改进的Mean Shift跟踪算法在车辆跟踪上的应用

使用传统Mean Shift目标跟踪算法实现运动目标跟踪时,跟踪框大小不变,可能会导致跟踪过程中运动目标跟丢的情况发生.因此,提出了一种结合背景差分法的Mean Shift跟踪算法,从而实时地提取出大小合适的运动目标跟踪框.实际应用中,通过DM642数字信号处理器采集D1格式的视频,然后对视频帧图像进行改进的Mean Shift跟踪算法实现后可以发现,改进的Mean Shift跟踪算法可以实时地实现目标跟踪框大小的变化.在跟踪效果上,改进的跟踪算法具有较好的效果.     

基于改进Mean Shift跟踪算法在车辆跟踪上的应用

运动目标跟踪在城市交通流量监测和视频监控等方面有着广泛的应用前景,本文使用Mean Shift目标跟踪算法实现运动目标的跟踪。在传统的Mean Shift跟踪算法中,跟踪框大小不变,可能会导致跟踪过程中运动目标跟丢的情况发生。因此,本文提出了一种结合背景差分法的Mean Shift跟踪算法,从而实时地提取出大小合适的运动目标跟踪框。实际应用中,通过DM642数字信号处理器采集D1格式的视频,然后对视频帧图像进行改进的Mean Shift跟踪算法实现后可以发现,改进的Mean Shift跟踪算法可以实时地实现目标跟踪框大小的变化。在跟踪效果上,改进的跟踪算法具有较好的效果。     

基于卡尔曼和图像信息量的Mean Shift改进跟踪算法

Mean Shift算法在目标实时跟踪领域取得了广泛的应用,但是对于速度过快或尺度变化大的目标跟踪存在较大的缺陷.提出了一种基于Mean Shift和Kalman预测带宽的自适应跟踪算法.该算法提出以Kalman预测目标在下帧中的中心位置作为Mean Shift迭代初始位置;同时引入图像信息量度量方法以适应目标的尺度变化.实验结果表明,改进的跟踪算法能很好地跟踪尺度变化的目标,跟踪效果很好.     

基于卡尔曼滤波与Mean Shift的运动车辆跟踪

针对Mean Shift算法不能跟踪快速目标、跟踪过程中窗宽的大小保持不变的特点.首先,卡尔曼滤波器初步预测目标在本帧的可能位置;其次,Mean Shift算法在这点的邻城内寻找目标真实的位置;最后,在目标出现大比例遮挡情况时,利用卡尔曼残差来关闭和打开卡尔曼滤波器.实验表明该算法在目标尺度变化、遮挡等情况下对快速运动的目标能够取得较好的跟踪效果.     

一种对光照具有鲁棒性的人脸跟踪算法

在经典Mean Shift跟踪算法框架中,颜色是一种有效的视觉特征。但在实际跟踪过程中,光照、角度、摄像机位置等的变化会极大地削弱颜色特征的有效性,从而造成跟踪的不稳定。本文提出了一种对光照变化具有鲁棒性的Mean Shift人脸跟踪算法。首先,对光照对目标特征域的影响进行建模分析,然后根据分析结果将高斯截断核函数引入到目标概率密度函数中以减小光照变化对目标跟踪的影响,最后将新的目标概率密度函数纳入到Mean Shift跟踪算法框架中。实验仿真结果表明,本文算法在光照剧烈变化的情况下,对人脸的跟踪具有很好的鲁棒性。      

基于Mean Shift算法的网球运动视频目标跟踪研究

传统Mean Shift算法在运动目标运动速度过快以及被遮挡的情况下,算法的跟踪效果较差。因此,提出基于改进Mean Shift算法的网球运动视频目标跟踪方法,分析Mean Shift算法进行网球运动视频目标跟踪的过程以及存在的弊端。采用最小二乘法对Mean Shift算法进行改进,利用最小二乘法预测网球运动视频目标位置,在该位置上实施迭代跟踪,再用Mean Shift算法得到目标最终跟踪位置,解决目标运动速度过快以及遮挡问题的干扰,减小各帧检索时矢量同收敛点的距离,提高跟踪效率。实验结果说明,所提方法具有较高的跟踪效果和跟踪效率。     

基于多特征Mean Shift的人脸跟踪算法

该文把局部三值模式(Local Ternary Patterns, LTP)纹理特征引入Mean Shift跟踪算法,提出了基于多特征的Mean Shift人脸跟踪算法以解决Mean shift跟踪算法的鲁棒性问题。通过对LTP纹理特征的分析、研究,提出了一个LTP关键纹理模型,既增强了目标的关键纹理信息,又简化了LTP纹理模型。在此基础上,提出一种基于LTP关键纹理特征和肤色特征的Mean Shift人脸跟踪算法,有效地解决了Mean Shift算法的鲁棒性问题。为进一步提高对快速运动目标的跟踪速度和跟踪性能,该文引入了卡尔曼滤波器对目标进行预测。实验结果表明,该文的算法在目标定位的准确性和跟踪性能上比Mean Shift算法均有明显的提高。     

自适应跟踪窗的Mean Shift算法

针对经典Mean Shift算法在目标跟踪过程中不能自适应目标的形状变化,提出了一种跟踪窗自适应的Mean Shift目标跟踪算法。该算法利用权值图像的矩特征推导出了一种目标真实面积的估计方法,同时利用估计出的目标真实面积校正可表达目标窗口内图像特征的协方差矩阵,从而计算出目标区域的主轴长度和方向。实验结果表明,该方法保留了Mean Shift算法简单、有效的特点,同时该算法的跟踪窗具备当目标发生旋转和尺度变化时的自适应能力,并且具有较强的鲁棒性。     

一种基于优化预处理的均值漂移算法

对传统的Mean Shift算法进行了改进.加入了前期预处理.包括特征选择与分类.提高了复杂场景中目标的鲁棒性.传统的Mean Shift算法固定的使用一个或两个特征(比如颜色)对目标进行跟踪.当跟踪场景发生变化.容易跟踪失败.我们通过选择目标与背景区别度最大的特征同时定义显著特征与非显着特征,实现了对复杂变化场景中目标更为鲁棒的跟踪.通过对多组数据进行实验.证实了该算法的可靠性.     

基于Mean Shift的变尺度快速运动目标自适应跟踪算法

为了实现对变尺度快速运动目标的良好跟踪,在对传统Mean Shift跟踪算法改进的基础上,提出了一种运动目标自适应跟踪算法。该算法首先采用目标区域的像素点空域加权后的彩色图像作为初始帧目标模板,目标的真实位置利用Mean Shift算法迭代求得,从而实现对快速运动目标的空间定位,然后将相邻帧的目标采用尺度不变特征变换(SIFT)算子进行特征匹配,根据目标的缩放因子实时更新下一帧的核带宽,修正算法跟踪窗口的尺寸,以适应目标尺度的变化,从而实现对快速运动目标的尺度定位。最后,通过实验表明,与传统的Mean Shift跟踪算法相比,该算法的跟踪准确率达到97%以上,能够实现对变尺度快速运动目标的精确跟踪。