基于分块与前景/背景信息的MeanShift目标跟踪

针对经典Mean Shift跟踪算法在目标遮挡和复杂背景情况下易造成目标漂移甚至丢失的缺点,该文研究了基于分块与前景/背景信息的Mean Shift跟踪方法.首先根据实际目标尺寸对跟踪窗口进行分块,然后对每个子块独立进行Mean Shift跟踪,最后按照一定的准则融合每个子块的跟踪结果以确定整体目标的位置.并且,通过目...     

融合两层卡尔曼滤波和Mean Shift的自适应目标跟踪算法

为了改进Mean Shift算法及其与卡尔曼滤波融合跟踪算法的性能,提出了融合两层卡尔曼滤波和Mean Shift的自适应目标跟踪算法。首先通过运动学方程建立第一层的数学模型;然后利用巴氏系数、滤波器噪声与跟踪结果之间的关系,自适应地调整跟踪结果,得到目标的位置;最后对目标核函数直方图中的每个非零元素进行第二层滤波,通过动态变化的滤波残差和巴氏系数,实时调整更新滤波器中的各项参数,得到滤波后的目标模板。实验表明,该文算法与Mean Shift算法和单层卡尔曼滤波算法相比,在目标遮挡、光照变化和复杂环境下的跟踪效果更好。     

融合灰色预测和HOGI特征的红外目标跟踪方法

针对红外目标跟踪时不能有效提取目标特征这一问题,提出了一种新的红外目标稳健跟踪方法．首先利用灰色模型预测目标位置,然后建立以此预测位置为中心候选目标区域的方向梯度-灰度直方图特征模型,并将此特征引入到Mean Shift算法中,以实现对红外目标的精确跟踪．仿真结果表明了该方法跟踪精度高,在目标出现部分遮挡或全部遮挡时,仍能跟踪目标,确保目标不丢失,体现出该跟踪方法良好的鲁棒性．     

基于粒子滤波/Mean Shift的改进跟踪算法

针对单一特征所带来的跟踪不稳定问题,该文提出一种基于纹理特征粒子滤波/Mean Shift的改进目标跟踪算法。该算法中建立一种选择反馈机制,首先对目标同时进行基于纹理信息的粒子滤波和基于颜色信息的Mean Shift两种算法的跟踪,然后对两种算法的跟踪结果进行比较,选择结果较好的输出,并把结果反馈到粒子滤波与Mean Shift中作为下一帧处理的初始值。实验结果表明,该方法克服了单一特征所带来的跟踪不稳定问题且具有较强的鲁棒性。     

基于张量梯度直方图的Mean Shift跟踪算法

使用基于颜色直方图的Mean Shift跟踪算法,当目标在相似颜色背景、光照变化的情况下,视频跟踪性能迅速下降.文章提出了一种基于张量梯度直方图的Mean Shift跟踪算法,该算法使用张量梯度将RGB三维空间融合为一维空间,在有效地保护原向量方向性的前提下降低了维数.实验结果表明,基于张量梯度直方图的Mean Shift跟踪算法耗时少,对光照变化不敏感,且对颜色变化依赖程度低,适合背景混淆和光照变化场合下跟踪.     

一种自适应的运动目标实时跟踪算法

提出了一种基于均值平移（Mean Shift）和粒子滤波融合的自适应运动目标跟踪算法。该算法在处理来自PTZ (Pan/Tilt/Zoom）摄像机的视频图像时，自适应地更新直方图模板的特征信息，并结合Mean Shift算法来控制粒子滤波中粒子的产生，根据粒子的权值计算目标的位置。测试结果验证了该算法的实用性和有效性。     

一种自适应的运动目标实时跟踪算法

提出了一种基于均值平移（Mean Shift）和粒子滤波融合的自适应运动目标跟踪算法。该算法在处理来自PTZ (Pan/Tilt/Zoom）摄像机的视频图像时，自适应地更新直方图模板的特征信息，并结合Mean Shift算法来控制粒子滤波中粒子的产生，根据粒子的权值计算目标的位置。测试结果验证了该算法的实用性和有效性。     

基于模糊背景加权的Mean Shift目标跟踪算法

针对Mean Shift跟踪算法在复杂背景下跟踪效果不佳的问题,该文提出了基于模糊背景加权的Mean Shift算法。引入基于差分的模糊隶属函数,利用目标模型和背景模型的差分,更加细化地表示各个像素对目标准确描述的贡献度,提高了目标描述的准确性。同时利用背景信息对原始的尺度增减法进行改进,更好地适应了目标尺度变化。实验验证该算法在一定程度上解决了尺寸增减法的小尺度游荡和跟踪滞后问题,提高了Mean Shift算法在复杂背景干扰下的鲁棒性。     

强背景噪声下红外目标的鲁棒性跟踪算法

提出了一种将边缘检测与改进Mean Shift 算法相结合的红外目标跟踪算法．初选了原始红外图像边缘后,再利用非线性边缘检测算法进行处理,有效地消除了原始红外图像中的大部分噪声,并能获取高质量的图像边缘信息．在此基础上,采取更新目标模型、目标模板背景加权以及候选目标区域核加权的方式改进Mean Shift算法,以增强Mean Shift算法跟踪目标的稳定性及对背景噪声的鲁棒性,从而实现强背景噪声下运动红外目标的快速、准确跟踪．实验结果表明,该算法不仅计算量较少,提高了跟踪速度,而且对背景噪声有很强的鲁棒性．     

一种改进的CamShift运动目标跟踪算法

Cam Shift算法具有复杂度低,实时性和鲁棒性好等优点,被广泛地应用于目标跟踪领域。但是Cam Shift算法在运动目标接近与其颜色相近的固定遮挡物时,跟踪会出现明显的偏移。针对这一问题,提出了一种解决与运动目标颜色相近的固定遮挡物对目标跟踪的干扰的方法。首先,运用单高斯背景模型对运动目标进行背景建模;其次,通过背景模型与当前帧的运算,确定与运动目标颜色相近的固定遮挡物所在的位置;最后,利用H分量灰度图计算运动目标所在位置。实验结果显示,该方法在运动目标接近相似颜色固定遮挡物时,能很好地跟踪运动目标。