一种基于均值移位的红外目标跟踪新方法

均值移位算法是一种搜索与样本点分布最相近模式的非参数统计方法．在彩色序列图像目标跟踪中,均值移位算法是一种有效的方法．但在红外目标跟踪中,由于单一灰度特征空间缺乏描述红外目标的信息,使得基于均值移位算法的红外目标跟踪不稳健．为了克服这个缺点,提出了构造级联灰度空间的红外目标跟踪新方案．同时,对于不同的红外图像序列使用不同的方法产生级联灰度空间．实验结果表明该方法对于红外小目标以及强杂波背景目标的跟踪是有效和稳健的．     

基于Mean Shift算法的实时运动目标跟踪

Mean shift算法是一种非参数密度估计算法,可以实现实时的最优匹配,为了把Mean shift算法应用到视频图像的运动目标跟踪中去,采用了以颜色直方图建立目标模型的策略,提出了在视频图像中以Mean shift为核心的目标跟踪算法。实验结果表明,该算法具有很好的鲁棒性、准确度等优点,在运动目标部分遮挡的情况下仍能实现稳定、实时的跟踪。     

对变形目标的跟踪研究

在目标跟踪过程中,目标在图像中的形状和大小常发生不同程度的变化,为了准确、有效地实现目标跟踪,采用多次迭代的连续自适应平均值移动算法。该算法是一种基于颜色跟踪的算法,根据多次迭代的计算结果,自适应调整图像序列中搜索窗口的大小和位置,从而得到当前图像中的目标中心,实现对运动目标的跟踪。最后分别在不同变形情况下和多个运动目标下进行实验。实验结果表明,当目标发生旋转、大小变化及存在多个目标的情况下,该算法仍能有效地对运动目标进行准确跟踪。     

Structural sparse coding seeds–active appearance model for object tracking

In this paper, we propose a tracking algorithm that can robustly handle appearance variations in tracking process. Our method is based on seeds–active appearance model, which is composed by structural sparse coding. In order to compensate for illumination changes, heavy occlusion and appearance self-updating problem, we proposed a mixture online learning scheme for modeling the target object appearance model. The proposed object tracking scheme involves three stages: training, detection and tracking. In the training stage, an incremental SVM model that directly measures the candidates samples and target difference. The proposed mixture generate–discriminative method can well separate two highly correlated positive candidates images. In the detection stage, the trained weighted vector is used to separate the target object in positive candidates images with respect to the seeds images. In the tracking stage, we employ the particle filter to track the object through an appearance adaptive updating algorithm with seeds–active constrained sparse representation. Based on a set of comprehensive experiments, our algorithm has demonstrated better performance than alternatives reported in the current literature.     

基于方向直方图的Mean shift目标跟踪新算法

Mean shift算法是一种非参数密度估计算法,可以实现快速的最优匹配。为了有效地将Mean shift算法应用到灰度图像中,使用空间分布和纹理信息作为匹配信息,提出了一种基于空间方向直方图的Mean shift跟踪新算法。利用卡尔曼滤波器来获得每帧目标的起始位置,再利用Mean shift算法得到跟踪位置。实验结果证明,该算法在目标运动较快,目标尺度变化的情况下仍能稳定、实时、高效地跟踪目标。     

基于扩展空间直方图的红外目标跟踪方法

针对传统均值漂移算法中仅仅利用目标的颜色信息而导致目标模型分辨能力不高的问题,提出了一种基于扩展空间直方图的红外目标均值漂移跟踪方法.首先对空间直方图进行扩展,构建了一种结合目标颜色分布和空间约束关系的联合空间颜色模型,有效提高了目标模型的分辨能力.通过给定目标空间位置和颜色联合概率密度函数,定义目标区域与候选区域概率密度的相似性度量,进而实现了红外目标的准确定位.实验结果表明该算法简单有效,能准确跟踪前视红外目标.     

边界约束的核密度估计红外人体目标跟踪方法

基于核密度估计的均值漂移算法因其良好的实时性而被广泛地应用于目标跟踪,但传统的均值漂移算法极易因颜色等信息的缺乏而使跟踪不稳定,且目标尺度的变化也不利于目标位置的准确估计,为此,提出了一种具有边界约束的均值漂移红外人体目标跟踪新方法。该方法通过各向异性扩散,并联合红外图像的梯度与亮度信息来获取目标边界,自适应调整核窗宽,从而利用均值漂移策略进行红外人体目标跟踪。实验结果表明,该方法在红外人体目标尺度改变时仍能实现良好的跟踪。     

基于粒子滤波框架联合仿射和外貌模型的目标跟踪

针对视频序列中目标的跟踪问题,提出了一种基于粒子滤波框架的联合仿射和外貌模型的目标跟踪算法.该算法首先提取图像帧之间的相关特征点,通过求解Sylvester方程得到仿射参数,然后将仿射参数嵌入到基于仿射群的粒子滤波框架中进行平滑估计.利用基于仿射群的一阶自回归过程模拟状态的变化,联合仿射特征点模型和外貌模型进行似然估计,得到粒子的最佳平均状态,进而对目标实施跟踪.实验结果表明,在目标经历姿势和尺度变化、遮挡以及复杂背景等情况下,提出的算法能够有效地跟踪目标,较之其他相关算法具有很强的鲁棒性.     

在线特征融合的均值移位红外目标跟踪

提出了一种改进的均值移位红外目标跟踪算法.首先,针对红外图像低信噪比的特点,采用局部灰度均值特征及局部标准差特征用于目标建模.其次,针对目标低对比度的特点,以目标与局部背景的特征似然比作为核直方图的权值,建立了新的特征表征模型,并将两种特征模型进行线性融合,得到最终的目标表征模型,其中的融合系数由特征似然图对比度自适应确定.最后,在均值移位框架下推导了该模型梯度匹配过程中移位向量的表达形式.同时,基于帧间综合对比度的变化建立了复杂背景条件下的模型更新判别准则.通过基于实测数据的红外目标跟踪实验验证了该算法的可行性.     

Object Modeling with Color Arrangement for Region‐Based Tracking

In this paper, we propose a new color histogram model for object tracking. The proposed model incorporates the color arrangement of the target that encodes the relative spatial distribution of the colors inside the object. Using the color arrangement, we can determine which color bin is more reliable for tracking. Based on the proposed color histogram model, we derive a mean shift framework using a modified Bhattacharyya distance. In addition, we present a method of updating an object scale and a target model to cope with changes in the target appearance. Unlike conventional mean shift based methods, our algorithm produces satisfactory results even when the object being tracked shares similar colors with the background.     

Infrared target tracking based on multi-feature fusion under motion platform

In order to realize infi＇ared target tracking accurately under motion platform, and make up for the shortcoming of the nuclear density estimation based on gradation feature, an adaptive kalman-mean shift algorithm based on multi-feature fusion is proposed. The target model based on edge-gradation feature fusion is applied in the mean shift algorithm. The starting position at present of an infrared target is predicted by a kaiman filter, and then a scale updating item of tracking window is appended based on the relationship between mutual information and the object scale. Then the moving object, especially the object with a variable scale, is adaptively tracked under motion platform. Experimental results demonstrate that the adaptability of mean shift algorithm is enhanced by the improved scheme, which can be applied in the process of long time tracking for the object with a variable scale.     

A novel fast moving object contour tracking algorithm

If a somewhat fast moving object exists in a complicated tracking environment, snake’s nodes may fall into the inaccurate local minima. We propose a mean shift snake algorithm to solve this problem. However, if the object goes beyond the limits of mean shift snake module operation in suc- cessive sequences, mean shift snake’s nodes may also fall into the local minima in their moving to the new object position. This paper presents a motion compensation strategy by using particle filter; therefore a new Parti...     

带宽自适应均值偏移红外目标跟踪

提出一种多特征融合和带宽自适应均值偏移跟踪算法。基于M-估计器建立位置和带宽关于完整参数型带宽矩阵的迭代更新公式。分析权值图像的本质,基于灰度和局部标准差建立融合权值图像。通过先前目标模板模型和确定的目标模型的平均值生成当前目标模板模型。在位置向量的迭代公式中,采用扩大的带宽矩阵,确保定位精度。为防止由于背景杂波导致带宽膨胀或者由于目标自我相似导致带宽收缩,引入规范准则。跟踪的视觉结果和评估尺度表明,提出的跟踪算法相比于另外三种尺度自适应均值偏跟踪算法,具有最好的性能。     

基于增量学习的红外目标粒子滤波跟踪方法

针对红外图像序列中目标与背景的对比度低、灰度特征易受噪声影响等特点,提出了一种基于增量学习目标表观模型和粒子滤波的红外目标跟踪方法。通过在线学习机制,利用增量奇异值分解算法对图像特征空间的基向量进行准确更新,从而建立红外目标的鲁棒表观模型。在此基础上,采用粒子滤波对目标状态进行有效预测,实现了红外目标的有效跟踪。实验结果表明,该方法能有效、准确地跟踪红外图像序列中的运动目标。     

特征在线更新与加权的压缩跟踪算法

在目标跟踪中，针对目标外观改变使得目标丢失的问题，本文提出了特征在线更新与加权的压缩跟踪(compressive tracking, CT)算法。首先基于压缩感知理论提取目标的矩形特征，根据每个特征对当前帧目标的分类效果判定其可靠性，及时更新不可靠特征；其次，实时增加可靠特征在分类器中的权重，从而突出可靠特征的重要性；最后将加权候选样本特征输入贝叶斯分类器，得到下一帧的目标位置。选取八组视频序列测试改进算法的效果，结果表明与传统的压缩跟踪，局部敏感直方图跟踪( locality sensitive histograms tracking, LSHT)及在线自适应增强( online AdaBoost, OAB)算法相比，改进算法取得了更好的跟踪结果，并且在目标外观改变时依然跟踪准确，平均帧速为39fps，满足实时性要求。      

基于时空二维目标描述的红外小目标跟踪

根据红外弱小目标的时空域特性,提出了一种基于时空二维直方图均值移动的红外弱小目标跟踪方法。本文构建了空域分量和时域分量来表示红外弱小目标,形成时空二维图像。当前帧图像包含目标的空域分布信息,因此将当前帧图像作为空域分量;差分图像包含目标的运动特性,反映了目标的时域特性,因此将前后两帧差分图像作为时域分量。利用时空二维目标表示方法,采用均值移动算法进行目标跟踪,同时根据Bhattacharyya系数来更新目标模板。采用实际拍摄的小目标视频来检测本算法,仿真结果显示本算法能稳健的跟踪红外弱小目标,均值移动算法的跟踪精度得到了较大的提高。     

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     

基于局部相似的红外小目标跟踪算法

连续图片序列中的运动对象与其局部背景保持相对稳定。相邻图像序列的目标局部灰度分布具有相似性。针对红外小目标跟踪杂波干扰与运动模糊问题,设计了基于局部相似的目标增强方法,并提出一种基于局部相似和运动估计的跟踪算法。该算法根据目标的局部相似性构建搜索空间,采用运动估计机制缩小搜索域,然后利用时空上下文学习跟踪算法产生跟踪结果。实验表明,本文方法能够有效应对杂波干扰和运动模糊情况,实现红外小目标的稳健跟踪,且具有较好的实时性。     

带宽自适应Mean Shift跟踪算法

提出了一种先进行空间定位再确定目标尺度的两级跟踪算法,有效地解决了mean shift算法对尺度变化的适应问题.该算法首先在当前帧对应位置进行降分辨率处理,并以基于增量试探的mean shift跟踪算法收敛点作为当前帧目标中心位置,进而利用对数极坐标变换的旋转、尺度不变性,对目标和候选目标分别进行对数极坐标映射,并通过求取最大归一化相关函数确定目标的尺度变化.跟踪实验表明,该算法可以有效的提高mean shift跟踪算法空间和尺度定位准确性.     

基于加权空间直方图的均值漂移目标跟踪

目标模型内的背景像素会造成目标跟踪定位偏差。为了减少背景像素对跟踪造成的定位偏差,首先通过目标区域像素和目标区域周围背景像素的颜色直方图定义了一个加权系数,然后将该加权系数引入到空间直方图的计算中,提出了一种基于加权空间直方图的均值漂移(MS)目标跟踪算法。在此基础上,给出了一种模型更新方法。仿真实验表明,该算法具有很好的跟踪精度,对遮挡具有更好的鲁棒性。