利用检测特征空间的目标实时跟踪

针对被跟踪目标尺度小、特征颜色与场景颜色相似的问题,提出一种基于实时检测结果的视频目标跟踪算法,即首先对背景进行高斯建模,利用背景减除法和帧间差分算法对前景区域进行有效提取,然后在提取的前景区域内进行基于均值移动算法的目标跟踪。基于像素级别的背景减除与帧间差分算法虽然精确和灵敏的优点,但是鲁棒性不强;而基于块级别的均值移动算法虽然鲁棒性强,但是弱化了特征颜色的空间信息,本文对两种机制进行了有效融合。通过该策略,跟踪系统在目标快速运动、有场景相似颜色干扰等情况下具有很好的跟踪性能,算法的计算量小,能够满足实时性要求。通过多组对比实验可以看出,新算法具有很强的抑制背景干扰、提高均值移动跟踪算法鲁棒性的能力。     

一种基于背景加权的多特征融合目标跟踪算法

针对均值漂移(MS)目标跟踪算法受背景环境变化干扰较大的问题,提出一种基于背景加权的多特征融合目标跟踪算法BWMMS。引入基于目标模型与目标周围背景模型差分的加权函数,细化各像素对准确描述目标的重要程度,从而提高目标模板的分辨能力。结合颜色与纹理特征进行目标跟踪,构建基于目标和目标背景区域的特征自适应融合机制,使BWMMS算法能够根据跟踪场景变化自适应调整颜色与纹理特征的权值。实验结果表明,与MS算法、HRBW算法相比,该算法对环境变化的适应性较好,能取得更鲁棒的跟踪结果,且跟踪成功率高达94.84%。     

基于背景加权的尺度方向自适应均值漂移算法

针对经典的均值漂移算法在跟踪过程中由背景相似度、尺寸变化以及遮挡等引起的跟踪漂移问题,提出了一种基于背景加权的尺度方向自适应均值漂移跟踪算法。结合背景加权来提取目标颜色特征,充分利用了视频图像序列的空间信息,突出了目标区域的信息特征,抑制了由背景相似度和背景模糊引起的跟踪漂移现象。采用尺寸方向自适应的协方差矩阵估计方法,以适应运动目标尺寸方向的实时变化,保证了跟踪的准确性。经实验验证提出的运动目标跟踪算法较之其他经典均值漂移算法在精度和效率上都有显著提高。     

复杂背景下感兴趣运动目标的跟踪算法

针对由于复杂背景的干扰而导致不能准确跟踪感兴趣运动目标的问题,提出一种基于多特征自适应融合的粒子滤波跟踪算法。首先在HSV颜色空间中得到感兴趣运动目标的加权颜色分布模型,然后利用不变矩特征来消除背景中相似颜色物体和光照变化的干扰,两种特征通过自适应调整权重来更新粒子权值而融合于粒子滤波算法中,从而能够准确和稳定地跟踪运动目标。实验证明,该算法在运动目标平移、姿态变化、遮挡、光照变化及相似颜色干扰等复杂背景下都能够准确地进行跟踪,对背景干扰具有很强的鲁棒性。     

无人机对船舶目标的改进CamShift跟踪算法研究

针对由于CamShift算法跟踪特征单一引起的对颜色相似目标或背景的干扰和对目标遮挡情况较敏感的问题,提出了一种基于改进CamShift融合局部特征匹配的无人机目标跟踪算法.首先,采用基于 H分量和LBP二维模板的改进CamShift目标跟踪算法以提高对相似目标干扰的鲁棒性;其次,在能保证目标跟踪的实时性要求的前提下,融合局部特征匹配算法中的BRISK匹配算法,可有效改善CamShift对颜色相似目标或背景的干扰的敏感性,同时增强对目标遮挡鲁棒性.实验结果表明,该改进算法通过颜色特征和局部特征的共同定位目标,实现了目标的准确跟踪.     

均值漂移跟踪的双模板更新算法*

针对均值漂移算法缺少必要的模板更新方法的缺点,提出了一种基于双模板判定的更新算法。该算法首先通过分析目标特征与背景特征的相对大小,设计了加权函数分别对前景和背景特征进行加权;然后在此基础上引入背景模板并构造双模板,通过对候选目标与双模板相似度系数的综合分析,可以准确判定跟踪状态及干扰产生的原因,以采取相应的模板更新策略。实验表明,该算法可以有效地增强均值漂移算法在目标姿态变化、前景遮挡等复杂条件下的跟踪效果,具有较好的跟踪稳健性。     

基于多级颜色累积和纹理融合的目标跟踪算法

在目标跟踪中,目标颜色变化或相似颜色背景干扰会导致算法的鲁棒性较差.为解决该问题,提出一种基于多级颜色累积和纹理融合的目标跟踪算法.将算法分为颜色与纹理特征提取、目标与背景特征相似度判断2个子过程,子过程交替执行,在目标颜色发生变化时,利用感兴趣区域帧差法对目标进行再定位,提取多级颜色模板,并将其累积在原模板之上.实验结果表明,该算法的平均跟踪误差约为基于颜色-纹理算法的1/2、为单视觉特征跟踪算法的1/3.     

融合颜色与纹理特征的粒子滤波目标跟踪

针对采用单一颜色特征的粒子滤波目标跟踪算法在背景相似、光照变化复杂的场景下会导致跟踪失败的问题,提出一种基于LBP纹理和颜色特征融合的粒子滤波跟踪目标算法。综合加权颜色直方图和LBP纹理直方图进行目标特征描述,建立目标观测模型;同时粒子滤波进行状态预测,利用Bhattacharyya系数进行相似度测量,作为目标区域参考模型更新准则,实现权值更新;最后对权值归一化处理,得到目标位置状态的最终估计。实验结果表明该算法不仅提高了跟踪方法的鲁棒性,而且在目标遮挡、光照变化等干扰下,具有较好的准确性。     

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。     

多特征自适应融合的军事伪装目标跟踪

针对军事伪装目标在运动过程中存在与背景分布十分相似或遮挡等强干扰情况下的跟踪问题,提出了一种基于自适应多特征融合的均值漂移算法优化的粒子滤波跟踪算法。利用背景加权后的联合直方图表述目标灰度和梯度方向信息,根据前一帧目标特征的可信度自动调节双方的权重,在粒子滤波算法的框架下,利用改进后的均值漂移算法使粒子向目标状态的最大后验核密度估计方向移动,并设计了特征融合的观测模型,以提高跟踪算法的场景适应能力。实验结果表明,该算法可实现对与背景相似的军事伪装目标的稳定跟踪,对目标的严重遮挡具有很好的鲁棒性。     

基于自适应特征融合的粒子滤波目标跟踪算法

提出了一种基于自适应特征融合的粒子滤波跟踪算法,用于解决传统的粒子滤波跟踪方法在复杂背景下容易跟踪失败的问题。该算法选取颜色特征和边缘特征来描述目标,并通过粒子滤波进行特征融合,根据可靠性因子调整各特征的权值系数;在跟踪过程中,随着目标自身形变,自适应更新目标模板。实验结果表明,在复杂背景下以及受到遮挡时,本算法能够准确稳健地跟踪目标。     

基于统计模型的遗传粒子滤波器人体运动跟踪

提出了一种基于统计模型的遗传粒子滤波器人体运动跟踪算法。引入局域二值模式(LBP)算子提取纹理特征,利用颜色直方图与纹理直方图相似度的加权和表示目标相似度,以有效解决自遮挡对跟踪的影响。利用该统计模型精确表示运动人体轮廓,目标形状可由一可变形状参数确定;采用遗传粒子滤波器作为跟踪算法以提高粒子滤波器的鲁棒性和精度。通过预测更新可变形状参数,再利用统计模型中目标形状与形状可变参数的关系得到图像序列各帧中人体轮廓,有效降低了计算量,从而达到快速而准确的跟踪目的。最后用上述方法进行了实验,验证了该方法的实用性和有效性。     

均值漂移目标跟踪的两级窗宽更新算法

目标尺度发生较大变化时,固定窗宽的均值漂移(Mean shift)目标跟踪算法不能进行有效跟踪。为此,提出一种两级更新的自适应窗宽计算方法。采用Mean shift跟踪算法对目标中心进行初次定位,并确定窗宽的大小,设置感兴趣区域,结合已建立的背景模型,在感兴趣区域内利用背景减除技术二次确定目标的中心及窗宽大小,通过比较2次目标区域与目标模型之间的Bhattacharyya系数,选择系数较大的区域作为最终跟踪窗口。实验结果表明,该方法能够对尺度变化明显的运动目标自适应确定跟踪窗宽,并减小传统Mean shift跟踪方法背景目标颜色对目标特征提取的影响。     

视频图像序列中人体目标的提取与跟踪

针对人体目标运动的非刚体性而难以跟踪问题,提出了一种基于视频图像的人体跟踪方法。首先获取人体目标,选取目标若干子区域作为跟踪模板,用Kalman滤波和最小差值法作为相似性测度的相关跟踪对各子区域进行精确定位,最后将各个子区域跟踪结果进行位置融合得到最终的人体目标位置。实验表明,该方法对人体目标细节性形变和大的形变均能进行有效跟踪。     

适用于遮挡车辆检测的子块带权模板匹配方法

针对多车辆跟踪过程中的遮挡问题,提出一种基于梯度方向直方图的子块带权模板匹配方法。该方法先对目标分块,并提取每块的梯度方向直方图,然后利用核函数为各块赋予不同权值,并采用子块带权特征匹配度度量方法计算目标模型与搜索窗的匹配度,进而获取最佳匹配。最后将该方法应用于多车辆跟踪过程中的遮挡车辆跟踪与检测。实验表明,该方法具有良好的精确度和鲁棒性。     

视频图像中的运动目标跟踪

提出了一种视频图像中运动目标跟踪的新方法。该文首先提出跟踪区域内基于像素的可信度与空间位置的权重函数,然后利用HSV色彩分布模型计算出目标模型与预测模型间的相似性,选出最优相似模型作为当前目标模型,从而实现了多目标的跟踪。实验显示,该算法计算简单,对相似目标能实现准确的跟踪,对非刚性目标的尺度变化、多目标的交叉及部分遮挡具有鲁棒性。     

A color-based particle filter for multiple object tracking in an outdoor environment

Tracking multiple objects is more challenging than tracking a single object. Some problems arise in multiple-object tracking that do not exist in single-object tracking, such as object occlusion, the appearance of a new object and the disappearance of an existing object, updating the occluded object, etc. In this article, we present an approach to handling multiple-object tracking in the presence of occlusions, background clutter, and changing appearance. The occlusion is handled by considering the predicted trajectories of the objects based on a dynamic model and likelihood measures. We also propose target-model-update conditions, ensuring the proper tracking of multiple objects. The proposed method is implemented in a probabilistic framework such as a particle filter in conjunction with a color feature. The particle filter has proven very successful for nonlinear and non-Gaussian estimation problems. It approximates a posterior probability density of the state, such as the object’s position, by using samples or particles, where each state is denoted as the hypothetical state of the tracked object and its weight. The observation likelihood of the objects is modeled based on a color histogram. The sample weight is measured based on the Bhattacharya coefficient, which measures the similarity between each sample’s histogram and a specified target model. The algorithm can successfully track multiple objects in the presence of occlusion and noise. Experimental results show the effectiveness of our method in tracking multiple objects.     

基于改进高斯混合模型的实时运动目标检测与跟踪*

为提高运动目标检测与跟踪的可靠性,提出了一种基于改进高斯混合模型的实时运动目标检测与跟踪算法。该算法建立可自动调节分布数目的高斯混合背景模型,通过背景减除获取前景图像;利用目标相邻帧的连续性分割运动目标;在此基础上将传统的颜色直方图模型进行改进,提高目标颜色分布的可信度,进而根据目标的位置、大小和颜色构造运动目标全局匹配相似度函数,实时完成运动目标检测与跟踪。利用大量的监控视频数据进行验证,结果表明,与传统的检测跟踪算法相比,该算法减少了计算量,提高了复杂背景情况下运动目标检测与跟踪的可靠性。     

密集特征加权跟踪算法

目的 当前大多数基于Mean-shift的跟踪算法都忽视了目标中密集的特征信息,本文有效利用密集特征信息,来提高跟踪的准确性.方法 在目标模型中,常存在一些颜色特征相对聚集,形成一定大小的特征密集区,这些区域的面积或大或小,对人眼视觉跟踪异常重要.这些区域形成的空间结构信息,可以被利用到目标跟踪.提出一种高效的目标模型,通过计算密集特征区域面积,以及密集区质心到目标中心的距离,构建加权系数,通过该系数,来增加目标中分布相对集中的特征的权值,同时削弱离散特征的权值.同时使用零阶矩和目标模型与候选模型之间的相似度系数,估算目标的面积;再使用预测目标面积补偿法,对目标中因使用背景加权法而权重被削弱的特征区域,进行面积补偿;最后使用估算的目标区域面积以及二阶中心距,估算目标尺度和方向的改变.在跟踪过程中,背景如发生较大变化,则对目标模型进行更新.结果 本文算法具有很好的尺度适应性,跟踪平均准确率在94.6%以上,得到较当前一些先进方法更好的准确度和效率.结论 提出的算法能增加目标模型中不同特征权值间的差异,使得构建的目标模型具有较强区分目标和背景的能力,提高了定位目标的准确性;面积补偿法解决了目标因特征权重被削弱,而导致估算的目标面积小于实际面积的问题.     

利用增广拉格朗日乘子的鲁棒跟踪算子

针对视频目标鲁棒跟踪问题,提出了一种基于稀疏表示的生成式算法。首先提取特征构建目标和背景模板,并利用随机抽样获得足够多的候选目标状态;然后利用多任务反向稀疏表示算法得到稀疏系数矢量构造相似度测量图,这里引入了增广拉格朗日乘子(ALM)算法解决L₁-min难题;最后从相似度图中使用加性池运算提取判别信息选择与目标模板相似度最高并与背景模板相似度最小的候选目标状态作为跟踪结果,该算法是在贝叶斯滤波框架下实现的。为了适应跟踪过程中目标外观由于光照变化、遮挡、复杂背景以及运动模糊等场景引起的变化,制定了简单却有效的更新机制,对目标和背景模板进行更新。对仿真结果的定性和定量评估均表明与其他跟踪算法相比,所提算法的跟踪准确性和稳定性有了一定的提高,能有效地解决光照和尺度变化、遮挡、复杂背景等场景的跟踪难题。