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。     

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。     

改进的Camshift跟踪算法研究

Camshift是使用颜色直方图作为特征的一种跟踪算法。它利用目标的颜色直方图模型得到每帧图像的颜色投影图,初始化一个搜索窗的大小和位置,并根据上一帧得到的结果自适应调整搜索窗口的位置和大小,定位出当前图像中目标的中心位置。从准确预测目标位置及缩小目标搜索范围入手对Camshift算法进行了改进。实验结果表明,改进的Camshift有效地克服了Cam-shift算法自身的缺陷,即使在图像背景复杂且不规则的情形下,仍然能有效的跟踪到目标。     

一种改进的Camshift/Kalman运动目标跟踪算法

针对目标跟踪中的目标遮挡、丢失等情况,提出了一种改进的基于空间边缘方向直方图的Camshfit/Kalman跟踪算法.首先,利用空间边缘梯度方向作为匹配信息,同时自适应修正每帧中的匹配模板,再使用Kalman滤波器对运动目标的位置进行预测更新,以克服目标遮挡情况及噪声的干扰.实验表明,该算法能够较好处理目标遮挡情况,实现运动目标的高精度跟踪.     

多特征融合的鲁棒粒子滤波跟踪算法

为克服基于单一特征的跟踪方法在复杂环境和光照变化下易导致跟踪失败的缺点,提出了一种基于多特征融合的粒子滤波跟踪算法。通过基于HSV的多块颜色直方图来表征目标的总体分布,而方向梯度直方图又包含了一定的结构信息,两者互为补充,将两者融合于粒子滤波的框架中。同时,自适应更新融合权重、模板和噪声分布参数,动态调节粒子数目,在环境干扰较大(如遮挡)时,分配较多的粒子。实验结果表明,算法鲁棒性较高,同时提高了跟踪的精度。     

基于特征融合的改进LCT跟踪算法

为解决LCT算法在目标形变与快速移动情况下跟踪效果差的问题,提出一种基于特征融合的跟踪算法。在梯度方向直方图特征相关滤波的基础上,提取目标与背景颜色直方图特征,得到颜色特征的目标预测位置。在此基础上,根据跟踪置信度确定特征融合权重,综合考虑梯度特征与颜色特征得到跟踪结果。实验结果证明,与LCT算法相比,该算法的距离精度和重叠精度分别提高了11.5%和21.2%,平均中心位置误差减少了15.3像素。     

基于改进Camshift和Kalman滤波的目标跟踪算法

在移动目标跟踪过程中,可能会受到种种干扰而导致目标不能有效地被跟踪。为了解决在跟踪运动目标过程中受到外界影响的缺陷,采用了一种Camshift和Kalman滤波结合的目标跟踪算法。算法能有效克服运动目标被遮挡或相似颜色运动目标干扰使目标跟踪丢失的缺陷。实验结果表明:本文提出的算法用于跟踪运动目标具有很好的鲁棒性。     

基于Camshift与Kalman的目标跟踪算法

针对目标跟踪复杂的难点,提出了一种比较实用的跟踪方法。采用基于颜色概率分布的Camshift算法进行目标跟踪的同时,引入卡尔曼滤波,并给出模型参数。在目标发生遮挡时,使用卡尔曼滤波对目标运动状态进行估计。实验表明,算法能够对目标进行持续、稳定的跟踪。     

多特征融合与Kalman滤波的CAMShift跟踪算法

针对CAMShift算法在实际应用场景中受颜色和遮挡时跟踪失败的问题,提出一种多特征融合与Kalman滤波的CAMShift目标跟踪算法。多特征融合是在CAMShift算法基础上将边缘、纹理与颜色特征融合在一起,采用改进的Canny算子描述边缘特征,采用统一模式下的N-LBP构造纹理特征,并利用巴氏(Bhattacharyya)系数计算各个特征的自适应融合权值,通过不同特征之间的优势互补,增强特征的表达能力。当跟踪目标无遮挡时,使用CAMShift算法计算目标位置并更新Kalman滤波器参数,有遮挡时,使用Kalman滤波预测当前目标的位置,最后仿真实验表明,本文算法受环境影响小,相比CAMShift算法跟踪误差显著降低。     

改进的CamShift人脸跟踪算法

经典CamShift算法在用于人脸跟踪时,遇到场景中有大面积类肤色区域出现的情况容易产生跟踪失误。针对该问题,提出在CamShift中融入模板匹配的改进算法。以颜色概率分布图中模板匹配是否成功作为CamShift算法迭代终止的条件,解决跟踪过程中的类肤色干扰问题。实验结果证明了该方法的有效性。     

基于CamShift和Kalman组合的改进目标跟踪算法

针对应用CamShift算法进行目标跟踪过程中,当目标被严重遮挡、目标被与目标颜色相近的背景干扰时易丢失跟踪目标的问题,提出了一种基于CamShift和Kalman滤波组合的改进跟踪算法;为克服目标因严重遮挡而丢失的缺陷,利用自适应算法改进了传统的CamShift算法,扩大了搜索窗口,使运动目标位于搜索窗口内;为解决目标因颜色相近背景干扰而丢失的问题,改善跟踪准确率,利用卡尔曼滤波预测目标运动空间位置,作为下一帧搜索窗口的质心坐标;基于上述改进,利用C++语言,研发了改进的CamShift目标跟踪软件模块,给出了该模块的算法流程;实验结果表明,改进后的目标跟踪算法能有效地克服传统CamShift算法的缺陷,大大提高运动目标跟踪的准确性;所提的算法可以应用于运动小车跟踪,人脸识别等领域。     

联合多特征的自动CamShift跟踪算法

针对CamShift跟踪算法仅采用颜色作特征,易发生跟踪错误等问题,提出了一种基于特征融合的算法。采用改进的背景差分法自动检测目标,目标模型联合了颜色和梯度方向特征,并对特征的可信度进行加权处理,有效解决了CamShift算法在有颜色相近的干扰目标存在情况下跟踪可能失效的问题。实验表明,该算法提高了跟踪的准确性和稳健性。     

融合CamShift的TLD算法实现人脸跟踪

针对跟踪-学习-检测(Tracking-Learning-Detection,TLD)算法跟踪模块所用金字塔光流法计算量大,跟踪人脸实时性差的问题,提出融合连续自适应均值漂移(Continuously Adaptive Mean Shift,CamShift)的TLD算法提高人脸跟踪效率.改进的TLD算法框架中跟踪模块选用CamShift算法实现目标人脸跟踪,检测模块采用滑动窗法扫描搜索,再使用分类器判断目标是否存在,学习模块根据跟踪模块和检测模块的结果对比评估错误和误差,更新目标模型.将改进的TLD算法分别与CamShift算法和TLD算法进行对比试验,结果表明,融合CamShift的TLD算法实现人脸跟踪效率和准确率均高于原始两种算法,且满足实时性要求.     

有效块的多特征融合的目标跟踪方法

运动目标跟踪是计算机视觉领域的一个热点,针对目前运动目标方法在跟踪目标时候会考虑目标框中整体信息,但是被跟踪目标外形具有多变性,导致跟踪方法鲁棒性和精准度不高的问题。利用被跟踪目标局部结构,将跟踪目标看成块粒子,在序列蒙特卡方法下,构建块粒子置信函数和运动相似性函数,通过权重投票计算跟踪目标最佳位置。并基于基础跟踪方法单一特征提取不足的问题,提出一种基于HOG和颜色直方图多特征线性融合的方法。实验表明,与多种优秀跟踪方法相比,该方法取得最低平均跟踪误差14.83,且目标重叠率达到0.67,表明该算法可以稳定、准确地进行目标跟踪。     

基于自适应空间正则化的视觉目标跟踪算法

为解决相关滤波类视觉跟踪算法中的边界效应问题,提出一种基于自适应空间正则化的视觉跟踪算法.在经典滤波模型中引入自适应空间正则化项,通过建立正则权重在相邻帧之间的关联,自适应调整当前帧的模型正则化权重,减小边界效应的影响.采用自适应宽高比的尺度估计策略,以及基于颜色直方图相似度的模型更新策略,抑制模型漂移,提高跟踪准确性.实验显示,该算法在UAV123,OTB2013,OTB2015这3个数据集上的跟踪成功率和精确度均高于所有对比的算法,且即使在复杂场景中也能保持良好的跟踪效果.特别是在出现运动模糊和目标在平面内旋转2种情况时,该算法的跟踪成功率较排名第2的算法分别提升了9.72个百分点和9.03个百分点,说明所提出的算法具有较好的适应性.     

基于双感兴趣区域判定和速度信息融合的CamShift目标跟踪算法

针对连续自适应均值偏移(CamShift)算法易受相似色的影响,从而导致跟踪发散和跟踪目标丢失后无法重新获取的现象,提出了一种基于双感兴趣区域(ROI)判定并融入速度信息的CamShift运动目标跟踪方法.算法的基本思想是将单个ROI划分为两个了ROI,其中一个为主跟踪区域,另一个为辅助跟踪区域,采用两个独立的跟踪器分别对其进行跟踪,通过两个跟踪器在跟踪中的协调解决了相似色干扰问题,增强了跟踪算法的鲁棒性,同时,将目标的速度信息引入跟踪算法.实验结果表明,即使受到相似色于扰和遮挡,这种改进后的CamShift算法仍然能够保持对目标的有效跟踪.     

基于多特征融合的均值偏移视频目标跟踪算法

为了有效地实现复杂环境下视频目标跟踪，在分析了基于颜色分布的均值偏移跟踪算法的基础上，提出了一种联合空间信息的改进均值偏移算法，此算法是将目标空间位置预测与均值偏移算法定位结果通过加权得到最终目标位置，实验表明，改进算法将目标颜色分布与目标空间运动信息相结合，保证了跟踪效果的稳定性和鲁棒性．     

基于卡尔曼滤波的多目标跟踪方法

针对视频多目标跟踪中由于目标间的遮挡、交错或目标漂移而导致跟踪失败的情况,提出一种基于卡尔曼滤波以及空间颜色直方图的遮挡预测跟踪算法。利用空间颜色直方图对目标进行建模,可以对不同目标进行区分进而在目标之间出现交错或目标漂移时仍能跟踪到目标。通过卡尔曼滤波算法可以 预测 目标的状态,对预测位置之间存在交错的目标进行遮挡标记,以便在下一帧中仍然可以跟踪到被遮挡的目标。采用2D MOT 2015数据集进行实验,跟踪的平均精度达到了34.1%。实验结果表明,所提方法对多目标跟踪的效果有所提高。