基于粒子Mean Shift迁移的红外人体目标跟踪算法

提出了一种基于粒子Mean Shift迁移过程的红外人体跟踪方法.算法通过采样粒子迁移和聚类动态建立目标的状态模型和量测模型.在被跟踪区域随机布撒粒子,以各粒子对应像素的亮度作为特征值进行Mean Shift收敛性分析,使用收敛后的粒子集表达目标的当前状态;以状态粒子的坐标位置为特征值对其进行Mean Shift聚类,作为对目标的量测.连续跟踪时,下一帧的采样粒子基于上一帧的量测结果产生.与传统的基于序贯重要性采样的粒子滤波方法相比,算法不需要目标的相似性测度计算,仅用少数粒子即可实现对目标的可靠跟踪.     

基于Mean Shift和粒子滤波的运动目标跟踪

针对Mean Shift算法跟踪效果不佳以及粒子滤波算法计算量大且实时性不强等问题,提出了一种结合Mean Shift和粒子滤波的运动目标跟踪融合算法。首先用MeanShift算法进行跟踪,在跟踪结果不佳的情况下用粒子滤波算法进行修正。实验结果表明,融合算法很好地结合了两种算法的优点,既保留了Mean Shift算法的实时性,又很好地体现了粒子滤波算法的鲁棒性,实用性很强。     

基于Mean Shift视频运动目标跟踪

视频监控是安全防范系统的重要组成部分,而视频运动目标检测和跟踪技术则是智能视频监控的关键技术。Mean Shift算法是一种在一组数据的密度分布中寻找局部极值的稳定的方法,并因其它计算量小,简单易实现而广泛应用于实时跟踪场合。在离散的数据集上,Mean Shift能很快的找到数据分布最密集的点,本文介绍了使用OpenCV实现Mean Shift的方法,分析其在跟踪方向的优势与不足。     

基于Mean Shift视频运动目标跟踪

视频监控是安全防范系统的重要组成部分,而视频运动目标检测和跟踪技术则是智能视频监控的关键技术。Mean Shift算法是一种在一组数据的密度分布中寻找局部极值的稳定的方法,并因其它计算量小,简单易实现而广泛应用于实时跟踪场合。在离散的数据集上,Mean Shift能很快的找到数据分布最密集的点,本文介绍了使用OpenCV实现Mean Shift的方法,分析其在跟踪方向的优势与不足。     

一种基于混合量子粒子群的快速运动目标跟踪算法研究

量子粒子群算法在优化过程中需要权衡局部探索性和全局开拓性,进化后期由于全局开拓能力的丧失使得种群多样性减少,设计了一种基于欧式距离的混合量子粒子群算法,通过计算粒子的种群多样性,当种群多样性低于阈值范围时加入基于欧式距离的种群划分策略划分子种群,从而保证获得全局最优解。利用标准测试函数验证提出的混合量子群算法有效性。提出了基于混合量子粒子群的Mean Shift算法(HQPSO Mean Shift)完成目标快速跟踪,克服传统Mean Shift算法的在跟踪快速移动目标时出现"跟丢"的问题。     

基于Mean Shift算法和粒子滤波器的目标跟踪

本文提出了一种综合Mean Shift算法和粒子滤波器的跟踪算法,该算法利用Mean Shift算法在重采样之后将粒子收敛到靠近目标真实状态的区域内,克服了传统粒子滤波器的退化现象并缩短了计算时间,而且算法在遮挡时能实现很好的跟踪．实验表明．算法的实时性得到了提高．     

基于Mean Shift算法的目标跟踪综述

介绍Mean Shift算法及其研究进展,在众多计算机视觉研究和实际应用,尤其是视频跟踪研究中,基于Mean Shift算法的视频跟踪被大量应用。就目前所应用的跟踪算法,Mean Shift算法使跟踪中存在的很多问题得到了解决,例如运动目标的突然加速,背景的干扰,目标和目标以及目标和背景之间的遮挡,背景或者目标外部的变化等。对目前基于Mean Shift算法本身及其改进方法的理论和应用进行分类和比较,详述其各自方法内容和优缺点。     

基于Mean Shift迭代的新生未知多扩展目标跟踪

针对当前基于随机集的多扩展目标跟踪算法存在计算量大、量测划分不准确和跟踪误差大的问题,在PHD滤波基础上提出一种基于均值漂移(Mean Shift)迭代的新生未知多扩展目标跟踪算法.首先,对聚类后量测数据进行关联,得到新生目标状态,解决目标新生问题;然后,通过Mean Shift迭代获得目标量测集质心,将扩展目标的多量测问题转化为点量测处理;最后,给出其粒子实现方式.仿真实验表明,所提出的算法可以降低跟踪复杂度,提高跟踪效率,在交叉时刻具有稳定的跟踪性能。     

基于混合粒子滤波的运动火焰跟踪算法

提出一种基于混合粒子滤波的运动火焰跟踪算法。针对通用粒子滤波算法计算量大的问题,提出了混合粒子滤波,将Mean Shift算法嵌入到粒子滤波中,并用自适应运动模型和目标模型自动更新的策略改善算法性能。基于混合粒子滤波提出了火焰识别和火焰跟踪相结合的运动火焰自动跟踪算法,先火焰识别,再火焰跟踪,且跟踪时,如果估计目标与模型的相似度小于阈值则切换到火焰识别阶段。识别与跟踪的相互切换保证了跟踪结果的正确性。实验结果表明混合粒子滤波具有很好的跟踪效果,与粒子滤波和Mean Shift算法相比,提高了跟踪精度;基于混合粒子滤波的火焰跟踪算法能够跟踪复杂环境下的运动火焰,提供火焰的精确位置。     

核函数带宽自适应的均值漂移目标跟踪算法

针对均值漂移(Mean Shift)算法在跟踪视频目标过程中核函数带宽固定不变的缺陷,提出了一种核函数带宽与目标大小自适应变化的Mean Shift视频目标跟踪算法.用Mean Shift算法搜索到目标,以搜索框中心不变,将搜索窗口扩大,并计算新搜索框的模型及每个像素的核函数权值;通过将每个像素点的核函数权值代替像素值,并利用不变矩计算方法,识别出能框选住目标的椭圆;根据椭圆参数反求新搜索框的大小(核函数带宽)及位置.实验结果表明,该算法能够有效地跟踪大小变化的目标,并且搜索框能较好地与目标大小相适应.     

基于Mean-Shift的卡尔曼粒子滤波车辆跟踪算法研究

在视频车辆跟踪算法中针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不准确性,提出一种基于Mean-Shift的卡尔曼(Kalman)粒子滤波算法。该算法利用建立基于目标颜色直方图特征模型对视频车辆目标进行建模,并将其与Kalman滤波相结合进行更新;通过采用Mean Shift算法将Kalman滤波器引用到粒子滤波器当中,通过预测迭代,从而达到对车辆的运行轨迹的修正。将先验信息预测与粒子滤波相结合在保持跟踪系统整体上的非线性、非高斯性,兼顾了卡尔曼滤波局部的线性高斯特性。实验结果表明,该方法与传统粒子滤波方法相比,具有较好的实时性和较高的准确率,能够准确稳定地对目标车辆进行跟踪。     

基于粒子滤波的红外运动目标跟踪

提出一种基于粒子滤波及Mean Shift算法的红外运动目标跟踪方法。该方法首先利用目标区域的灰度分布,建立了一种基于统计直方图的系统观测概率模型,并针对红外目标机动性强,需要大量粒子才能保证算法鲁棒性的问题,将Mean Shift算法引入到粒子更新的过程中,使粒子分布在观测的局部区域内,在利用少量粒子实现分布多样性的同时,有效克服了粒子退化现象。序列图像的实验表明：该算法能够在目标高速运动或发生遮挡的情况下稳健跟踪目标,其总体性能优于传统的粒子滤波算法。     

卡尔曼粒子滤波的视频车辆跟踪算法研究

近年来,视频车辆跟踪作为城市智能交通系统（ITS）的一个关键技术受到关注。本文针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不稳健性,提出一种基于卡尔曼粒子滤波的视频车辆跟踪算法,该算法利用基于重要区域的目标颜色直方图统计模型对视频车辆目标进行建模,并将其应用于卡尔曼滤波更新中,通过采用Mean Shift算法将卡尔曼滤波器引用到粒子滤波器当中,对车辆的运行轨迹进行校正,实现了局部线性滤波,实现了在保持跟踪系统整体上的非线性、非高斯性的同时,兼顾其局部的线性高斯特性。实验结果表明,本文所提出的方法与传统粒子滤波方法相比,能够更准确地对车辆进行跟踪,同时保证了在复杂环境下性能的稳健性。     

一种基于角点的Mean Shift目标跟踪算法*

为了提高经典的Mean Shift算法在复杂场景中的跟踪性能,提出了一种基于角点的目标表示方法。首先,利用Harris角点检测算法提取表示目标主要特征的角点;其次,基于提取的角点,建立目标模型,将其嵌入Mean Shift算法进行跟踪。该方法仅用少量的关键点表示目标,能够自动去除目标和背景中的次要特征,有效地抑制背景成分对目标定位的影响,从而改进Mean Shift目标跟踪算法的性能。通过测试两个复杂环境下的视频,实验结果表明,相对于传统的目标跟踪算法,提出的方法取得了更好的性能。     

面向交通流检测的Mean Shift多目标自适应跟踪算法

随着社会的发展,交通问题越来越严重,交通流检测技术是解决这一问题的重要途径,而目标跟踪又是交通流检测中必不可少的一部分。目前在目标跟踪领域Mean Shift算法是被广泛采用的技术,但是传统的Mean Shift跟踪算法计算量很大,难以实现交通流检测中的多目标实时追踪。鉴于此,提出一种基于线性预测的Mean Shift跟踪算法。该算法引入一个预测矢量,用来预测目标在下一帧可能出现的位置,在跟踪时算法从预测的位置开始迭代,直至收敛于目标真实位置。实验结果表明,该算法从很大程度上提高了原有算法的效率,有利于实时跟踪。而且,为了解决Mean Shift跟踪算法中核函数带宽自适应的问题,还提出了一种基于比较目标中心灰度比例变化来实现带宽自适应更新的新方法。     

基于空间关联特征分布的目标跟踪

通过利用特征全局分布信息,提出一种以网格为数据单元的Mean Shift的目标跟踪算法(grid mean shift,GRIMSHIFT).针对传统Mean Shift目标跟踪算法的不足,GRIMSHIFT算法在m*n个像素的网格小区域内提取如颜色、角点量等局部区域特征值.在此基础上结合整幅图像进行约束Delaunay三角剖分得到图像像素间全局空间关联信息.在网格级上把局部特征信息和全局分布信息加权混合,使特征分布数据集具有了更高的目标辨识度;在视频序列中对动态网格特征分布连续运用Mean Shift便实现了对目标的跟踪.实验结果表明GRIMSHIFT拥有良好的实时性和准确性.     

噪声方差未知条件下的视频目标跟踪

目的 基于卡尔曼滤波的视频目标跟踪算法需要事先获得过程噪声和观测噪声方差,但在实际应用中,无法得知这两种噪声方差的准确值。此外,由于目标运动的随机性和视频场景中背景的复杂性,噪声方差也会随时间发生动态变化。如果设定的噪声方差不准确,跟踪精度会受影响,严重时会导致目标跟踪失败。考虑到上述问题,提出一种新的解决方法。方法 将带遗忘因子的推广递推最小二乘法(EFRLS)运用到视频目标跟踪研究领域。在该算法中,无需使用噪声方差,首先利用Mean Shift算法获得目标位置的初步估计,再利用EFRLS算法估计下一帧目标的位置。结果 该算法明显好于传统Mean Shift算法,并且与Kalman结合Mean Shift算法的跟踪性能相当。此外,在目标发生严重遮挡时,该算法优于Kalman结合Mean Shift算法,具有较好的跟踪性能。结论 本文算法无需设置噪声参数,可以实现目标在发生严重遮挡和遮挡后目标重新出现的情况下的准确跟踪,提高了跟踪的鲁棒性,具有一定的工程使用价值。     

遮挡情况下的多目标跟踪算法*

在视频监控系统中,由于背景的复杂变化,运动目标经常会出现部分或全部被遮挡的情况。为了在遮挡条件下进行多目标跟踪,针对运动目标发生遮挡情况下的Mean Shift跟踪问题进行了研究,提出一种新的抗遮挡算法。利用卡尔曼滤波器来获得每帧Mean Shift算法的起始位置,再利用Mean Shift算法得到目标跟踪位置,通过目标遮挡判定机制和目标搜索机制来解决遮挡问题。实验表明,该算法较好地解决了运动目标的遮挡问题。     

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。     

基于颜色的快速人体跟踪及遮挡处理

为了对被跟踪到的运动员进行运动姿态以及运动参数的分析,给运动员的训练提供科学合理的参考,提高比赛成绩,研究了面向体育视频的运动目标跟踪技术,提出了一种基于Mean Shift的综合算法.首先,根据背景加权直方图选择跟踪目标与背景图像的差别最显著的部分作为跟踪特征,以减少背景信息对跟踪效果的影响;其次,针对Mean Shift算法需要对图像进行穷举匹配的问题,利用Kalman滤波对目标的状态进行有效预测,减少了匹配运算次数,改善了快速运动目标的跟踪效果,提高了跟踪算法的稳健性;最后运用基于核的Mean Shift算法对运动目标进行跟踪,同时进行目标模板的实时更新,实现了对体育视频中运动员的稳定实时的跟踪.该方法成功地解决了部分遮挡、背景混乱以及目标尺寸变化等问题.