基于DESO的Mean Shift目标跟踪算法研究

将基于DESO的运动预测算法和Mean Shift算法相结合,形成一种新的基于Mean Shift的快速目标跟踪算法.该算法以DESO预测位置作为Mean Shift算法下一帧候选模型的计算中心,实现了对快速运动目标的跟踪,并通过DESO对目标运动轨迹进行预测,较好地解决了目标完全遮挡时的跟踪问题.实验结果表明,该算法具有预测精度高、实时性好、抗遮挡能力强的优点.     

基于DESO的Mean Shift目标跟踪算法研究

将基于DESO的运动预测算法和Mean Shift算法相结合,形成一种新的基于Mean Shift的快速目标跟踪算法.该算法以DESO预测位置作为Mean Shift算法下一帧候选模型的计算中心,实现了对快速运动目标的跟踪,并通过DESO对目标运动轨迹进行预测,较好地解决了目标完全遮挡时的跟踪问题.实验结果表明,该算法具有预测精度高,实时性好,抗遮挡能力强的优点.

     

结合尺度不变特征变换和Kalman滤波的Mean Shift视频运动目标跟踪

为解决目标跟踪中运动目标存在较大尺度变化、旋转、快速运动或遮挡时跟踪效果欠佳的问题,提出了一种将尺度不变特征变换(SIFT)特征匹配和Kalman滤波与Mean Shift结合的运动目标跟踪方法。首先,利用Kalman滤波估计目标运动状态,将其估计值作为Mean Shift跟踪的初始位置;然后,当候选目标模型和初始目标模型的相似性测度系数小于某一阈值时,启用SIFT特征匹配寻找目标可能位置,并在该位置处建立新的候选目标模型,同时进行相似性测度;最后,比较两者所得匹配系数,取其中较大者对应的位置作为目标的最终位置。实验结果表明,该算法的跟踪平均误差较单独将Kalman滤波或SIFT特征与Mean Shift结合的跟踪算法减小了约20%。     

基于Mean Shift算法的目标跟踪综述

介绍Mean Shift算法及其研究进展,在众多计算机视觉研究和实际应用,尤其是视频跟踪研究中,基于Mean Shift算法的视频跟踪被大量应用。就目前所应用的跟踪算法,Mean Shift算法使跟踪中存在的很多问题得到了解决,例如运动目标的突然加速,背景的干扰,目标和目标以及目标和背景之间的遮挡,背景或者目标外部的变化等。对目前基于Mean Shift算法本身及其改进方法的理论和应用进行分类和比较,详述其各自方法内容和优缺点。     

基于特征匹配预估的Mean Shift运动检测与跟踪

针对传统Mean Shift跟踪算法在目标存在背景干扰或遇到遮挡时,目标跟踪不准确的问题,提出了一种基于特征匹配运动检测预估的Mean Shift跟踪方法.采用Harris算法提取跟踪目标特征点进行运动定位检测,通过Kalman滤波器估计每一帧中目标迭代的起始位置,由Mean Shift算法从预估位置开始迭代搜索,最终实现目标跟踪.实验证明:提出的算法能够在遮挡的情况下对目标进行精准的定位检测,有效改善了复杂条件下的跟踪效果,具有较好的鲁棒性.     

一种健壮的目标多自由度Mean Shift序列图像跟踪算法

鉴于现有的Mean Shift跟踪方法都是使用单一半径参数来描述目标大小变化,且每个目标仅有位置和尺寸两个自由度,因而不能适应复杂的目标运动情况.针对该问题,首先提出了一种新的Mean Shift跟踪方法,由于该方法是通过引入带宽矩阵来描述目标尺寸,因此能够在水平和垂直两个方向上独立描述目标的大小变化,并通过加入目标倾角,使得目标旋转运动得以很好描述;然后借鉴了三步搜索的思想,提出了一种快速搜索策略,以解决目标遮挡问题.实验表明,该算法能够准确跟踪序列图像中的任意复杂运动,尤其对目标的缩放、旋转运动以及遮挡有良好的适应性.     

基于Mean Shift算法和灰度模板匹配的运动目标主动跟踪

该文提出了一种综合Mean Shift算法和灰度模板匹配的主动跟踪算法。该算法利用灰度模板匹配与运动目标在图像的位置无关的特点,在视角和焦距发生变化后用灰度模板进行穷尽搜索,再用匹配结果更新Mean Shift搜索窗口,解决了Mean Shift算法要已知目标区域才能正确跟踪的问题。该算法能在视角和焦距发生变化的情况下能正确的跟踪运动目标并能使被跟踪的运动目标始终保持在图像的中心区域。实验表明,该算法具有较好的可行性。     

噪声方差未知条件下的视频目标跟踪

目的 基于卡尔曼滤波的视频目标跟踪算法需要事先获得过程噪声和观测噪声方差,但在实际应用中,无法得知这两种噪声方差的准确值。此外,由于目标运动的随机性和视频场景中背景的复杂性,噪声方差也会随时间发生动态变化。如果设定的噪声方差不准确,跟踪精度会受影响,严重时会导致目标跟踪失败。考虑到上述问题,提出一种新的解决方法。方法 将带遗忘因子的推广递推最小二乘法(EFRLS)运用到视频目标跟踪研究领域。在该算法中,无需使用噪声方差,首先利用Mean Shift算法获得目标位置的初步估计,再利用EFRLS算法估计下一帧目标的位置。结果 该算法明显好于传统Mean Shift算法,并且与Kalman结合Mean Shift算法的跟踪性能相当。此外,在目标发生严重遮挡时,该算法优于Kalman结合Mean Shift算法,具有较好的跟踪性能。结论 本文算法无需设置噪声参数,可以实现目标在发生严重遮挡和遮挡后目标重新出现的情况下的准确跟踪,提高了跟踪的鲁棒性,具有一定的工程使用价值。     

一种复杂场景下的运动目标跟踪算法

提出了一种基于跟踪窗口自适应和抗遮挡的目标跟踪算法。采用Mean Shift算法确定当前帧的目标位置,最优选取核函数带宽,使跟踪窗口能够根据目标尺寸大小作出自适应调整。利用Bhattacharyya系数作为遮挡的判断依据,当目标遮挡时引入卡尔曼滤波器估计目标的运动信息,进行后续状态预测。实验表明,该算法能有效跟踪复杂场景下的运动目标。     

彩色序列图像中实时运动目标跟踪方法

提出了一种彩色序列图像中的实时运动目标跟踪算法,该算法首先利用综合帧间差分法与背景差分法两种方法优点的动态背景更新算法来检测各种运动目标,在后续的图像序列中,利用运动检测算法来确定目标跟踪的起始点,并利用Mean Shift算法来跟踪运动物体;然后再更新Mean Shift的目标模板。实验结果表明,该算法能够克服Mean Shift算法对尺度变化的物体的跟踪效果较差且不能检测突然出现在图像序列中的物体的不足,快速准确地跟踪各种物体。     

基于镜像MeanShift的遮挡目标跟踪算法

针对当目标跟踪过程中目标被全遮挡时易导致目标跟踪不精确、甚至丢失目标的问题,提出一种基于镜像Mean Shift的遮挡目标跟踪算法.当前后帧Bhattacharyya系数匹配度大于等于80%时,表示目标没有被遮挡,采用颜色特征和轮廓特征定位目标,利用分块沙包窗核函数实现尺寸自适应;当前后帧Bhattacharyya系数匹配度小于80%时,表示目标进入遮挡区域,则利用先验训练分类器和镜像原理对遮挡区域目标的位置和尺寸大小进行预测;当前后帧Bhattacharyya系数匹配度再次大于等于80%时,表示目标离开遮挡区域,则转换为Mean Shift跟踪.实验结果表明:所提算法与子区域分类器的在线Boosting算法和多视角多目标协同追踪算法相比,在目标全遮挡的情况下能更好地跟踪目标,提高了跟踪精度和鲁棒性,且满足实时性要求.     

基于Mean Shift的多模板目标跟踪算法

目标跟踪是计算机视觉研究领域的热点之一,并得到广泛应用。其中基于Mean Shift的运动目标跟踪算法因其计算量小,实时性好,简单易行等特点而受到广泛关注,但该算法在目标突变或严重帧丢失以及目标严重遮挡的情况跟踪效果不佳,留下了改进空间。在传统基于Mean Shift运动目标跟踪方法基础上,通过创建并维护多样性模板库为跟踪过程提供更丰富的目标描述信息,提高算法运动目标跟踪效果。实验结果表明,新算法较好地解决了在目标突变和严重帧丢失情况下不能准确跟踪目标的问题,并且对目标的完全遮挡也具有很好的鲁棒性。     

基于卡尔曼滤波的多区域关联运动目标跟踪

针对视频目标跟踪中的遮挡及跟踪漂移问题,提出一种基于卡尔曼滤波的多区域关联运动目标跟踪算法。该算法将目标划分为多个区域并构建无向图,通过卡尔曼滤波预测出各区域中心,再结合灰度直方图匹配及相邻区域的位置关系,计算出各区域观测中心,最后应用卡尔曼滤波修正观测中心实现跟踪。对两区域人体目标跟踪的实验结果表明,与各区域单独采用Mean Shift跟踪算法相比,所提算法在目标遮挡、目标与背景特征相似的情况下,依然具有较好的鲁棒性和实时性。     

一种快速多人脸跟踪算法

提出一个基于Mean Shift的实时多人脸跟踪算法。通过引入自适应目标跟踪窗口,改进了Mean Shift算法的目标连续跟踪性能;提出序贯跟踪法解决多人脸跟踪过程中目标发生粘连重叠的问题;引入多辅助信息解决了相邻两帧中人脸的对应问题。为进一步提高整个算法的跟踪速度和鲁棒性,引入卡尔曼滤波器对目标进行预测。实验结果表明该算法具有很好的实时性和跟踪效果。     

干扰环境下运动目标跟踪的背景滤波

基于Mean Shift的目标跟踪算法,在目标发生明显尺度变化或存在背景干扰的情况下,跟踪就会失败。为此,针对跟踪过程中的背景干扰问题,提出根据目标运动状态进行背景滤波的目标跟踪算法。根据目标跟踪过程中产生的运动轨迹估计目标位移和速度,沿着目标可能的运动方向的反方向对候选区域进行背景滤波,滤波区域宽度根据目标位移大小确定。实验结果表明,改进后的算法对背景信息具有较好的鲁棒性,提高目标跟踪的可靠性。     

结合尺度估计MST和粒子滤波的视频目标跟踪

在视频序列的实时目标跟踪中,针对经典均值漂移跟踪（MST）方法不能应对遮挡、尺度变化等问题,提出一种结合MST、自学习尺度探测器和粒子滤波的跟踪方法。采用MST算法在视频帧中跟踪目标,当目标收敛到局部最小值时重新初始化目标。提出一种基于在线学习的探测器,用来自适应更新MST的目标模型,使其能够自动调整目标尺度。另外,当出现完全遮挡时,启动粒子滤波器,通过概率计算来估计目标位置,使MST能够在目标离开遮挡时恢复跟踪。在通用数据集PETS视频序列上的实验结果表明,相比其他几种较新的MST方法,提出的方法具有更高的跟踪准确性,可以应用于实时检测和目标跟踪等应用中。     

基于改进CAMShift的运动目标跟踪算法

针对视频序列图像目标跟踪中Mean Shift算法提取目标颜色特征易受背景影响的问题,首先选取非线性核密度估计方法用来进行运动目标的检测,然后采用CAMShift方法对检测到的目标进行跟踪,并结合非线性核密度估计的检测结果对目标直方图进行自适应更新。还针对目标的遮挡问题给出解决方法。实验结果表明,引入背景减法与CAMShift相结合的策略,能够实现运动目标的自动跟踪,并实现目标直方图的自适应更新。该算法的可靠性能满足实时检测的要求,较好地解决了光照变化、阴影及遮挡等造成的影响。