一种自适应的运动目标实时跟踪算法

提出了一种基于均值平移（Mean Shift）和粒子滤波融合的自适应运动目标跟踪算法。该算法在处理来自PTZ (Pan/Tilt/Zoom）摄像机的视频图像时，自适应地更新直方图模板的特征信息，并结合Mean Shift算法来控制粒子滤波中粒子的产生，根据粒子的权值计算目标的位置。测试结果验证了该算法的实用性和有效性。     

一种非刚体目标的实时检测与跟踪算法

提出了一种复杂背景下自动、实时地检测和跟踪非刚体目标算法。该算法利用自适应的背景减除方法,在复杂背景条件下提取出运动目标;采用颜色直方图模型为特征的均值平移法作为跟踪算法。试验结果验证了该算法的实时性和有效性。     

一种新的运动目标自适应图像分割算法

提出了一种新的运动目标自适应图像分割算法．在设置自适应跟踪波门对运动目标进行跟踪的基础上,依据最大类间方差函数准则自适应地求出调节系数,再用设置门限分割法完成图像的自适应分割．对该算法进行了详尽的图像分割实验,与著名的Otsu法、迭代法、最大熵法相比较,该分割算法不仅能适应多种复杂背景,而且分割精度高、速度快,是一种实用有效的图像分割方法．     

一种改进的雷达弱目标检测前跟踪算法

针对基于粒子滤波的检测前跟踪算法(PF-TBD)采样盲目性的问题,提出基于辅助粒子滤波的检测前跟踪算法(APF-TBD).该算法的重要性密度函数是一种依靠过去状态与系统最近观测量的密度函数,进一步使权值变化稳定,最终使得均方根误差较小,得到的粒子更逼近真实值,并将其应用于常规雷达对弱目标的检测与跟踪.仿真结果表明,该算法比PF-TBD有更好的检测效果与跟踪效果.     

机动目标跟踪中一种新的自适应滤波算法

通过分析基于“当前”统计模型的机动目标自适应跟踪算法,指出该算法对目标机动加速度极限值的依赖性,而实际中预先设定加速度的最大值是不可行的。为克服这一缺点,文中给出一种新的自适应滤波算法,该方法无需提前给定加速度最大值,可以直接利用位置估计值和加速度之间的函数关系进行加速度方差自适应调整。仿真结果表明,与标准的自适应滤波相比其跟踪精度有了较大提高。     

一种基于多特征自适应融合的运动目标跟踪算法

针对复杂背景下的运动目标跟踪问题,提出了一种基于多特征自适应融合的运动目标跟踪算法。通过构建目标与背景的图像特征分布方差的比值函数来衡量目标与背景间的区分度,采用各特征的区分度对特征集进行线性加权自适应表示运动目标并集成在基于核的跟踪方法中。为了克服模板更新过程中的漂移,通过计算前后相邻两帧间目标模型的相似度函数,对跟踪模板进行自适应更新。基于生物视觉认知理论,目标的颜色、边缘特征以及纹理特征被用来实现基于多特征自适应融合的运动目标跟踪算法。仿真实验表明:采用本文算法能有效地对复杂背景下的运动目标进行跟踪。     

基于多特征融合的粒子滤波自适应目标跟踪算法

为解决用单一特征无法保持在复杂环境下跟踪的鲁棒性以及粒子数量增多导致的算法效率低下的问题,选择多个特征融合的策略来保证跟踪的持续稳定,并自适应地调整每个特征的权值来适应环境的变化;为提高算法的实时性,采用自适应的粒子数量。实验结果表明:本文算法有效地解决了目标旋转、目标遮挡以及背景混淆等诸多问题,具有较高的鲁棒性。     

机动目标跟踪的改进自适应滤波算法研究

为了更好地实现机动目标跟踪,在标准自适应滤波算法(Adaptive Filtering algo-rithm,简称AF)的基础上,提出了改进的自适应滤波算法(Improved Adaptive Filtering al-gorithm,简称IAF)。该算法将机动目标的系统误差做为随机噪声,并对加速度方差进行自适应调整。改进的自适应滤波算法具有计算简单、跟踪精度高等优点。     

基于粒子滤波和自适应模型的目标跟踪算法

为了提高粒子滤波的性能,使用集合卡尔曼滤波对建议分布进行改进,同时提出了用于视频跟踪的自适应融合模型．使用集合卡尔曼滤波结合当前的观测信息构造建议分布,结合当前观测信息对每一个粒子进行集合分析,得到新的建议分布,依据新的建议分布对粒子进行采样,同时在跟踪过程中将颜色特征模型和形状特征模型进行融合,并进行自适应更新．实验结果证明：相对于传统粒子滤波和扩展卡尔曼粒子滤波,使用新的建议分布可以更有效地降低均方根误差,同时自适应融合模型的稳定性要高于使用单一颜色模型．使用新的建议分布和融合模型,可以有效提高粒子滤波的准确性和稳定性．     

跟踪机动目标的自适应α-β滤波算法

针对已有机动目标跟踪算法运算量大的不足,提出了一种新的自适应α－β滤波算法．该算法选用极坐标系作为跟踪坐标系,建立了带有伪加速度修正的目标运动模型及外推方程,给出了自适应获取滤波增益的一种新方法．仿真结果表明,该算法滤波精度与有代表性的ＩＥ算法、ＶＤ算法、ＩＭＭ算法相当,但运算量则大大低于这几种算法,易于工程实现,可用于机动目标的快速跟踪．     

基于粒子滤波/Mean Shift的改进跟踪算法

针对单一特征所带来的跟踪不稳定问题,该文提出一种基于纹理特征粒子滤波/Mean Shift的改进目标跟踪算法。该算法中建立一种选择反馈机制,首先对目标同时进行基于纹理信息的粒子滤波和基于颜色信息的Mean Shift两种算法的跟踪,然后对两种算法的跟踪结果进行比较,选择结果较好的输出,并把结果反馈到粒子滤波与Mean Shift中作为下一帧处理的初始值。实验结果表明,该方法克服了单一特征所带来的跟踪不稳定问题且具有较强的鲁棒性。     

一种有效的交互式多模型自适应跟踪算法

从减少系统模型噪声和量测噪声入手,引入自适应机动模型和新息滤波器对IMMA 进行改进,提出新息滤波交互式多模型自适应算法(IF-IMMAA),理论分析和仿真表明新算法的有效性.     

MPEG视频中对运动物体的跟踪

提出直接从MPEC数据流中寻找和跟踪运动物体的新算法．寻找是基于运动矢量的区域增长法，运动矢量的获得通过一个专门的滤波器，该滤波器主要应用于运动物体的边界宏块，运动轨迹由DCT的DC和部分AC系数进行校正，该方法运算量小，能实时处理，实验结果较好．     

运动图像热闹度的一种计算方法

图像的识别是图像处理中重要的内容之一,它在模式识别,人工智能等领域有广泛的应用价值.针对运动物体已被检测出的二值运动图像,提出了一种计算运动图像热闹程度的方法.该方法首先采用标记连通区域的方法分割出单个运动物体,然后利用形态学方法用质点表示出单个运动物体,最后提出热闹度表示运动图像的热闹程度及其算法.实验结果表明,计算出的热闹度和实际判断出的热闹程度基本一致.     

基于背景重建的运动目标检测算法

针对复杂背景下参考帧的提取问题,提出了一种改进的基于帧间差分的背景提取算法。该算法利用帧间差分将图像序列中的背景像素点提出来,从而确定背景帧;并利用序列图像背景点在时间上呈高斯分布,用“3σ原则”判断背景点是否发生变化来更新背景。实验结果表明,该方法可以有效的提取和更新背景,从而完整准确地检测出运动目标。     

Particle Filter Object Tracking Algorithm Based on Sparse Representation and Nonlinear Resampling

Object tracking with abrupt motion is an important research topic and has attracted wide attention.To obtain accurate tracking results,an improved particle filter tracking algorithm based on sparse representation and nonlinear resampling is proposed in this paper.First,the sparse representation is used to compute particle weights by considering the fact that the weights are sparse when the object moves abruptly,so the potential object region can be predicted more precisely.Then,a nonlinear resampling process is proposed by utilizing the nonlinear sorting strategy,which can solve the problem of particle diversity impoverishment caused by traditional resampling methods.Experimental results based on videos containing objects with various abrupt motions have demonstrated the effectiveness of the proposed algorithm.     

动态场景中运动目标快速检测算法

提出了一种基于边界灰度投影匹配的全局运动估计和运动目标提取算法.算法将边界灰度水平投影和垂直投影值作为匹配特征,较好地估计了全局运动参数.由于只需计算一维特征向量所以降低了全局运动估计的计算量.经过全局运动补偿后,可以运用传统的帧间差法得到运动目标.为了减少噪声的影响,准确提取目标,采用了高阶统计量的方法(HOS)来区分背景和运动目标.试验结果证明,所提出的方法在估计全局运动参数和提取运动目标方面有较好的鲁棒性.     

基于Kalman滤波器的运动目标跟踪算法

运动目标跟踪是计算机视觉中的一个典型问题,如何能准确快速的跟踪目标是研究的关键。提出了Kalman滤波器结合Camshift的改进算法。首先选取一段视频图像序列,通过背景差分法快速检测出运动目标,初始化搜索窗口,用Kalmam滤波器预测目标位置,再用Camshift迭代算法计算目标最优的位置,将结果作为Kalman滤波器进行下一次预测的估计值。实验表明,当目标被严重遮挡或受到同色背景干扰时,本算法仍能快速准确的跟踪运动目标。