的使用效率。当发生目标遮挡时采用改进的粒子滤波算法,当无遮挡时采用均值漂移算法以提高速度。实验结果表明,该方法较传统单一算法具有较强的实时性和鲁棒性,能够有效实现在遮挡场景下的目标跟踪。     

基于Mean-shift和DoG的卡通化图像生成算法

从数字图像直接生成卡通化效果有着重要的应用,文中提出一种新的图像卡通化效果生成算法,首先利用均值漂移算法去除图像中颜色细节信息和纹理细节信息,用大色块替代原图像中属性相同的区域,然后对均值漂移滤波后的图像利用高斯差分算子提取边缘信息,最后将均值滤波图像和边缘图像进行融合获得卡通化效果。实验结果表明,利用本算法获得很好的卡通化效果图像。     

基于粒子滤波和均值漂移的目标跟踪

将均值漂移算法嵌入到粒子滤波的跟踪框架中,将颜色分布作为观测模型,将HSV颜色空间根据人类的颜色感知差异,对各个分量进行非等间隔量化,然后利用基于核函数的直方图进行建模。该算法克服了粒子滤波计算量较大的缺点,同时也克服了均值漂移算法容易陷入局部最大且无法恢复的缺点。实验结果表明,该方法具有较强的实时性和鲁棒性。     

基于目标中心距离加权和图像特征识别的跟踪算法

本文提出了一种实时跟踪算法,以目标中心距离加权的灰度图像作为模板,采用mean-shift迭代方法实现目标的空间定位;同时建立二值图像模板,根据目标的图像特征,进行尺度定位.本算法改进了kernel-based算法对变尺度目标的跟踪.对于超过一定像素的较大目标,本算法进行"降采样",大大减小运算量,从而实现了对大尺度目标的实时跟踪.实时视频流的跟踪实验验证了该方法的有效性.     

组合均值平移和区域合并的图像分割算法

医学图像类的多细胞图像分割过程中,经常因为细胞边界模糊而影响分割质量.针对复杂情况下的细胞图像分割问题,提出了一种组合分割方法,新方法将一种非参数聚类算法(均值平移)和区域合并相结合,先利用均值平移算法获得图像的过分割结果,再根据区域合并准则,合并过分割区域得到准确的分割结果.将此方法应用于活细胞的显微灰度图像,并与几何活动轮廓模型算法、阈值分割算法、均值平移算法及水线分割算法相比较,实验结果证明了此算法的有效性.此算法不仅可以将粘连的细胞分开,还可以获得接近细胞原始形状的边界,为进一步图像研究提供了良好的基础.     

具有Rao简单结构的多元t-模型的异常点检验

异常点识别是统计诊断的主要研究问题之一.本文利用均值漂移模型和似然比检验,研究了具有Rao简单结构的多元t-模型的异常点识别问题,给出了判别异常点的方法.     

基于多判据的散乱点云特征点提取算法

为了有效获取散乱点云中的尖锐特征点和边界特征点,提出一种利用多判据融合的特征点提取算法。首先利用一种改进的k-d tree构建点云拓扑,搜索样点的K局部邻域;然后利用法向夹角判定准则、核密度判定准则、场力和判定准则分别求取各个样点局部邻域的三个特征参数,最后通过加权计算特征参数得到每个样点的特征值与全局判定阈值,特征值比阈值大的点即为特征点。实验证明,该算法能有效的获取散乱点云中边沿特征点与尖锐特征点。     

Human tracking system based on adaptive multi-feature mean-shift for robot under the double-layer locating mechanism

Human tracking has been a challenging task for robot in the past decades. In this paper, to realize the human following in a cluttered environment, a human tracking system based on adaptive multi-feature mean-shift (AMF-MS) under the double-layer locating mechanism (DLLM) is proposed to solve the problem of distinguishing target, occlusion, and quick turning. The DLLM, considering the course location processing and fine location processing, is designed to estimate the person’s position using the fusion of heterogeneous data. As an ID tag attached on target can be detected by RF antennas, the course locating method can track the target easily and quickly. The Bayes rule is introduced to calculate the probability where the tag exists due to the instability of RF signals. In the fine locating step, the AMF-MS is proposed because it can reduce computational load and represent target by multi-feature histogram function. Meanwhile, we combine extended Kalman filter and AMF-MS to overcome MS’s inability of occlusion. To control the robot following the target person precisely, an intelligent gear shift strategy based on fuzzy control is implemented by analyzing the robot structure. Experiments demonstrate that the proposed approach is robust to handle complex tracking conditions, and show the system has an optimum performance.     

和声搜索粒子滤波视觉跟踪

为了降低粒子滤波精度对精确重要性采样函数的依赖性,提高粒子滤波的视觉跟踪效果,将和声搜索引入到粒子滤波框架中,提出了一种基于和声搜索的粒子滤波视觉跟踪算法.通过记忆考虑、基因变异、随机变异等和声搜索算子结合当前观测信息,改善了粒子滤波视觉跟踪算法的重要性采样函数,增强了重要性采样函数对系统状态转移模型的鲁棒性.同时,对和声搜索参数进行了优化,平衡了视觉跟踪实时性和精确性的要求,并对粒子的权重进行了补偿,使其符合粒子滤波的理论基础贝叶斯估计.实验结果表明:优化的和声搜索参数,比常见参数更适合和声搜索粒子滤波;与基于粒子滤波、和声搜索、Mean-Shift改进的粒子滤波、分布场、多示例学习等视觉跟踪算法相比,和声搜索粒子滤波视觉跟踪算法能够在光线变化、遮挡等复杂场景下获得了更精确的视觉跟踪效果.和声搜索粒子滤波算法较好地结合当前观测与历史信息,获得鲁棒的视觉跟踪性能.     

基于mean-shift的多目标粒子滤波跟踪算法设计

针对视频序列中多目标的跟踪问题,提出一种基于mean-shift和粒子滤波的多目标混合跟踪算法,采用目标之间的距离门限和相似度门限作为转换条件,有效地结合Mean-shift算法的简单快速和粒子滤波跟踪算法的抗遮挡的优点.实验结果表明,该算法在对多目标跟踪时能在保证跟踪效果的同时减少跟踪的时间花费,有效提高了设计的跟踪系统的实时性.