基于改进的颜色和SURF特征的粒子滤波目标跟踪

针对视频中运动目标的准确跟踪问题,提出了一种改进的颜色直方图特征和SURF特征的粒子滤波跟踪算法。采用SURF算法提取特征点,利用分层迭代的KLT算法对特征点进行稳定跟踪。将SURF特征与改进的视觉显著性颜色特征进行乘性融合,作为粒子滤波的观测概率。针对跟踪过程中SURF匹配数下降和不稳定的现象,设计了SURF特征模板集的更新策略。与传统特征的跟踪进行多组对比实验,其结果证明了该方法对光照和遮挡具有很好的鲁棒性,对目标跟踪的准确率更高。     

一种基于改进CAMshift的多特征跟踪算法

针对传统CAMshift跟踪算法在复杂环境中跟踪效果不理想的问题,论文提出融入基于纹理特征的SURF算法与改进CAMshift算法形成多特征融合跟踪算法。通过基于色调分量H和饱和度分量S联合生成目标直方图模板,利用完整的目标颜色信息特征增强算法对复杂环境的适应能力。为进一步提高算法的鲁棒性,利用SURF算法实现跟踪目标的重定位,克服了复杂环境下丢失目标后跟踪问题。实验证明,论文提出的多特征融合算法在保持理想的鲁棒性和准确性的同时,也提高了跟踪的实时性。     

基于分块运动估计的对象跟踪方法

针对摄像机运动和场景光照突变的情况,提出了一种基于分块运动估计的对象跟踪算法。首先,对图像进行分块角点匹配,得到各块运动参数,然后对各块进行分块运动补偿和光照补偿;对补偿后的图像进行相邻帧差分得到目标的近似质心位置;跟踪过程则融合运动目标加权颜色直方图和梯度直方图作为目标特征,以所得质心为初始搜索点,采用螺旋搜索算法,进行目标模板和候选目标相似性检测,搜索最佳匹配点得到目标对象在当前帧的准确位置。实验结果表明,该算法能够有效克服光照剧烈变化,在动态背景下能达到对对象的准确跟踪。     

基于遮挡检测和多块位置信息融合的分块目标跟踪算法

目标跟踪无法有效判断目标何时被遮挡以及同时配合模板更新.针对这一问题,文中提出基于遮挡检测和多块位置信息融合的分块目标跟踪算法.首先,将目标区域分成4个子块,结合目标整体,利用遮挡具有从局部开始和方向性的特点,计算各分块间相关值的比值,判断目标是否遮挡及遮挡部位.再根据目标是否遮挡,采用不同的更新方式.最后,根据未被遮挡的各个分块位置信息确定最终目标的位置.在数据集上的实验表明,文中算法可以有效判定目标是否存在遮挡,并提升遮挡情况下的跟踪效果.     

一种基于高斯概率模型的多人跟踪算法

针对视频监控中的多人跟踪问题,提出了一种基于高斯概率模型的算法.基于目标颜色的统计特征,采用改进的K均值方法,将目标区域按颜色信息聚类,并根据聚类结果对目标区域分块,然后用高斯模型对各分块分别进行建模.同时,对目标的位置信息也进行高斯建模.通过计算待检测目标与模型之间颜色和位置的最大联合概率值来实现跟踪.利用前后帧中目标的位置信息及颜色信息,能克服目标遮挡后因信息的丢失而跟踪失败的情况.实验结果表明,该算法具有较强的鲁棒性,能有效实现多人的跟踪.     

分块多特征自适应融合的多目标视觉跟踪

为提高多目标视觉跟踪算法的实时性和稳定性,提出了分块多特征融合的目标跟踪算法.该算法融合底层颜色、纹理和边缘特征信息,以降低单一目标特征算法容易受复杂环境和目标形变的影响.建立分块目标多特征融合直方图模型,引入目标和背景区分度抑制背景分量,并且结合Kalman滤波器进行预测,在发生遮挡时根据置信度最大子块位置获取遮挡目标位置,实现目标稳定可靠的跟踪.实验结果表明:该算法对每帧图像的平均处理时间为36.2 ms,达到实时性的目的,且算法鲁棒性较强.     

基于颜色纹理直方图的带权分块均值漂移目标跟踪算法

融合了传统的颜色直方图并基于局部二元模式表示的纹理特征来表示跟踪目标,提出一种基于颜色纹理直方图的带权分块均值漂移目标跟踪算法.为了更好地解决目标遮挡和姿势改变的问题,在跟踪过程中将跟踪目标分割成多个互不遮挡的矩形分块,对每一个矩形分块独立采用基于背景权重的均值漂移算法,并结合每一个分块求得的最佳目标位置得到目标物体在...     

基于自适应分块表观模型的视觉目标跟踪

针对表观发生剧烈变化时的目标跟踪问题, 提出一种新的基于自适应分块表观模型的视觉目标跟踪算法. 将目标表观描述为一组具有内在空间上几何结构关系约束的局部图像块, 在跟踪过程中通过自动添加和删除局部图像块适应目标的表观变化, 同时利用全局颜色属性值确定新的图像块的位置, 克服了传统分块算法不能及时更新表观模型的局限性. 实验结果表明, 所提出算法对表观变化具有较高的自适应性, 在表观发生剧烈变化时可实现准确的目标跟踪.

     

自适应分块多线索融合粒子滤波跟踪方法

多线索融合是解决复杂情况下跟踪问题的有效手段, 为此提出一种基于自适应分块目标模型的多线索融合 粒子滤波跟踪方法. 根据目标颜色分布自适应分块建立目标描述模型, 可提高对目标初始描述的适应性; 采用多线索融合粒子滤波跟踪, 在跟踪过程中能根据子块可靠程度动态调整权重, 提高对剧烈光照变化、目标姿态变化、遮挡等复杂情况的适应性. 实验结果表明, 所提出的跟踪方法在多种复杂情况下能准确有效地跟踪目标.

     

基于颜色特征与SIFT特征自适应融合的粒子滤波跟踪算法

针对序列图像中的运动目标在跟踪过程中发生运动模糊以及部分遮挡的问题进行了研究, 提出一种将改进的颜色直方图特征模型与尺度不变特征（SIFT）模型相融合的粒子滤波跟踪算法。采用基于模糊逻辑的方法, 根据当前跟踪环境自适应调节两种特征信息的权重, 从而实现特征信息间的融合, 提高描述目标观测的可靠性。实验结果证明, 该算法优于传统的单特征或采用固定权值的多特征目标跟踪算法。     

融合灰度和SURF特征的红外目标跟踪

由于红外图像对比度低、色彩信息匮乏且灰度级动态范围小,基于红外成像的目标跟踪一直是本领域研究的难点和重点。提出了一种融合灰度核直方图和SURF(speeded up robust features)特征的红外目标跟踪算法。在首帧采用灰度核直方图和SURF特征分别描述目标模板,在以后每帧中利用均值漂移算法快速找到局部最优解。考虑到灰度直方图特征信息量少,跟踪误差逐渐累积,采用改进的SURF特征点匹配算法估算当前帧目标尺度和中心位置,及时修正累积误差,避免跟踪窗口漂移且能自适应调整跟踪窗口大小,此外更新目标模板,最终准确跟踪目标。真实场景实验结果表明,本文算法在目标外观发生较大尺度变化、周边具有相似表观物体时能稳定跟踪目标,具有很强的稳健性,且满足实时性要求。     

基于多特征融合的粒子滤波算法研究

传统的粒子滤波跟踪算法只依靠单一的颜色特征作为跟踪依据。在复杂背景或者遮挡物颜色与跟踪目标接近时传统的粒子滤波算法很容易造成跟踪目标丢失。针对该问题,提出一种基于多特征融合的粒子滤波算法,该算法按一定的权值系数利用目标的颜色特征和边缘特征来构建似然函数作为跟踪目标的跟踪依据,克服了依靠单一颜色特征跟踪目标的跟踪算法的不足。实验结果表明,多特征融合后的跟踪算法有较好的跟踪性能。     

Improvement of mean shift tracking performance using a convex kernel function and extracting motion information

Color feature is now taken into real consideration as one of the important cues in the area of objects tracking, in image sequences. This feature has attracted considerable attention, in recent years. One of the well-known tools in color feature extraction is to use mean shift (MS) tracking algorithm. The probability of finding the object location in line with this tracking algorithm is somehow desirable, in image sequences, by maximizing the Bhattacharyya coefficient between both objects and corresponding candidate models. Even though the MS tracking algorithm is just known as a popular tool in the field of object tracking, it does not have sufficient merit to be realized in complex environments, i.e., background with object’s similar color, sudden light changes, occlusion types and so on. In such a case, the amount of the present coefficient could truly be decreased, during the tracking process, because of the mentioned environmental problems. A convex kernel function in association with the motion information of video sequences is used in this investigation to improve the MS tracking algorithm for the purpose of overcoming the existing problems. The proposed approach is employed to present the MS kernel function, directly. Thus, by using the investigation in its present form, the capability of the MS kernel is increased. Moreover, by using both color feature and motion information, simultaneously, in comparison with single color feature, noises and also uninterested regions can actually be eliminated. Experimental results on data set illustrate that the proposed approach has an optimum performance in real-time object tracking under the severe conditions.     

基于快速鲁棒特征的CamShift跟踪算法

为了解决CamShift算法由于对颜色敏感导致的跟踪效果变差或失效的问题,提出一种基于局部特征匹配的CamShift跟踪算法。采用快速鲁棒特征(SURF)方法在多通道图像的目标区域和搜索区域提取包含图像信息的局部特征点,并利用近似最近邻搜索对特征点进行匹配;使用提纯后的匹配结果得到特征点的位置、尺度及方向信息,对CamShift方法进行约束和更新,以提高跟踪精度和稳定性。实验结果表明,与经典CamShift算法和同类的改进算法相比,该算法能够较好地实现对复杂背景下旋转和放缩运动目标的实时跟踪。     

基于特征匹配滤波的自适应模板跟踪算法

针对头部目标跟踪的应用背景,在Mean Shift的框架下提出一种基于特征匹配滤波的自适应模板更新策略。该方法根据被跟踪目标在不同状态下所呈现出颜色的统计特征信息,采用颜色空间核密度估计匹配滤波的方法,对模板中局部区域像素的更新作出决策。实验结果表明,该算法有效解决了因头部旋转以及物体遮挡而导致模板不匹配的问题,实现了头部的连续跟踪,取得了很好的跟踪效果,提高了跟踪算法的整体稳定性和鲁棒性。     

Object motion tracking using a moving direction estimate and color updates

This paper presents a direction detection and tracking object color update algorithm used to track moving objects that change colors. Different from traditional color-based tracking methods, which use an initial color distribution in order to track objects as long as the object carries the full or partial initial color, this method introduces a color update method used to quickly find the new object color in a new location if the object changes its color partially or completely; the updated color is then used to locate the object. In our algorithm, an initial color pattern is used to track an object using the color. During the tracking, an object’s new location is at first estimated and then used to detect any color change. If the color has changed, a new color pattern is updated based on the changes in the previous color distribution, and then the new color pattern is used to calculate the current location of the object. This algorithm utilizes the property that the movement of an object can be estimated either by using the object’s shadow or by background subtraction. The implementation of our algorithm results in an effective real-time object tracking. The validity of the approach is illustrated by the presentation of experiment results obtained using the methods described in this paper.     

基于颜色-空间二维直方图的目标跟踪技术研究

由于颜色直方图只考虑了目标颜色的统计信息,忽略了目标颜色的空间信息,使得在模板匹配过程中容易收敛到其他位置,从而导致目标丢失。针对这一缺点,提出了一种基于颜色-空间二维直方图的目标跟踪技术,在建立目标模板的过程中融入了目标颜色的空间信息。实验结果表明,与传统的基于颜色直方图的Mean-shift算法相比,基于颜色-空间二维直方图的目标跟踪技术能更准确的对目标进行跟踪,提高了目标跟踪的鲁棒性。     

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。     

Visual tracking and learning using speeded up robust features

A speeded up robust features (SURF) based optical flow algorithm is presented for visual tracking in real scenarios. SURF construct invariant features to correspond the blobs of interest across frames. Meanwhile, new feature-based optical flow algorithm is used to compute the warp matrix of a region centered on SURF key points. Furthermore, on-line visual learning for long-term tracking is performed using incremental object subspace method, which includes the correct update of the sample mean and appearance model. The proposed SURF based tracking and learning method contributes measurably to improving overall tracking performance. Experimental work demonstrates that the proposed strategy improves the performance of the classical optical flow algorithms in complicated real scenarios.