一种改进的Mean Shift运动目标跟踪算法

首先研究了Mean Shift算法(均值漂移算法),针对Mean Shift算法在跟踪视频运动物体应用中的不足,提出了将卡尔曼滤波预测的窗口和三帧差法提取的窗口通过加权的方式,产生一个新的检测窗口作为均值漂移算法的检索窗口,同时对核函数带宽和目标模型进行更新。实验表明经过优化的算法,对运动物体跟踪有了明显的改进,有了更好的鲁棒性。     

一种快速多人脸跟踪算法

提出一个基于肤色的快速多人脸跟踪算法.利用多个CAMShift跟踪器实现多人脸跟踪,提出最优排序法和目标消除法解决多人脸跟踪过程中目标发生粘连重叠的问题;引入多辅助信息和表决制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,该算法可实时稳健地实现多人脸跟踪.     

基于Camshift的改进人脸跟踪算法

文中利用目标加速度运动位移方程,预测下一时刻目标可能移动的位置,使用预测位置误差方程,估测运动目标搜索范围,并且通过启动多个Camshift跟踪器的方法,改进Camshift算法。仿真实验表明,该方法有效地克服了Camshift算法自身的缺陷,即使是加速运动的目标,也可准确地预测运动目标的位置,并且有效提高了对遮挡目标跟踪和多个人脸目标跟踪的鲁棒性。     

基于局部特征和Mean Shift的目标跟踪算法研究

利用均值漂移进行目标跟踪的算法,在被跟踪目标出现旋转、尺度变化、噪声干扰等情况下,无法得到准确的跟踪结果。文中提出了基于当前流行目标跟踪算法和局部特征相结合的算法,基于局部特征-形状上下文(Shape Context)特征的Mean Shift目标跟踪算法。该算法首先提取目标的轮廓信息和特征,根据采样点之间位置和距离关系建立Shape Context直方图,最后所有点的Shape Context直方图构成了图像的Shape Context特征,最后根据Mean Shift算法进行跟踪。实验结果表明,该算法在跟踪目标出现尺度变化、旋转、噪声干扰和遮挡等情况下能够准确地跟踪物体,鲁棒性好。     

基于Mean Shift的序列图像手势跟踪算法

将Mean Shift算法应用于序列图像中的手势跟踪,利用梯度优化方法实现快速目标定位,能够对非刚性目标实时跟踪,并且对目标的变形、旋转等运动有较好的适用性.实验结果表明,Mean Shift算法在目标姿态变化、光照变化下的跟踪效果较好.     

基于人脸检测和多线索融合的实时人脸跟踪系统

在分析和总结国内外对人脸检测与跟踪的相关研究成果的基础上,研究提出了在Viola-Jones人脸检测算法中引入运动区域检测和人脸肤色检测以缩小人脸检测的搜索区域,有效地提高了人脸检测的帧处理速度,并降低了人脸检测的误检率。对基于Meanshift算法和基于光流法的人脸跟踪方法进行了研究与分析,分析了各算法的优缺点,利用各算法之间性能上的互补性,通过各模块之间的协同合作设计并实现了一个实时人脸检测与跟踪系统,并设定了相应的评价参数,通过实验室录制视频和NRC-IIT视频人脸数据库对系统进行了性能测试。     

一种基于多特征模型的Mean Shift跟踪算法

计算机视觉领域中,目标跟踪技术有着广泛的实用价值。在复杂背景下要准确和稳定地实现目标跟踪,势必需要多信息融合技术。文章针对传统的基于颜色概率模型的Mean Shift算法忽略了目标空间信息这一不足,提出了联合特征的Mean Shift算法。文中将跟踪窗内子图像进行多级小波分解,用多级小波子带系数的统计特性构成纹理特征向量,再加权融合颜色概率直方图特征向量作为最终匹配特征向量。实验结果表明,在复杂背景下,该方法比传统基于颜色概率直方图模型的Mean Shift算法在准确性和鲁棒性上均有所提高。     

具有自适应MB-LBP前置滤波的CAMShift人脸跟踪算法

基于颜色分布的连续自适应均值移动（CAMShift）人脸跟踪算法简单、易于实现,被广泛应用于实时跟踪。但因其采用肤色模型作为跟踪模式,所以当目标处于类肤色背景区域时,跟踪窗口极易错误收敛到背景区域从而导致跟踪失败。为此,本文提出一种具有自适应LBP前置滤波的CAMShift跟踪算法。首先训练一个能检测人脸基本特征的级联MB-LBP节点分类器。当跟踪窗口进入类肤色干扰区时,系统自适应地把该分类器接入作为CAMShift跟踪算法的前置滤波器,以排除背景中的类肤色干扰,提高算法的鲁棒性。实验结果表明,该算法既能有效排除背景中的类肤色干扰、显著提高CAMShift人脸跟踪算法的鲁棒性,又能保持人脸跟踪的实时性。      

基于Mean Shift算法的运动目标跟踪研究

Mean Shift算法是一种基于颜色直方图的非参数核密度估计算法,由于其具有计算简单和鲁棒性强等优点被广泛应用于视觉跟踪等领域中。本文对Mean Shift算法的跟踪原理进行了详细描述,给出了目标跟踪的具体实现方法和过程。最后,通过对一组动物视频图像进行跟踪实验,验证了该算法具有很好的跟踪性能,对速度比较小的运动目标具有很好的鲁棒性。     

基于Mean Shift算法的嵌入式实时彩色目标跟踪

为满足Mean Shift算法的实时运行要求,提出了核函数量化以及相关计算权值整数化的方法,将复杂的浮点运算转化为整数运算,减小算法的运算量.设计了以高性能DSP芯片TMS320C6418结合大规模门阵列的嵌入式目标跟踪平台,并与一个具有两自由度伺服系统构成闭环跟踪网络.目标的脱靶量(目标偏离视场中心的距离)作为反馈信号控制伺服系统带动摄像机运动,使目标处于视场的中心附近.实验结果表明系统具有良好的稳定性.     

基于Mean Shift的抗遮挡运动目标跟踪算法

采用Mean shift和Kalman滤波器相结合来处理动态背景下目标跟踪问题.首先利用Kalman滤波器进行预估计获得每帧Mean Shift算法的起始位置.由图像差分法得到物体轮廓.同时定义了相似因子判断物体是否发生遮挡.当发生遮挡时,根据物体运动状态不同.对颜色信息和运动信息分别赋予不同权值来预测物体在当前帧的位置并作为下一帧预测的起点.此时,目标位置的线性预测替代了Kalnlan滤波器的作用.实验证明,新算法可实现对快速运动目标的跟踪,对遮挡也有很好的稳健性.     

基于自适应多特征融合的均值迁移红外目标跟踪

针对采用单一特征跟踪鲁棒性不高的问题,该文提出一种自适应多特征融合均值迁移红外目标跟踪算法。为了增强对目标的表征能力,对局部均值对比度算法进行改进,利用局部均值对比度和灰度特征表征目标。在特征融合中引入特征不确定度量方法,自适应调整不同特征对跟踪结果的贡献,有效地提高均值迁移算法的鲁棒性。为了进一步提高对尺度变化目标的跟踪性能,采取尺度算子更新跟踪窗的大小。实验结果表明,该算法提取的目标特征具有较强的鲁棒性,能实现复杂场景下的目标跟踪。     

融合局部三值数量和色度信息的均值漂移跟踪

该文提出了局部三值数量(Local Ternary Number, LTN)这一新的局部显著性纹理算子,并将其与色度信息相结合得到一种新的目标跟踪方法。该方法充分利用目标像素与其八邻域像素灰度值的大小关系,将局部显著性算子 (Local Similarity Number, LSN)加以拓展,设计了局部三值数量这一新的局部显著性纹理算子,该算子能区分目标像素在同一局部显著度下的不同纹理结构;LTN掩膜提取边缘、线和角点上关键像素以提高纹理特征的区分能力,同时能够较完整地保留目标信息;在此基础上,将掩膜内目标像素的LTN特征与色度信息融合生成一种新的目标模型,并嵌入到均值漂移(Mean Shift, MS)框架完成目标的跟踪。实验结果表明,该文提出的目标跟踪方法在场景中存在相似颜色和光照变化干扰的情况下,仍能持续准确地实现目标的定位,提高了传统均值漂移跟踪算法的性能。     

基于Mean Shift算法非刚体跟踪的性能分析

介绍一种通过目标特征提取和定位实现的自下而上的运动物体跟踪方法,并通过实验对其性能进行分析和研究.该方法首先对某帧图像中的目标对象进行核函数空域加权的像素直方图特征提取.将目标对象的定位问题等价变换为在空域中求最优解的问题.通过Mean Shift算法在空域对相似程度求最优解,找到与目标对象模式最相似的搜索对象模式,从而完成目标对象的定位.在此通过仿真实验对Mean Shift算法在非刚性目标跟踪应用上的适用性、鲁棒性以及实时性进行分析和研究.最后还提出一些对该方法的改进算法.     

一种改进的粒子滤波和Mean Shift联合跟踪算法

为了提高视频运动目标跟踪的准确性和实时性,提出一种改进的粒子滤波和Mean Shift联合跟踪算法.针对传统粒子滤波跟踪算法中颜色直方图观测模型存在的局限性,提出了一种基于分块颜色直方图的观测模型描述方法,并根据该分块直方图的特点,重新设计了粒子权值的更新策略;针对粒子滤波算法实时性差的问题,提出了一种基于积分直方图的颜色特征快速计算方法,极大地降低了算法的运算量;为了降低相似背景干扰对跟踪效果的影响,提出了一种基于Gabor幅度谱的Mean Shift跟踪算法,并利用改进的Mean Shift算法对粒子滤波跟踪结果进行优化,提高了跟踪算法在复杂背景下的搜索能力.实验结果表明了算法的有效性.     

基于多特征融合的均值迁移粒子滤波跟踪算法

仅用单一的颜色特征进行跟踪是大多数跟踪算法鲁棒性不高的主要原因。针对此问题,该文提出一种多特征融合跟踪算法。该算法利用颜色和纹理特征表示目标,通过均值迁移和粒子滤波算法进行特征融合,有效地避免了单一颜色特征在光照变化和背景相似情况下的不稳定问题。将两种常用的融合策略结合,减轻了粒子的退化现象,提高了算法效率。实验结果表明该算法提取的目标特征具有较强的鲁棒性,能实现复杂场景下的目标跟踪。     

自适应跟踪窗的Mean Shift算法

针对经典Mean Shift算法在目标跟踪过程中不能自适应目标的形状变化,提出了一种跟踪窗自适应的Mean Shift目标跟踪算法。该算法利用权值图像的矩特征推导出了一种目标真实面积的估计方法,同时利用估计出的目标真实面积校正可表达目标窗口内图像特征的协方差矩阵,从而计算出目标区域的主轴长度和方向。实验结果表明,该方法保留了Mean Shift算法简单、有效的特点,同时该算法的跟踪窗具备当目标发生旋转和尺度变化时的自适应能力,并且具有较强的鲁棒性。     

基于Kalman滤波的均值漂移目标跟踪算法

为解决目标追踪中目标被遮挡的问题,文中设计了一种基于卡拉曼滤波的均值漂移目标跟踪算法。在选定目标的情况下,利用均值漂移算法迭代求得目标的位置,当目标被遮挡时,根据前一时刻目标的位置和速度等信息采用卡尔曼滤波预测,得到目标的位置。实验结果表明,该算法在有遮挡的情况下,准确性和实用性更强     

基于Mean Shift的自适应尺度变化跟踪算法研究

在实时跟踪系统中,要求在跟踪过程中跟踪窗口的大小实时地适应运动目标的外观变化,这对应着Meanshift 的尺度变化.针对跟踪这种尺度变化的问题,在跟踪框内检测角点并进行匹配,将所有得到的匹配角点对建立仿射模型,并采用最小二乘法求解得到尺度变化系数,进而更新跟踪框尺度,使得Meanshift算法可自适应地变化尺度并跟踪到大小不断变化的目标.实验结果表明,提出的算法具有较好的准确性、鲁棒性和实时性.