基于卡尔曼滤波的移动机器人运动目标跟踪

提出了一种基于卡尔曼滤波的运动目标快速跟踪算法。针对复杂背景下彩色运动目标跟踪问题,采用基于颜色特征和形状特征相结合的方法进行目标识别。利用卡尔曼滤波器的预测功能,预测运动目标在下一帧中的位置,将图像全局搜索问题转换为局部搜索,提高了系统的实时性。实验结果表明:该算法满足移动机器人运动控制的实时性要求,实现了对运动目标的快速跟踪。     

A hybrid occlusion free object tracking method using particle filter and modified galaxy based search meta-heuristic algorithm

An important problem in tracking methods is how to manage the changes in object appearance, such as illumination changes, partial/full occlusion, scale, and pose variation during the tracking process. In this paper, we propose an occlusion free object tracking method together with a simple adaptive appearance model. The proposed appearance model which is updated at the end of each time step includes three components: the first component consists of a fixed template of target object, the second component shows rapid changes in object appearance, and the third one maintains slow changes generated along the object path. The proposed tracking method not only can detect occlusion and handle it, but also it is robust against changes in the object appearance model. It is based on particle filter which is a robust technique in tracking and handles non-linear and non-Gaussian problems. We have also employed a meta-heuristic approach that is called Modified Galaxy based Search Algorithm (MGbSA), to reinforce finding the optimum state in the particle filter state space. The proposed method was applied to some benchmark videos and its results were satisfactory and better than results of related works.     

一种基于遗传算法和卡尔曼滤波的运动目标跟踪方法

提出了一种基于遗传算法和卡尔曼滤波的运动目标跟踪方法。该方法利用卡尔曼滤波预测目标中心在下一帧图像中可能出现的位置,以该位置为中心,建立候选的目标搜索区域。以跟踪目标的灰度统计特征为模板,以Bhattacharyya系数来度量目标模板与候选目标区域的相似性,并以此相似性作为遗传算法适应度函数,以候选目标中心坐标作为参数编码,利用遗传算法进行匹配搜索,最终获得最佳候选区域中心位置,同时以该位置作为观测值,进行下一帧预测。实验结果表明,该方法具有较好的实时性和鲁棒性。     

一种基于Mean Shift和Kalman预测的带宽自适应跟踪算法

Mean Shift算法是视觉监控领域广泛应用的经典目标跟踪方法,但对于速度过快或尺度变化大的目标的跟踪存在较大的缺陷。针对这一问题,提出了一种基于Mean Shift和Kalman方法预测的带宽自适应跟踪算法。该算法提出以Kalman预测目标在下帧中的位置作为Mean Shift迭代初始位置,以高效锁定各类运动目标;同时采用增量试探法自动调节带宽以适应目标的尺度变化。通过对行人和车辆等不同监控对象的实验表明,该跟踪算法具有良好的鲁棒性。     

基于CamShift和Kalman滤波混合的视频手势跟踪算法*

提出了一种基于CamShift和Kalman滤波混合的跟踪算法,实现了对视频图像中动态手势的跟踪。在跟踪过程中,CamShift利用手势的颜色直方图模型,将图像序列通过一个肤色概率查找表转换为肤色概率分布图,结合运动信息和肤色概率分布,初始化一个搜索窗的大小和位置,并根据上一帧跟踪的结果自适应调整搜索窗口的位置和大小,从而定位出当前图像中手势的中心位置。在CamShift算法基础上利用Kalman滤波对搜索窗口进行运动预测。实验表明,该算法快速准确可靠,并且较好地处理了跟踪过程中大面积肤色干扰问题,对复杂     

一种基于改进码本的车辆检测与跟踪方法

为了解决固定摄像机下车辆跟踪过程中阴影对检测的影响,提出一种改进型码本模型的车辆检测方法。该方法直接对YUV空间的车辆序列进行处理,将采样到的背景值聚类成码本,对于新输入的像素值与其对应位置的码本作比较判断,提取出前景区域。车辆跟踪中采用Kalman预测的方法来处理车辆遮挡问题。实验结果表明,本算法可以从复杂交通场景图像序列中快速有效地检测出运动目标,能较好地处理阴影、高亮、遮挡和背景变化等问题,且计算复杂度小,能满足实时跟踪的需要。