Mean-Shift目标跟踪算法的带宽选取策略

分析不同带宽策略对Mean-Shift目标跟踪算法的影响,提出一种新的带宽策略。构造一个与目标窗口内接椭圆相似的椭圆,利用其长轴和短轴确定带宽,将此带宽策略纳入Mean-Shift算法中进行目标跟踪。实验结果表明,该策略具有良好的跟踪效果,能够有效降低时间复杂度。     

遮挡情况下目标局部特征在跟踪算法中的应用

为了解决视频目标跟踪中的遮挡问题,本文提出了一种新的目标局部形状特征——仿射不变三角形来对目标进行描述,所提取的仿射不变三角形特征具有平移、旋转和尺度不变的特性,在各种异常情况下仍然能够稳定地表征目标。本文采用仿射不变三角形特征量来进行有效的遮挡状态的判断,并将目标未被遮挡部分的局部形状特征量与运动预测结合起来进行基于模板的匹配跟踪,能够避免遮挡所导致的目标外观数据改变而引起的目标运动状态计算的错误,以解决目标在跟踪中的遮挡问题。实验结果证明,本文提出的局部形状特征能够比较准确地判断目标的遮挡状态,并且能够有效地提高跟踪算法的准确性和稳定性。     

结合Kalman滤波器的Mean-Shift跟踪算法

针对经典Mean-Shift算法要求相邻两帧间目标模板区域必须重叠的缺陷,结合Kalman滤波器,提出了改进算法。算法首先将Kalman滤波器预测的目标位置作为Mean-Shift算法中的初始搜索中心进行跟踪,然后再将Mean-Shift算法得到的新的目标位置作为下一帧Kalman滤波器的输入参数,循环执行。实验证明,该算法能够解决由于目标运动速度突然变化以及目标快速运动情况下所带来的相邻两帧间目标模板区域非重叠问题,而且对于一般的遮挡问题也能得到较好的效果。     

基于模糊C均值的Mean-Shift目标跟踪算法

针对Mean-Shift算法核函数带宽固定的缺陷,提出一种基于模糊C均值(FCM)的Mean-Shift目标跟踪算法.该算法采用FCM算法在YCrCb颜色空间对运动目标及附近背景进行分割,根据分割后的目标像素点统计量,遵循相邻两帧图像中目标大小不会突变的原则,修正Mean-Shift核函数窗宽.实验结果表明,该算法能够准确高效地对运动目标进行跟踪,对尺寸逐渐减小和逐渐增大的目标都能实现自动调整跟踪窗大小.     

Mean-Shift结合Kalman滤波的车辆目标跟踪算法

近年来,在智能交通系统与车辆辅助驾驶系统中,作为一个非常重要并具有挑战性的课题——车辆检测与跟踪技术,对其进行了大量的研究。尤其在智能交通系统中,必须了解路面其他车辆的位置才能确保行驶安全,而这些系统的基础——稳定可靠的车辆检测与跟踪,就显得尤为重要了。因此,深入研究运动车辆目标检测与跟踪算法,考虑到系统的实时性,系统采用帧间差分的方法对车辆目标进行检测,建立的Mean-Shift结合Kalman滤波的车辆目标跟踪模型,对车辆目标进行跟踪,提高了跟踪准确率与实时性。     

适用于遮挡问题的目标跟踪算法

提出一种基于网格模型的目标跟踪算法．该算法首先进行遮挡区域检测，然后进行网格结点的运动估计和网格更新过程完成目标的多帧跟踪．改进的遮挡区域检测算法有效地提高了检测准确度，从而确保遮挡区域的准确跟踪；网格结点的运动估计是通过特征窗口运动补偿匹配完成，可以有效地克服块效应．实验证明，该算法解决了二维运动估计时网格模型在遮挡区域存在的问题，并可以有效地进行目标准确跟踪．     

遮挡目标的分片跟踪处理

遮挡是目标跟踪领域一个棘手的问题,如何处理好遮挡是衡量跟踪算法鲁棒性的关键。本文就此问题,提出了一种基于分片跟踪下的遮挡处理算法。本算法在目标发生部分遮挡或者形变后,通过剩余有效片的强度信息,继续对目标实现可靠跟踪,并结合卡尔曼滤波有效的处理跟踪过程中的遮挡。算法采用分片的思想,利用Bhattacharyya系数作为候选目标片与相应模板片的相似性度量,有效的跟踪目标,采用H分量的反向投影的方法辨别遮挡和形变,根据遮挡的不同类型,做相应的处理,实现对目标的鲁棒性跟踪,本实验就遮挡提出了关联性遮挡和非关联性遮挡的概念,增加算法跟踪的可靠性。     

抗遮挡视频图像目标实时跟踪的仿真研究

在视频运动目标跟踪中,遮挡的出现会使所跟踪目标的尺寸和色彩等外观线索失去可靠性,容易造成误识别,进而导致对于目标的错误跟踪.为了克服这一问题,提出了一种基于目标状态预测和局部光流扫描的抗遮挡跟踪算法.算法根据卡尔曼滤波和目标颜色特征信息,预测各目标是否处于遮挡状态,在目标处于遮挡的情况下,通过由局部光流扫描得到的最佳定位信息更新目标信息.在Directshow软件下的仿真结果表明,所提出算法能够在保证实时性的前提下,在运动目标被背景遮挡或被其它目标遮挡时均能实现较准确跟踪.     

基于PF的窗口自适应Mean-Shift跟踪算法

在视频目标跟踪过程中,Mean-Shift算法存在着核函数带宽固定不变的缺陷,对尺度大小发生变化的目标无法进行有效跟踪。提出一种多尺度理论与粒子滤波器（PF）相结合的改进算法。通过粒子滤波器对多尺度理论统计得到的跟踪窗信息量进行预测修正,据此计算核窗宽大小变化的比例系数,实现跟踪算法的窗口自适应能力。实验结果表明,改进的跟踪算法对尺寸逐渐减小和逐渐增大的目标均能自动选择合适的跟踪窗口大小。     

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。     

基于特征自动选择的Mean Shift跟踪方法

扩展传统的Mean Shift跟踪算法,使其能够实现特征和量阶自动选择。引入比率 对数图及互信息方差实现特征的自动选取,同时提出一种新的量化方法,能够更显著地区分目标和背景。实验结果表明,该算法在多场景下具有较好的鲁棒性并能提高跟踪精度,可以适应光线变化、背景干扰、被部分遮挡或色彩质量较差的情况。     

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。     

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.     

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。     

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CUDA加速的实时团块跟踪算法

为有效解决目标稳定实时跟踪问题,提出一种基于团块的目标跟踪方案.该算法利用目标的颜色和空间特征,通过四叉树分割将目标划分为多个区域,每个区域即为一个团块.根据团块的特征,结合模糊聚类的思想构建了团块目标模型,并定义团块间匹配准则,以此进行目标跟踪.同时,使用CUDA提供的强大并行计算能力提高程序执行速度.经过视频序列测试,表明了该设计方案的有效性和实时性.     

抗遮挡的自适应运动目标跟踪方法

针对复杂场景中的目标遮挡问题,提出一种基于均值漂移(Mean shift)和轨迹校正的自适应目标跟踪方法.由于Mean shift迭代易陷入局部最优点,这里引入Kalman滤波器以预测和校正目标运动轨迹,并根据迭代轨迹误差校正协方差,使得跟踪器在多峰值非高斯分布的复杂环境下也能收敛到全局最优点.基于Bhattacharrya系数计算色彩x、y方向分量相似度,并根据邻帧分量相似度偏差自适应调整相似度融合权值.综合当前帧和前面帧作用更新目标运动状态、特征和尺度模型.实验结果表明提出的方法对于静态场景遮挡和目标间互遮挡、部分和全部遮挡下的目标跟踪均具有鲁棒的跟踪性能.     

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.     

基于运动点团的鱼眼图像中多目标检测方法研究

采用运动点团模式对鱼眼视频序列中的目标检测方法进行了研究和探讨。运动点团模式的运动目标检测分为三个层次,每个层次对应一个具体的检测算法,即基于像素层的背景提取和更新、运动点团层的点团检测和判定及运动目标层的目标标记和跟踪。对三个算法的原理进行了探讨,并结合鱼眼图像的特点进行了算法改进和优化。实验结果表明,以运动点团作为中间检测过程的方法能有效对圆形鱼眼视频序列中的多个运动目标进行检测,特别是图像边缘的大畸变、低分辨率目标,相比传统的检测方法具有更好的检测稳定性和准确性,在大范围智能视频监控中具备很好的实际应用价值。