使用Mean Shift进行自适应序列图像目标跟踪*

现有的Mean Shift跟踪方法使用单一半径参数描述目标大小变化,不能适应复杂的目标运动情况。使用带宽矩阵来描述目标尺寸,在两个方向上独立描述目标大小变化,提出并证明了一种新的跟踪方法。实验表明,在不增加任何计算量的情况下,该算法对目标运动的适应性更好。     

多特征带宽自适应Mean Shift目标跟踪算法

在传统均值漂移跟踪算法中,其核函数带宽缺乏较好的自适应调整特性,且易受背景色干扰。为此,提出一种多特征带宽自适应目标跟踪算法。采用颜色和纹理信息创建特征模型,在最优目标位置区域投影,以生成概率密度分布图,通过计算获得目标密度块的长度和宽度,从而自适应调整核函数带宽,用椭圆锁定目标,椭圆形状参数由目标概率密度的矩运算获得。实验结果表明,该算法能够有效适应目标缩放、旋转等复杂运动,并能抵御一定光照变化及背景色干扰影响。     

一种基于纹理模型的Mean Shift目标跟踪算法

在Mean Shift跟踪算法中,目标表示方法对跟踪性能有着重要影响.本文以局部二值模式(LBP)纹理模型作为研究对象,分析LBPi,1ri的9种纹理模式所表示的图像特征,提出用LBP8,1ri纹理模型中表示边界和角的5种基本模式表示目标的算法,称为FLBP8,1,并将FLBP8,1模式成功嵌入Mean Shift算法进行目标跟踪.FLBP8,1有效结合目标的边界及其纹理特征,能够自动提取目标的关键模式点,利用少量的关键点准确表示目标,因此计算复杂度较低.实验结果表明,在复杂的条件下,本文方法比基于颜色的表示法在目标表示的准确性和跟踪性能上均有明显提高.     

一种分层Mean Shift目标跟踪算法

针对经典Mean shift (MS)目标跟踪算法的颜色特征鲁棒差、匹配迭代复杂的缺点, 提出一种分层Mean shift (Hierarchical mean shift, HMS)目标跟踪算法. 首先通过MS迭代将目标区域特征空间的数据点聚类于模式点, 使得以简洁的方式描述前景跟踪目标, 建立目标模型与目标候选模型的聚类模式点描述, 进行聚类块匹配. 然后, 导出聚类块模式点匹配下的相似度量函数, 进行像素点匹配, 结合邻域一致性, 计算像素平移量, 分层估计序列帧中跟踪目标质心模式点的位置, 并给出HMS匹配迭代跟踪算法. 实验结果表明, 与其他两种MS跟踪算法相比, HMS既能提高序列帧跟踪目标表达与匹配的鲁棒性, 又无需匹配所有数据点, 算法简洁且有效可行.     

基于像素级图像融合的Mean Shift目标跟踪

针对可见光、红外单模图像序列进行Mean Shift目标跟踪时存在的问题,提出了先对可见光、红外图像序列进行像素级动态图像融合,采用加权平均融合和基于区域目标检测的图像序列融合框架,再对融合结果进行Mean Shift目标核函数直方图建模,然后进行匹配跟踪。实验采用了实际图像序列。实验结果表明,针对目标进行跨背景区域的运动,该方法较采用单模图像序列进行跟踪具有更好的鲁棒性,并且满足实时性的要求。     

混合目标模型的Mean Shift跟踪算法

但固定目标模型的Mean Shift算法采用直方图进行匹配,而直方图是一种比较弱的目标特征,当背景和目标的颜色分布较相似时其跟踪效果欠佳。针对这一缺点,提出了一种采用混合目标模型的Mean Shift算法。该算法在匹配过程中使用的目标模型包含了初始帧和前一帧的信息,克服了固定目标模型难以对与背景相似目标以及旋转目标进行准确描述的缺点,获得了较好的跟踪效果。     

基于Mean Shift的多模板目标跟踪算法

目标跟踪是计算机视觉研究领域的热点之一,并得到广泛应用。其中基于Mean Shift的运动目标跟踪算法因其计算量小,实时性好,简单易行等特点而受到广泛关注,但该算法在目标突变或严重帧丢失以及目标严重遮挡的情况跟踪效果不佳,留下了改进空间。在传统基于Mean Shift运动目标跟踪方法基础上,通过创建并维护多样性模板库为跟踪过程提供更丰富的目标描述信息,提高算法运动目标跟踪效果。实验结果表明,新算法较好地解决了在目标突变和严重帧丢失情况下不能准确跟踪目标的问题,并且对目标的完全遮挡也具有很好的鲁棒性。     

一种改进的Mean Shift跟踪算法

本文主要针对经典的Mean Shift跟踪算法均匀剖分整个颜色空间造成许多空的直方图区间以及不能准确表达目标颜色分布的缺点, 提出了一种改进算法. 该改进算法首先对目标的颜色进行聚类分析, 根据聚类结果通过矩阵分解和正交变换自适应地剖分目标的颜色空间从而确定对应于每一聚类的子空间. 在此基础上定义了一种新的颜色模型, 该模型统计落入每一颜色子空间的像素的加权个数并用高斯分布建模每一个子空间的颜色分布, 并推导了一种相似性度量来比较目标和候选目标的颜色模型之间的相似程度. 最后基于该颜色模型提出了改进算法. 实验表明, 基于该颜色模型的改进算法比经典的Mean Shift算法具有更好的性能, 而跟踪时间与经典算法大致相同.     

基于惯量矩的自适应带宽Mean Shift目标跟踪算法

基于核的传统均值漂移目标跟踪算法,对于目标的尺度和角度缺乏良好的自适应能力。为此,提出一种基于惯量矩的自适应调整核函数带宽均值漂移跟踪算法。该算法首先用颜色模型在最优迭代位置投影创建目标概率密度分布,然后计算此密度分布的形心主轴惯量矩和旋转角度,最后用惯量矩的方法对目标进行椭圆拟合。得到目标的长度和宽度,递归滤波后自适应调整核函数带宽。实验结果表明,该算法在光照、尺度变化情况下可以准确跟踪目标,并估计目标旋转角度。     

一种自适应色彩融合的Mean Shift跟踪算法*

针对现有的MeanShift算法使用单纯的颜色特征不能适应光线及背景的变化,易受颜色相近物体干扰的问题,提出了自适应色彩融合方法来提高跟踪性能。对背景以极坐标的形式进行不等间隔采样,以融合后的目标直方图与背景直方图具有最小相似性为原则搜索色调与饱和度的最佳线性融合系数;考虑背景与目标的渐变,跟踪过程中在最佳融合系数的自适应调整邻域内调整融合系数;能够有效处理相似物体和颜色相近的大背景带来的干扰。视频序列跟踪结果表明,提出的方法能够实时、稳定地进行跟踪。     

基于均值移动与贪婪算法的多人脸跟踪

提出一个基于均值移动(Mean Shift)和贪婪算法的多人脸跟踪器.首先建立多个均值移动目标跟踪器以进行多人脸跟踪.结合卡尔曼滤波逐个检测目标并从视频帧中清除已跟踪到的人脸,以解决当多个目标相邻或相互遮挡时相应的跟踪窗口会收敛于最大目标、导致其他目标丢失的难题.引入辅助窗口并根据其纹理信息确定粘连目标的对应.实验结果表明,该多人脸跟踪算法可实现稳健的实时多人脸跟踪.     

针对融合图像的均值位移跟踪方法

提出一种针对融合图像的均值位移跟踪方法。运用加权平均融合和基于动态目标检测的多源动态图像融合体系,对可见光与红外图像进行像素级动态图像融合,利用Mean Shift算法进行目标跟踪。采用真实数据进行实验,并对实验结果进行稳态的位置均方根误差评价。结果表明,在跨背景区域及复杂背景下,采用该方法对目标进行运动跟踪,能满足鲁棒性及实时性要求。     

一种基于Mean Shift的快速跟踪算法

针对Mean Shift算法难以跟踪快速运动目标、算法迭代次数多以及耗费时间长的问题,提出了一种基于Mean Shift的快速运动目标检测方法,该方法结合帧差法并融合背景信息来快速检测运动目标;同时提出一种新的相似性度量方法进行初步检测,排除干扰并快速选出符合标准的目标以进行Mean Shift匹配,找出最佳目标。该方法不仅减少了传统方法的迭代次数,缩短了算法所需时间,而且在跟踪实验中取得了较好的跟踪效果,提升了算法的鲁棒性。     

一种尺度自适应的Mean Shift跟踪算法

针对传统Mean Shift中跟踪窗口尺度不能实时适应跟踪目标变化这一问题,提出一种基于图割理论的Mean Shift尺度自适应算法.根据每一帧图像的Mean Shift迭代结果,在其周围的一个小区域内,利用先验的肤色混合高斯模型构造图并建立关于标号的能量模型,使用max flow/min cut算法计算出能量函数最小值实现图割,在图割后的肤色团块中寻找最大团判定为跟踪目标,并以该团的尺度来实时调整目标跟踪窗口.实验结果表明,该方法克服了缩放10%核带宽的经典尺度适应方法的带宽趋于缩小问题,实时地反映跟踪目标真实尺度变化,避免背景中其他目标的干扰,具有较好的实用性和鲁棒性,而且可以应用到娱乐游戏控制中,丰富人机交互操作方式.     

基于空间边缘方向直方图的Mean Shift跟踪算法

传统的基于色彩直方图或空间色彩直方图的Mean Shift跟踪算法,在诸如跟踪目标出现尺度变化的复杂条件下,无法得到准确的跟踪结果。这是因为色彩直方图或空间色彩直方图无法显著区分颜色相近的目标和背景。鉴于此,提出了一种基于空间边缘方向直方图的Mean Shift跟踪算法,使用空间分布和纹理信息作为匹配信息。实验结果表明,该算法能够有效的处理遮挡、光照变化和尺度缩放等复杂情况,对目标进行准确有效的跟踪,改善了传统方法在尺度缩放等方面的局限性。     

基于均值漂移和卡尔曼滤波的跟踪算法研究

为了寻找一种可以实际运用到学校监控系统的目标跟踪算法,文中对基本MeanShift算法进行描述,并阐述算法的实际意义。MeanShift虽然以其不需要参数、不需要穷尽搜索区域等特性可以较好地实现目标跟踪,但是同时其也有不足,让其在某些跟踪条件下达不到很好的效果。为了使MeanShift目标跟踪算法满足实际应用需求,通过添加核函数和增加权重的方式对基础MeanShift算法进行扩展,并在分析MeanShift算法的不足之后,提出一种MeanShift与Kalman滤波相结合的目标跟踪算法。通过学校的视频监控平台对提出算法进行验证,实验结果表明,该算法可以有效地对目标进行跟踪。     

Mean Shift和粒子滤波实现红外人体跟踪算法综述

红外摄像仪能够全天候工作且不会受限于像光线不足、漆黑夜晚等外界环境的干扰,但是红外图像成像质量差、分辨率低、信息单一等特点导致研究人体目标跟踪出现许多难点问题。主要贡献表现在以下三个方面：（1）对少有的公开的红外数据集进行详细归纳;（2）重点阐述了国内外在红外人体跟踪方面对Mean Shift算法和粒子滤波算法的改进方案;（3）重点介绍了融合红外成像与可见光成像实现红外人体跟踪的研究进展。     

Mean Shift图像分割的快速算法

Mean Shift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。在图像聚类分割中,Mean Shift算法是一种有效的方法。但是,由于Mean Shift算法是一种迭代方法,要保证较高的数值计算精度则需要较多的迭代次数,耗费较长的计算时间。为克服这一缺点,提出了在数字图像空间中标记收敛点,同时采用Fourier级数来近似计算高斯函数。仿真实验表明,该方法对于加速Mean Shift计算过程是十分有效并且是相当精确的。     

基于灰度触发的Mean Shift自动跟踪算法

为实现道路交通的车辆自动跟踪,提出一种基于灰度触发的Mean Shift自动跟踪算法。利用改进的高斯混合模型进行前景检测,有效抑制光照突变对于目标检测的影响,保证触发区域的灰度干扰降低到最少。设计基于虚拟区域灰度变化的触发方式,通过捕获虚拟触发区域内的灰度局部峰值,扩展目标搜寻区域进行运动车辆的锁定,进而实现核函数宽度自适应调整的Mean Shift跟踪。实验结果表明,该方法能准确实现自动触发跟踪,触发精度较高,具有较好的实用价值。