基于各向异性核函数的均值漂移跟踪算法

均值漂移算法是一种将迭代轨迹滑向局部邻域内均值的迭代算法,已应用于目标跟踪领域。传统的均值漂移算法通常采用各向同性核函数进行跟踪,但视频序列中的跟踪目标的结构随时间而变化,尤其当目标结构快速变化时,基于各向同性核函数的均值漂移跟踪算法常常会导致目标的丢失。该文采用各向异性核函数均值漂移算法实现目标跟踪,由于该核函数的形状、大小、方向能自适应于目标局部结构的变化,保证了跟踪效果的稳定性和鲁棒性。实验结果证明该算法是有效的。     

基于均值漂移的视频目标跟踪改进算法

改进算法通过计算跟踪窗口颜色直方图的质心来自适应的调整跟踪窗口的尺寸,通过比较跟踪结果和目标的差值确定遮挡情况,并启用粒子滤波算法在整幅图像内搜索目标解决目标的遮挡问题,这种改进算法克服了均值滤波算法不能适应目标尺寸变化和不能解决遮挡问题的缺点.实验证明改进算法具有很强的鲁棒性.     

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。     

多特征自适应均值漂移算法的目标跟踪

针对传统均值漂移(mean-shift)算法存在 对目标 特征描述不完整、目标模型不能动态更新、无法解决目标遮挡 等问题, 本文提出多特征自适应均值漂 移算法的目标跟 踪。首先利用人体躯干侧影改进模型核函数,采用目标颜色特征与纹理特征建立目 标直方图模型,提高算法对目标描 述能力;提出选择性模型更新策略,自适应地调整目标模型,改善了传统整体更新策略由于 过度更新导致的跟踪发散;最后 利用扩展卡尔曼滤波 (EKF,extend Kalman filter) 提取目标运动特征确定目标位置。与传统算法相比,本文所提算法能在背景 干扰条件下准确跟踪目标;同时, 图像处理平均速度 达140frame/s ,满足实时性要求。实验结果表明,本文算法可以实时准确地 跟踪目标,对环境干扰、目标遮挡具有鲁棒性。     

基于加权空间直方图的均值漂移目标跟踪

目标模型内的背景像素会造成目标跟踪定位偏差。为了减少背景像素对跟踪造成的定位偏差,首先通过目标区域像素和目标区域周围背景像素的颜色直方图定义了一个加权系数,然后将该加权系数引入到空间直方图的计算中,提出了一种基于加权空间直方图的均值漂移(MS)目标跟踪算法。在此基础上,给出了一种模型更新方法。仿真实验表明,该算法具有很好的跟踪精度,对遮挡具有更好的鲁棒性。     

背景抑制直方图模型的连续自适应均值漂移跟踪算法

针对传统连续自适应均值漂移(CAMshift)跟踪算法在建立目标颜色模型阶段容易包含大量背景颜色信息从而使跟踪效果变差的问题,该文提出一种改进算法。利用混合高斯模型背景法(GMM)将原始图像分割成前景和背景的叠加,在原始图像和背景图像上运动物体所在区域分别建立色调分量直方图,利用背景图像的色调分量直方图计算原始图像中对应色调分量的权值,抑制原始图像中与背景颜色相同的色调,扩大前景与背景颜色的差异性。该方法通过对原始颜色模型中属于背景的色调进行抑制,扩大了目标颜色模型的显著性,提高了跟踪的准确性和稳定性,目标定位的最大中心误差小于20%,能够准确跟踪不发生丢失。     

二维联合特征模型的自适应均值漂移目标跟踪

为了提高自适应均值漂移(CamShift)跟踪方法的跟 踪性能,提出了一种利用色度-微分二维联合特征建立目标模型的 改进CamShift跟踪方法。对每个像素8邻域的色度进行差分计算,最大差分值作为该像素的 微分值,用以 描述像素的相对位置信息和图像的细节信息;根据目标模型的色度-微分二维特征联合直方 图,利用反向投 影获得跟踪图像的色度-微分二维特征联合概率分布图,以减少单独特征建立模型时所产生 的冗余信息的干 扰;利用均值平移方法在跟踪窗内实现目标的定位。对目标尺寸的过大更新加以限制,防止 过多背景信息 干扰目标识别的准确性。仿真实验结果表明,本文方法跟踪性能稳定,当目标与背景相似, 或者背景中出现 与目标相似的干扰区域时,都能实现目标的有效跟踪,提高了CamShift跟踪方法的适 用性,单帧图 像的处理时间小于30ms,满足跟踪系统实时性的设计要求。     

基于Mean-Shift的目标跟踪算法

Mean-Shift算法自从提出以来得到较广泛的应用和发展,但是传统的MS算法对于在视频中大小变换的和移动速度非常快的目标,将不能进行准确的跟踪.为了解决这个问题,已有将卡尔曼预测和MS相融合进行预测跟踪的算法.但是当物体在视频中的尺寸变化的时候,由于不变的核带宽,会产生由背景产生的误差,同样导致跟踪的失败.为此,本文...     

基于均值漂移和粒子滤波的红外目标跟踪

为了提高红外目标跟踪的准确性和稳健性,提出了基于均值漂移(mean shift)和粒子滤波(PF)相结合的红外目标跟踪方法.在PF理论框架下,使用均值漂移为一种迭代模式寻找过程,对随机粒子样本进行重新分配,使粒子向目标状态的最大后验核密度估计方向移动,在均值漂移迭代过程中对样本权值进行更新.红外目标的状态后验概率分布用重新分配的加权随机样本集表示,对随机样本集使用PF算法实现红外目标运动的跟踪.实验结果表明,和一般PF和均值漂移相比,本文方法具有优越性和更强的稳健性.     

基于Camshift与卡尔曼滤波算法的动态目标跟踪

提出了一种结合连续自适应均值漂移(Camshift)与卡尔曼(Kalman)滤波的目标跟踪算法,针对目标受干扰情况,对两种算法的跟踪结果进行线性的加权,从而得到目标的最终位置。实验结果显示,该方法具有良好的目标跟踪效果,且具有很强的稳健性。     

基于颜色和边缘特征的均值迁移目标跟踪算法

综合颜色特征对旋转、变形不敏感和边缘特征对光照、颜色不敏感的优点,提出了一种基于颜色和边缘特征的均值迁移目标跟踪算法,提高了跟踪算法的鲁棒性。利用加权求和的方法获得联合特征的Bhattacharyya系数,以此作为衡量目标模型与候选目标相似程度的依据。实验结果表明,在光照变化时,本文算法的跟踪误差大约是基于颜色特征的均...     

带宽自适应Mean Shift跟踪算法

提出了一种先进行空间定位再确定目标尺度的两级跟踪算法,有效地解决了mean shift算法对尺度变化的适应问题.该算法首先在当前帧对应位置进行降分辨率处理,并以基于增量试探的mean shift跟踪算法收敛点作为当前帧目标中心位置,进而利用对数极坐标变换的旋转、尺度不变性,对目标和候选目标分别进行对数极坐标映射,并通过求取最大归一化相关函数确定目标的尺度变化.跟踪实验表明,该算法可以有效的提高mean shift跟踪算法空间和尺度定位准确性.     

边界约束的核密度估计红外人体目标跟踪方法

基于核密度估计的均值漂移算法因其良好的实时性而被广泛地应用于目标跟踪,但传统的均值漂移算法极易因颜色等信息的缺乏而使跟踪不稳定,且目标尺度的变化也不利于目标位置的准确估计,为此,提出了一种具有边界约束的均值漂移红外人体目标跟踪新方法。该方法通过各向异性扩散,并联合红外图像的梯度与亮度信息来获取目标边界,自适应调整核窗宽,从而利用均值漂移策略进行红外人体目标跟踪。实验结果表明,该方法在红外人体目标尺度改变时仍能实现良好的跟踪。     

基于方向直方图的Mean shift目标跟踪新算法

Mean shift算法是一种非参数密度估计算法,可以实现快速的最优匹配。为了有效地将Mean shift算法应用到灰度图像中,使用空间分布和纹理信息作为匹配信息,提出了一种基于空间方向直方图的Mean shift跟踪新算法。利用卡尔曼滤波器来获得每帧目标的起始位置,再利用Mean shift算法得到跟踪位置。实验结果证明,该算法在目标运动较快,目标尺度变化的情况下仍能稳定、实时、高效地跟踪目标。     

基于图像融合的双波段目标跟踪算法研究

针对红外和可见光图像各自的特点以及单一传感器在目标跟踪中的缺陷,提出了基于双波段融合图像的目标跟踪算法。该方法对原始图像进行小波分解后,为了满足目标跟踪的稳定性及实时性,重点考虑目标跟踪时需要的边缘等细节信息,采用对低频系数取零,高频系数基于小波系数绝对值取大的融合方法,然后对融合后的图像采用基于Mean shift算法进行目标跟踪。实验结果表明,此算法可以稳定并且实时跟踪目标,通过对单波段采用相同的跟踪算法进行比较,算法在性能上优于单波段的目标跟踪。     

带宽自适应均值偏移红外目标跟踪

提出一种多特征融合和带宽自适应均值偏移跟踪算法。基于M-估计器建立位置和带宽关于完整参数型带宽矩阵的迭代更新公式。分析权值图像的本质,基于灰度和局部标准差建立融合权值图像。通过先前目标模板模型和确定的目标模型的平均值生成当前目标模板模型。在位置向量的迭代公式中,采用扩大的带宽矩阵,确保定位精度。为防止由于背景杂波导致带宽膨胀或者由于目标自我相似导致带宽收缩,引入规范准则。跟踪的视觉结果和评估尺度表明,提出的跟踪算法相比于另外三种尺度自适应均值偏跟踪算法,具有最好的性能。     

基于梯度方向检测的自适应带宽mean shift目标跟踪算法

传统核窗宽固定的mean shift跟踪算法不能很好地对尺寸变化的目标进行有效的跟踪。在结合增量试探法和梯度方向检测的基础上,提出了一种适应带宽的mean shift目标跟踪算法。算法能够对逐渐放大和逐渐缩小的目标都能够进行有效的跟踪,解决了增量试探法难以很好地对放大目标进行自适应带宽跟踪的问题,提高了自适应带宽跟踪的准确性。两段不同场景下的运动目标跟踪实验,证实了该算法的有效性。     

基于梯度方向检测的自适应带宽meanshift目标跟踪算法

传统核窗宽固定的meanshift跟踪算法不能很好地对尺寸变化的目标进行有效的跟踪。在结合增量试探法和梯度方向检测的基础上,提出了一种适应带宽的meanshift目标跟踪算法。算法能够对逐渐放大和逐渐缩小的目标都能够进行有效的跟踪,解决了增量试探法难以很好地对放大目标进行自适应带宽跟踪的f＊l题,提高了自适应带宽跟踪的准确性。两段不同场景下的运动目标跟踪实验,证实了该算法的有效性。