多特征连续自适应均值漂移人脸跟踪算法

传统连续自适应均值漂移人脸跟踪算法,仅使用了人脸的色调特征,容易受到光照及相同背景色影响,为此,提出将人脸颜色和表示线端、角点、边界相关的纹理信息相结合共同构成人脸特征的CAMSHIFT算法。首先,采用带有权重的RGB颜色空间创建归一化的人脸直方图模型;然后,在视频图像中进行目标人脸直方图投影,同时进行纹理检测,保留纹理信息的人脸颜色特征,形成概率密度分布图;最后,由Mean Shift算法从当前位置迭代寻找直至定位目标人脸。实验结果验证了该算法可以抵御同色背景和部分遮挡的影响。     

基于均值漂移—连通域标记的多目标跟踪算法*

提出一种基于Mean Shift改进算法与连通域标记的多目标跟踪算法。在多目标跟踪过程中,对目标瞬间丢失、目标遮挡或重叠时目标跟踪失败等情况有较好的改进。在跟踪过程中,当目标丢失时,基于改进的Mean Shift算法能自适应调整搜索窗口尺寸和方向。通过自适应扩展搜索窗口,利用连通域标记算法搜索目标并计算其矩特征来获得跟踪目标的重心和大小信息,并将获得的位置和尺度信息作为下一帧Mean Shift算法跟踪初始坐标和尺度,统计目标区域颜色直方图作为Mean Shift算法目标模型,从而解决了因目标速度过快而引起的目标瞬间丢失问题。最后研究结果显示,这种改进的目标跟踪算法可以有效改善多目标跟踪的性能,实现目标连续跟踪。     

基于空间边缘方向直方图的Mean Shift跟踪算法

传统的基于色彩直方图或空间色彩直方图的Mean Shift跟踪算法,在诸如跟踪目标出现尺度变化的复杂条件下,无法得到准确的跟踪结果。这是因为色彩直方图或空间色彩直方图无法显著区分颜色相近的目标和背景。鉴于此,提出了一种基于空间边缘方向直方图的Mean Shift跟踪算法,使用空间分布和纹理信息作为匹配信息。实验结果表明,该算法能够有效的处理遮挡、光照变化和尺度缩放等复杂情况,对目标进行准确有效的跟踪,改善了传统方法在尺度缩放等方面的局限性。     

光照鲁棒的Mean Shift跟踪方法

针对Mean Shift跟踪方法存在的光照不稳定问题,提出了一种光照鲁棒的Mean Shift跟踪方法。该方法采用颜色特征和局部二元模式特征（Local Binary Pattern)两种特征相结合来描述目标,其中局部二元模式特征的光照不变性使得目标模型更加鲁棒。同时,为了避免原始Mean Shift跟踪方法中bin-to-bin度量带来的不稳定性,该方法采用了一种新的cross-bin度量,该度量更好地融合了多层次的特征信息,使得光照变化下的特征匹配更加稳定。实验表明,该方法在光照变化情况下能取得比原始Mean Shift跟踪方法更好的性能。     

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。     

基于Mean Shift算法视频跟踪研究

为改善Mean Shift算法的跟踪性能,分析了Mean Shift算法跟踪局限性,对Mean Shift算法流程进行了改进.Harris特征角点具有对光照、旋转、部分仿射变化以及噪声干扰具有很好的鲁棒性的特性可解决Mean Shift算法在背景过于复杂时的跟踪失败问题.Surf算法则具有对旋转、尺度缩放、亮度变化保持不变性,检测和匹配速度快等优点,能辅助Mean Shift算法在帧速过快情况下解决跟踪失败问题.提出了融合Harris角点和Surf算法的改进型Mean Shift算法.实验表明改进后的算法改善了Mean Shift算法在背景复杂以及帧速过快情况下的跟踪性能.     

基于自适应阈值Kirsch-LBP纹理特征的均值漂移目标跟踪算法

针对以颜色特征建立概率模型的Mean Shift目标跟踪算法在光线变化时存在的缺陷,提出了一种融合 改进型纹理特征与HSV颜色特征的Mean Shift目标跟踪算法。首先,设计一种具有抗光性能的自适应阈值Kirsch-LBP纹理特征算子,该算子利用Kirsch算子的8个方向模板所求的差值,并采用LBP模板均值作为自适应阈值,再按照旋转不变LBP原理提取局部纹理特征;其次,利用不同特征相似性系数间的关系作为加权准则来构建新的权重;最后,将其嵌入到Mean Shift算法中以实现目标跟踪。对比实验结果表明,本算法在光线变化场景中也具有良好的目标跟踪特性,广泛适用于光照变化和姿态变化等复杂场景下的目标跟踪领域。     

HLBP纹理特征Mean Shift目标跟踪算法

经典Mean Shift目标跟踪算法采用单一颜色特征建立目标模型,在目标颜色与背景颜色相近或遮挡的情况下,目标跟踪鲁棒性差,为此,提出另一种Mean Shift目标跟踪算法。采用Haar型局部二值模式(Haar local binary pattern,HLBP)算子提取HLBP纹理特征,利用HLBP纹理特征具有较强辨识度、对光照变化不敏感等特点,代替原始视频图像序列,建立HLBP纹理特征的空间概率密度分布模型来表征目标特征;在此基础上,在Mean Shift框架下获取目标位置估计值,实现目标的跟踪。对比实验结果表明,该算法具有较高的目标跟踪精度和鲁棒性。     

多颜色直方图自适应组合Mean Shift跟踪

经典Mean Shift跟踪算法使用单一颜色直方图跟踪目标,导致其对目标外观的变化鲁棒性较差。为了解决该问题,提出一种多颜色直方图自适应组合Mean Shift跟踪算法。该算法利用多个视图的颜色核函数直方图的加权组合作为目标模型进行Mean Shift跟踪;为了适应目标外观的变化,利用目标区域对每一颜色直方图的概率图均值和方差的比值评价每一颜色直方图的可靠性,并自适应地计算其组合权值。实验结果表明,与现有Mean Shift跟踪算法相比,提出的跟踪算法对目标的外观变化具有更强的鲁棒性。     

粒化的Mean Shift行人跟踪算法

Mean Shift行人跟踪采用颜色特征直方图作为跟踪特征,存在易受背景颜色干扰等问题。基于此,在传统的Mean Shift行人跟踪算法中引入粒计算的思想,提出粒化的Mean Shift行人跟踪算法,对图像目标区域作粒层分块来提取块颜色特征信息,并在颜色特征表示上作不同粒度的粒化,最后在Mean Shift迭代框架下实现行人跟踪。该方法相比传统的跟踪方法具有计算复杂度更低、稳健性更好的优点。在PETS2009和CAVIAR数据库上的实验表明,这种方法跟踪正确率更高,在颜色干扰下稳健性更好,能够实时有效地跟踪行人。     

多特征带宽自适应Mean Shift目标跟踪算法

在传统均值漂移跟踪算法中,其核函数带宽缺乏较好的自适应调整特性,且易受背景色干扰。为此,提出一种多特征带宽自适应目标跟踪算法。采用颜色和纹理信息创建特征模型,在最优目标位置区域投影,以生成概率密度分布图,通过计算获得目标密度块的长度和宽度,从而自适应调整核函数带宽,用椭圆锁定目标,椭圆形状参数由目标概率密度的矩运算获得。实验结果表明,该算法能够有效适应目标缩放、旋转等复杂运动,并能抵御一定光照变化及背景色干扰影响。     

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%。     

双环MeanShift视频跟踪算法

针对传统均值漂移跟踪算法在目标特征提取、模板匹配度量和带宽固定方面存在缺陷,提出一种双环MeanShift视频跟踪算法。该算法采用万向椭圆的特征提取方式,能更有效地抑制背景信息影响,较好地提高目标模型质量。引入双环描述因子能突出目标本身特征权重,改善图像匹配峰值特性,并通过双环之间的关系自适应地更新核函数的带宽。仿真实验结果表明该算法在目标具有明显尺度变化、姿态扭曲和部分遮挡的情况下,可以获得准确和鲁棒的跟踪效果。     

Mean Shift目标跟踪核函数宽度的自适应调整

Mean Shift算法无需穷尽搜索就可快速定位目标,因此被广泛应用于实时性要求较高的目标跟踪领域中。但传统Mean Shift算法的核函数宽度,也即跟踪窗口是固定的,不能适应目标大小变化,定位精度低。针对该问题,提出一种目标尺度度量方法,并应用于Mean Shift算法中,实现核函数宽度随着目标大小变化而自适应调整,实验仿真结果表明改进后的算法能很好地跟踪目标大小的变化,跟踪效果很好。     

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。     

基于自适应核窗宽的红外目标跟踪算法

针对传统均值漂移算法无法对对比度低、尺度变化的红外目标进行有效跟踪的问题,提出一种改进MeanShift算法.首先融合灰度和纹理两方面的信息,并分别定义背景灰度和纹理加权系数,实现了目标的准确定位;然后,提出一种基于背景和前景目标相似度的核窗宽选取算法,自动选取窗口缩放比例,得到与目标尺度一致的跟踪窗口.实验结果表明,所提出的算法能够实现对红外目标的跟踪,并且对尺度变化的目标具有较好的适应性.     

基于空间关联特征分布的目标跟踪

通过利用特征全局分布信息,提出一种以网格为数据单元的Mean Shift的目标跟踪算法(grid mean shift,GRIMSHIFT).针对传统Mean Shift目标跟踪算法的不足,GRIMSHIFT算法在m*n个像素的网格小区域内提取如颜色、角点量等局部区域特征值.在此基础上结合整幅图像进行约束Delaunay三角剖分得到图像像素间全局空间关联信息.在网格级上把局部特征信息和全局分布信息加权混合,使特征分布数据集具有了更高的目标辨识度;在视频序列中对动态网格特征分布连续运用Mean Shift便实现了对目标的跟踪.实验结果表明GRIMSHIFT拥有良好的实时性和准确性.     

基于改进的Mean Shift鲁棒跟踪算法

Mean Shift跟踪算法在目标尺度变化大和被遮挡时存在较大的缺陷。针对这一问题,提出了一种基于多级正方形匹配的自适应带宽选择和分块抗遮挡的目标跟踪算法。该算法采用目标中心点的离散程度和增量试探法计算出可能的变化尺度,然后采用多级正方形匹配法预测目标的运动趋势,将巴氏系数最大者的尺度作为Mean Shift核函数新的带宽。同时,对前景目标进行分块,根据子块的遮挡程度自适应改变子块权重并按一定准则融合有效子块的跟踪结果。实验结果表明,该算法具有很好的鲁棒性。     

一种基于Mean Shift的快速跟踪算法

针对Mean Shift算法难以跟踪快速运动目标、算法迭代次数多以及耗费时间长的问题,提出了一种基于Mean Shift的快速运动目标检测方法,该方法结合帧差法并融合背景信息来快速检测运动目标;同时提出一种新的相似性度量方法进行初步检测,排除干扰并快速选出符合标准的目标以进行Mean Shift匹配,找出最佳目标。该方法不仅减少了传统方法的迭代次数,缩短了算法所需时间,而且在跟踪实验中取得了较好的跟踪效果,提升了算法的鲁棒性。