基于多级纹理特征和Mean-Shift的灰度目标跟踪

由于灰度图像的信息单一,缺乏描述目标的信息,且易受到光照变化的影响,导致灰度图像中的目标跟踪难度较大。为此,提出了一种结合Gabor小波变换特征与旋转不变一致局部二值模式(LBP)纹理描述算子来建立目标的多级纹理特征模型,并采用Mean-Shift来实现目标跟踪的新方法。该算法首先利用Gabor变换提取多尺度、多方向的目标图像特征以扩充特征提取范围,然后应用旋转不变一致LBP算子对这些特征进行编码以增强所提取特征的有效性,最后采用纹理模式联合概率直方图建立目标的多级Gabor-LBP纹理特征模型,并通过Mean-Shift算法来实现目标的跟踪。实验结果表明,该算法可以有效地克服光照变化、混乱及目标旋转的影响。     

一种基于空间直方图的多特征目标跟踪算法

为提高跟踪算法对光照或背景的大幅度变化和车辆大范围运动的鲁棒性,提出了一种基于空间直方图的多特征目标跟踪算法。算法以自适应权值多特征乘性融合框架为基础,分别建立目标的颜色、边缘和纹理空间直方图,使用Mean Shift迭代,利用各特征空间概率分布图中目标与背景的BH系数,调整特征权值。该算法使跟踪不再过分依赖某一单一特征,实现了复杂背景下目标的准确跟踪。     

基于局部直方图的多区域目标跟踪算法

为克服光照变化和目标遮挡对运动目标跟踪的影响,提出了一种基于改进的局部敏感直方图的多区域目标跟踪算法。改进了局部敏感直方图并设计了快速算法;将改进的局部敏感直方图作为多区域跟踪算法中的目标建模方式,提高目标建模的准确性且降低提取目标特征的计算复杂度;针对多区域跟踪算法中融合各个区域块的特征相似值的需要,采用基于统计排序和最小二乘估计的参数估计方法计算整个目标块与模板的相似度。实验结果表明该算法能有效应对目标跟踪过程中光照变化、目标形变与遮挡的干扰,实现实时鲁棒的目标跟踪。     

多特征融合的Camshift算法及其进一步改进

基于颜色核的Camshift算法可以有效实现简单场景下的目标跟踪,但在光线变化明显或目标与背景颜色相近的场景下易受干扰。为此,采用颜色、边缘梯度、纹理等多个特征自适应融合的方式改进算法,提高算法应对光线变化的能力;并通过修正特征直方图、设置合理搜索范围对算法进行进一步改进,解决相似背景的干扰问题。实验结果显示,在光照变化明显或目标与背景特征相近的场景中,改进的算法与传统算法相比具有更高的跟踪精度。     

一种基于纹理和颜色的目标跟踪方法

研究视频物体识别系统,传统连续自适应均值偏移(Camshift)跟踪方法根据H分量建立被跟踪目标的颜色模型,而H分量易受亮度(V分量)的影响,造成不能准确跟踪运动目标.为解决上述问题,引入运动目标的纹理特征,先提取HSV颜色空间的H分量,把它转化为局部二元纹理(LBP)图,计算目标的LBP纹理直方图并把反向投影到LBP纹理图上,得到LBP纹理概率图,然后采用Camshift算法确定当前图像中目标的尺寸和中心位置.对手势和人脸跟踪进行仿真计算,实验结果表明,在跟踪过程中可以对目标进行稳定的实时跟踪,通过计算,也改善了传统方法,使识别人脸不受光照的影响,验证了改进方法的有效性.     

光照和尺度自适应的Mean Shift人脸跟踪算法

针对原始Mean Shift算法易受光照强度影响及跟踪窗口不随目标尺度自适应变化的问题,提出了一种光照和尺度自适应的Mean Shift人脸跟踪算法。该算法将颜色特征与光照不变性特征局部二值模式结合起来共同表征人脸,增强了复杂背景下目标的跟踪性能,利用矩特征和巴氏系数估计目标的真实尺度,提高了人脸发生较大形变时的适应能力。实验结果表明,提出的算法比传统的基于颜色直方图的Mean Shift算法具有更准确的跟踪结果。     

基于局部敏感直方图的时空上下文跟踪

针对当前目标跟踪算法在目标区域光照剧烈变化、长时间遮挡或者平面内旋转时会发生偏移甚至跟丢这一现象,提出了基于局部敏感直方图的时空上下文跟踪算法.该算法以贝叶斯框架为基础,利用生物视觉特性,结合底层灰度特征,基于局部敏感直方图提取光照不变特征,建立目标与背景的统计相关模型来实现跟踪,使跟踪时偏移较小且不会跟丢目标.在对不同视频序列的实验表明:基于局部敏感直方图的时空上下文算法和多示例学习算法相比,在光照变化、平面内旋转或者遮挡时都表现出比较好的跟踪效果且中心误差较小,具有较强鲁棒性.     

基于局部敏感直方图的压缩跟踪

压缩跟踪在光照发生剧烈变化和目标姿势变化较大时容易出现漂移甚至跟丢现象。针对此缺陷,提出基于局部敏感直方图的压缩跟踪。通过计算局部敏感直方图,提取光照不变特征,联合压缩跟踪中使用的特征得到更优的特征。对不同视频序列的跟踪结果表明,与压缩跟踪和多示例学习跟踪算法相比,提出的算法在目标姿势发生较大变化和光照变化剧烈的情况下能够实现稳定的跟踪,并且满足实时性要求。     

自适应模型更新的多特征融合目标跟踪算法

针对目标在运动过程中存在遮挡、光照变化、背景因素等复杂情况下的跟踪问题,提出了一种多特征融合的跟踪算法;利用背景加权后的联合直方图来描述目标的灰度和纹理特征信息,提出一种多帧加权组合的模板更新策略,对模板特征分布进行自适应更新,基于当前粒子特征信息可信度加权设计了一种自适应特征融合观测模型,并结合到粒子滤波算法中,从而提高了跟踪算法的场景适应能力;实验结果表明;与基于单一特征的算法相比,该算法的适应性更强,能有效跟踪复杂场景下的运动目标.     

一种基于肤色与LBP特征融合的人脸跟踪算法

针对目前人脸跟踪方法易受光照变化和背景相近色的干扰,跟踪效果有时不佳或失效的问题,提出引入LBP(Local binary pattern)局部纹理特征,采用LBP直方图和颜色直方图相融合作为人脸特征描述的粒子滤波人脸跟踪方法.该方法在全局颜色和局部LBP纹理两个层次和特征线索上对人脸进行描述.实验结果表明,该方法较单一特征跟踪方法更具鲁棒性.此外,由于人脸目标的运动通常为非匀速运动,为了提高粒子传播的有效性和指导性,本文对人脸跟踪状态方程进行了改进.实验证明,改进后的人脸跟踪算法在各种复杂背景、旋转遮挡和人脸目标非匀速运动的情况下均能取得较好的跟踪效果.     

多特征融合的Camshift运动目标跟踪算法

传统的Camshift算法以颜色直方图为特征对目标进行跟踪,对刚性目标的跟踪具有较强的鲁棒性。当目标受到颜色相近的干扰物干扰或者部分遮挡时,其跟踪效果和准确度不太理想。为此,提出一种多特征融合的Camshift目标跟踪算法。首先,对目标的颜色特征、边缘特征和空间信息进行提取和处理,得到颜色空间直方图和空间边缘方向直方图;然后,分别在Camshift算法框架下得到目标匹配中心位置,采用每一帧图像的相似度向量得到权值系数,通过自适应加权融合的方法得到最优中心位置。实验结果表明,相较于传统的Camshift目标跟踪算法和改进的复杂特征融合的Meanshift算法,所提方法能够更有效地克服颜色干扰、目标重叠遮挡对跟踪效果的影响,避免了 目标 在跟踪过程中丢失的问题,突破了传统方法的局限性。     

自适应融合角点特征的Camshift目标跟踪

为了能够实时有效地跟踪运动目标,提出了一种新的自适应融合角点特征和颜色特征的Camshift目标跟踪算法。该算法融合了角点的特征不变性,并采用Mean-Shift算法提供的非参数核密度估计的统计思想,计算各特征的概率密度函数,用Bhattacharyya系数作为相似性度量函数,利用相似性度量值之比自适应地融合角点特征和颜色特征,将得到的新的概率密度分布结合Camshift跟踪算法实现目标跟踪。测试结果表明,该算法比传统的Camshift算法跟踪效果更好,更准确。     

基于自适应跟踪窗尺度的人脸探测

作为一种有效的迭代算法,Mean-shift具有良好的特性,在目标跟踪、图像平滑和其他计算机视觉领域得到了广泛应用。鉴于标准Mean-shift算法缺乏尺度自适应机制,而Camshift算法每次探测前需要人工选定人脸区域样本才能进行准确的探测,提出了一种用于视频中人脸探测的自适应跟踪窗算法。该算法在跟踪框内采用光照补偿和肤色分割来校正跟踪窗尺度和位置。实验表明,该算法不但具有良好的实时性,而且能较好地减少传统算法中的定位误差,更加准确地探测出视频中的人脸。     

基于图割理论的尺度自适应人脸跟踪算法

针对连续自适应的Mean-Shift（Camshift）算法跟踪人脸时尺度过度放缩这一问题,提出了一种基于图割的Camshift人脸跟踪算法。首先,在每一帧图像的Camshift迭代结果内建立图割区域,使用高斯肤色模型作为图割权值分割出图割区域内肤色团块;然后,计算该肤色团大小得到目标真实尺度,并比较与上一帧图像跟踪框内肤色团的尺度来判断是否需要重新跟踪目标;最后,再以该团块作为下一帧跟踪目标。实验结果表明,基于图割的Camshift人脸跟踪算法有效地克服了跟踪时其他肤色区域的干扰,能有效地反映人体快速运动中人脸真实尺度变化,同时防止Camshift算法丢失跟踪目标而陷入局部最优解,具有较好的可用性和鲁棒性。     

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。     

基于Camshift和Kalman滤波的自动跟踪算法

针对传统的Camshift算法在跟踪时需要手动定位目标,在颜色干扰、遮挡等复杂背景中容易跟丢目标的问题,提出了一种基于Camshift和Kalman滤波的自动跟踪算法。首先利用帧间差分法和Canny边缘检测法分割出运动目标的完整区域,然后用提取出的目标区域初始化Camshift算法的初始搜索窗口,从而实现了目标的自动跟踪。当背景中存在相似颜色干扰或者目标被严重遮挡时,采用Kalman滤波与Camshift算法相结合的改进算法进行跟踪。实验结果表明,本文改进算法在目标被严重遮挡、颜色干扰等情况下仍能有效、稳健地跟踪。     

综合颜色与梯度方向特征的粒子滤波跟踪

针对标准粒子滤波跟踪在复杂环境和光照变化下的缺陷,提出了融合颜色和梯度方向特征的粒子滤波跟踪算法,以克服单一颜色特征跟踪鲁棒性不高的问题。设计了特征融合的粒子重要性评判模型,使得单纯依靠颜色特征不能很好适应环境变化的情况得到了改善。同时通过目标模式自适应更新模型,提高了算法对复杂变化的自适应能力。实验表明,所提算法能比较可靠地实现复杂场景下的目标跟踪。     

基于改进Camshift算法的钻杆计数方法

针对采用传统的Camshift算法跟踪钻杆机器时相似颜色物体间易产生干扰的问题,提出了一种基于改进Camshift算法的钻杆计数方法:使用改进的Camshift算法实时捕捉钻杆目标,并且通过设置锚点以及判断时间间隔来进行钻杆计数。改进的Camshift算法采用模版匹配的方法定位跟踪目标,智能地选择合适的方法提取颜色直方图,并引入粒子滤波器,通过一定机制与纹理特征相结合,得到跟踪目标在下一帧的准确位置。实验结果表明,改进后的算法解决了相似颜色干扰问题,并且在部分遮挡条件下仍能够准确跟踪目标,从而实现对钻杆的准确计数。