改进权值计算的均值移动目标跟踪

针对基于Bhattacharyya相似度的均值移动跟踪算法精度较差的问题,提出一种基于直方图交集思想的新型颜色分量加权方法,该方法利用参考模板与候选模板归一化颜色概率密度对应颜色分量的比值作为均值移动算法的加权系数。新权值计算方法在目标快速运动,有场景相似颜色干扰等情况下具有很好的适用能力,从而提高目标的跟踪精度。另外处理跟踪过程中,因摄像机抖动、光照变化等因素导致跟踪线索变化的情况,利用基于辅助模板的目标更新机制,有效地解决了目标短暂遮挡以及更新过程中的累积误差问题。通过多组对比实验结果可以看出,算法具有更强地抑制背景干扰以及特征自适应的能力,从而提高了均值移动跟踪算法的鲁棒性。     

空间相关背景加权直方图均值漂移目标跟踪

针对传统的基于直方图的均值漂移跟踪算法, 当目标出现于复杂跟踪条件时, 因无法显著区分颜色相近的目标或背景而导致跟踪失败的问题, 提出一种基于空间相关背景加权直方图的均值漂移跟踪算法, 并给出了推导过程. 实验结果表明, 该算法通过在目标模型中减少背景显著特征来增强目标定位, 能在遮挡、光照变化等复杂情况下实现有效的目标跟踪, 改善了传统均值漂移算法中模板不能及时更新等方面的局限性.

     

一种结合ORB特征匹配的均值漂移目标跟踪算法

针对传统的mean-shift跟踪算法基于单一颜色特征空间,在复杂背景下难以对目标进行准确跟踪这问题,提出了一种结合ORB特征匹配的mean-shift目标跟踪算法。该算法在mean-shift算法的基础上利用改进的ORB特征匹配算法修正目标跟踪窗口并实时更新目标特征模板,通过计算前后两帧图像中目标中心的欧式距离与色彩模板的巴氏距离来判定跟踪是否失败,当目标跟踪失败时,不改变目标模板,继续搜索下一帧图像中的目标。实验结果表明,与均值漂移算法和基于其他同类特征的改进算法相比,该算法提高了在复杂背景下目标跟踪的精度,并能满足实时性要求。     

一种基于背景加权的多特征融合目标跟踪算法

针对均值漂移(MS)目标跟踪算法受背景环境变化干扰较大的问题,提出一种基于背景加权的多特征融合目标跟踪算法BWMMS。引入基于目标模型与目标周围背景模型差分的加权函数,细化各像素对准确描述目标的重要程度,从而提高目标模板的分辨能力。结合颜色与纹理特征进行目标跟踪,构建基于目标和目标背景区域的特征自适应融合机制,使BWMMS算法能够根据跟踪场景变化自适应调整颜色与纹理特征的权值。实验结果表明,与MS算法、HRBW算法相比,该算法对环境变化的适应性较好,能取得更鲁棒的跟踪结果,且跟踪成功率高达94.84%。     

基于Mean-shift的改进目标跟踪算法

传统的Mean-shift目标跟踪算法对背景因素比较敏感,采用核加权直方图的方法计算目标模板与候选区域目标特征往往无法实现对运动目标的准确定位。在研究传统算法的基础上,改进了Mean-shift算法中目标特征选取机制,即目标模板采用背景加权,候选目标区域采用核加权。仿真结果表明,该方法实现了在复杂环境背景下对运动目标更加准确的跟踪。     

基于背景加权的尺度方向自适应均值漂移算法

针对经典的均值漂移算法在跟踪过程中由背景相似度、尺寸变化以及遮挡等引起的跟踪漂移问题,提出了一种基于背景加权的尺度方向自适应均值漂移跟踪算法。结合背景加权来提取目标颜色特征,充分利用了视频图像序列的空间信息,突出了目标区域的信息特征,抑制了由背景相似度和背景模糊引起的跟踪漂移现象。采用尺寸方向自适应的协方差矩阵估计方法,以适应运动目标尺寸方向的实时变化,保证了跟踪的准确性。经实验验证提出的运动目标跟踪算法较之其他经典均值漂移算法在精度和效率上都有显著提高。     

Mean-shift跟踪中的状态分析及处理

在Mean-shift算法中,对跟踪状态的误判会引起错误的模板调整策略,造成目标丢失。提出了一种新的跟踪状态分析方法,该算法首先通过分析目标特征与背景特征的相对关系,引入特征增强函数,并在此基础上构造了新的背景模板。然后通过对跟踪中各模板相似系数动态变化过程的综合分析,准确判定目标所处跟踪状态,以采取相应的模板调整策略。实验表明,该算法可以有效增强Mean-shift算法在复杂条件下的跟踪效果,具有较好的稳健性。     

基于双直方图自适应选择的目标跟踪算法*

针对传统的均值漂移算法,加入了梯度方向直方图及其与颜色直方图的自适应选择,提高了均值漂移算法在复杂场景中目标跟踪的鲁棒性。传统的均值漂移算法往往选择固定的一个颜色直方图对目标进行跟踪,当目标自身或者跟踪场景发生变化时,容易跟踪失败。通过分析被跟踪目标在当前场景中与目标模板在颜色以及梯度方向上的相似性并设定阈值,从而选择并使用当前有效的目标特征,实现复杂变化场景下的目标跟踪。一系列不同场景下的运动目标跟踪实验,证实了该算法的可靠性。     

多特征自适应融合的军事伪装目标跟踪

针对军事伪装目标在运动过程中存在与背景分布十分相似或遮挡等强干扰情况下的跟踪问题,提出了一种基于自适应多特征融合的均值漂移算法优化的粒子滤波跟踪算法。利用背景加权后的联合直方图表述目标灰度和梯度方向信息,根据前一帧目标特征的可信度自动调节双方的权重,在粒子滤波算法的框架下,利用改进后的均值漂移算法使粒子向目标状态的最大后验核密度估计方向移动,并设计了特征融合的观测模型,以提高跟踪算法的场景适应能力。实验结果表明,该算法可实现对与背景相似的军事伪装目标的稳定跟踪,对目标的严重遮挡具有很好的鲁棒性。     

融合全局灰度模板的改进CT算法

针对压缩跟踪（CT）算法在构建判别表观模型过程中提取背景像素稀疏Haar-like特征导致目标跟踪漂移加重的问题,提出一种融合归一化灰度直方图全局特征模板的改进算法。与局部特征模板相比,全局特征模板更适于对目标和背景进行判别。改进算法基于压缩感知理论提取局部稀疏Haar-like特征构建表观模型M1得到跟踪目标的第一个估计参数H（v）,提取归一化全局灰度直方图特征构建表观模型M2得到跟踪目标的第二个估计参数HD,使用H（v）和HD的线性组合作为表观模型利用贝叶斯分类器进行目标跟踪。实验结果表明,改进的算法提升了算法的鲁棒性,减轻了漂移问题。     

依赖模板匹配纠错的混合跟踪算法*

经典均值漂移跟踪器(MST)和模板匹配跟踪器(TMT)在性能的许多方面具有强互补性。为利用这种互补性提高跟踪的可靠性,提出了一种混合跟踪算法(HTA)。HTA维持了颜色直方图和亮度模板两种目标模型,并分别以TMT和MST为主、辅跟踪器。当目标被遮挡或周围出现相似颜色模式的干扰物而造成主跟踪器错跟时,算法自动切换到辅跟踪器进行纠错;干扰消失或目标被重新捕获时,可自动切换到主跟踪器。实验结果表明,HTA对复杂跟踪环境适应性强且计算量不大。     

基于卡尔曼滤波器组的Mean Shift模板更新算法

针对Mean Shift算法缺乏必要的模板更新方法的缺陷,提出了一种基于卡尔曼滤波器组的Mean Shift模板更新算法。该算法首先将目标在特征空间中的特征值的概率作为模板信息;然后设计了一个滤波器组,其中每个滤波器用于估计特征子空间中一个子特征值概率的变化;最后将这些子特征值概率对应相乘就可以得到整个模板的更新值。由于滤波器的噪声参数是随着输入数据的变化随时动态确定的,因此,根据滤波器残差的变化就可以确定模板的更新策略。实验证明,该新算法不仅能够增强Mean Shift算法在目标姿态变化、光照变化下的跟踪效果,而且对阻挡时的鲁棒性也较好。     

基于粒子群优化的模板匹配跟踪算法

针对基于模板匹配的跟踪算法运行速度较慢、成功率较低的问题,提出了一种基于粒子群优化(PSO)的模板匹配跟踪算法。该算法采用粒子群优化算法作为模板匹配算法候选模板的搜索策略,并采用自适应的更新目标模板。首先,在设定的搜索区域内随机采集30个候选模板,计算出个体最优候选模板和全局最优候选模板;其次,根据粒子群优化算法进行迭代求出匹配值最佳的候选模板即为目标;最后,根据最佳候选模板的匹配值大小来自适应更新目标模板。理论分析和实验仿真表明,与基于模板匹配的跟踪算法和基于粗精搜索的模板匹配跟踪算法相比,基于粒子群优化的模板匹配跟踪算法的计算量平均要少91.1%和69.8%,且成功率为原算法的2.02倍和1.94倍。实验结果表明,基于粒子群优化的模板匹配跟踪算法能实现很好的实时跟踪,并且提高了跟踪的鲁棒性。     

基于H分量检测的模板更新鲁棒分块跟踪方法

针对鲁棒分块跟踪方法不能进行模板更新的问题,提出一种基于H分量检测的模板更新方法。隔帧计算当前目标与目标模板的H直方图距离,通过检测该距离是否大于阈值来判定所采用的目标模板更新策略,若该距离大于阈值则采用固定加权目标模板,否则逐帧更新目标模板。将新方法在不同视频上进行仿真,实验结果表明该方法能提升鲁棒分块跟踪方法对光照变化的鲁棒性,同时能提高跟踪精度。     

联合模板先验概率和稀疏表示的目标跟踪

目的 虽然基于稀疏表示的目标跟踪方法表现出了良好的跟踪效果,但仍然无法彻底解决噪声、旋转、遮挡、运动模糊、光照和姿态变化等复杂背景下的目标跟踪问题。针对遮挡、旋转、姿态变化和运动模糊问题,提出一种在粒子滤波框架内,基于稀疏表示和先验概率相结合的目标跟踪方法。方法 通过先验概率衡量目标模板的重要性,并将其引入到正则化模型中,作为模板更新的主要依据,从而获得一种新的候选目标稀疏表示模型。结果 在多个测试视频序列上,与多种流行算法相比,该算法可以达到更好的跟踪性能。在5个经典测试视频下的平均中心误差为6.77像素,平均跟踪成功率为97%,均优于其他算法。结论 实验结果表明,在各种含有遮挡、旋转、姿态变化和运动模糊的视频中,该算法可以稳定可靠地跟踪目标,适用于视频监控复杂场景下的目标跟踪。     

基于混合高斯模型的Mean-Shift模板更新算法

针对基于Mean-Shift目标跟踪算法中遇到的不能对模板进行实时更新的问题,提出一个基于混合高斯背景建模的目标模板更新算法.该算法将目标视为背景,对目标中的每一个像素点利用三个高斯函数对它进行建模,利用每次Mean-Shift跟踪到的目标区域来对先前建立的混合高斯模型进行实时更新,将混合高斯模型得到的目标模板作为下一帧跟踪的目标模板.该算法较好地解决了基于Mean-Shift算法的模板更新问题,实验证明该算法是有效的.     

一种快速模板匹配目标识别算法

该文拟将计算机视觉中传统模板匹配方法与对场景物体的中心矩描述方法相结合,提出了一种效率较高的匹配算法。算法在匹配识别上不仅不受物体方位旋转及尺寸缩放变化影响,而且能较精确地求出物体相对于模板的缩放比例和偏转角度。文中给出了与传统模板匹配算法对照的实验结果。     

动态单像素模板算法

高斯模板用于图像旋转时会产生较严重的模糊,其原因是大邻域的亮度值加权平均造成的。为减小加权平均的邻域范围,提出图像空域变换的小邻域局部相关性原理。据此提出动态单像素模板算法：将当前像素分割为3×3的子像素,对每一个子像素求得一个模板。用当前像素的这9个模板之一和邻域像素的亮度进行卷积运算求得变换后的亮度值。实验和分析表明,它消除了高斯模板旋转图像时产生模糊的问题。旋转图像的质量与双线性插值算法相近,同时具有比双线性插值算法和高斯模板算法更高的计算性能。     

融合图像感知哈希技术的运动目标跟踪

目的 为解决运动目标跟踪时因遮挡、尺度变换等产生的目标丢失以及传统匹配跟踪算法计算复杂度高等问题,提出一种融合图像感知哈希技术的运动目标跟踪算法.方法 本文算法利用感知哈希技术提取目标摘要进行模板图像识别匹配,采用匹配跟踪策略和搜索跟踪策略相配合来准确跟踪目标,并构建模板评价函数和模板更新准则实现目标模板的自适应更新,保证其在目标发生遮挡和尺度变换情况下的适应性.结果 该算法与基于NCC(normalized cross correlation)的模板匹配跟踪算法、Mean-shift跟踪算法以及压缩跟踪算法相比,在目标尺度变换和物体遮挡时,跟踪的连续性和稳定性更好,且具有较低的计算复杂度,能分别降低跟踪系统约6.2%、 6.3%、 9.3%的计算时间.结论 本文算法能有效实现视频场景中目标发生遮挡及尺度变换情况下的跟踪,跟踪的连续性和稳定性良好,且算法具有较低的计算复杂度,有利于实时性跟踪系统的构建.