基于Camshift反馈码本模型的手抓取物跟踪方法

针对Camshift算法在复杂背景下无法自动跟踪目标的问题,提出一种基于Camshift反馈码本模型的运动目标检测和跟踪算法。该算法首先利用码本模型检测前景目标,然后采用Camshift在颜色概率分布图中跟踪前景区域中的目标,通过窗口尺寸比较和直方图相关性判断来解决自动跟踪,通过窗口位置预测和尺寸扩大来改进下一帧Camshift算法的输入搜索窗口,同时并集操作多个目标处理后的矩形窗口,并将其反馈为下一帧码本模型的图像检测区域。最后将该算法应用于手和目标物的抓取状态判断上,具体过程是在静态背景下利用两个摄像头采集到的图像进行手和目标物的检测和跟踪,通过矩形相交性判断抓取次数,以验证跟踪算法的有效性。实验结果表明,通过信息反馈减小了目标检测和跟踪的搜索区域,提高了算法的实时性,在单摄像头下可提高处理帧频130%。     

基于ABCshift算法的目标检测与跟踪

针对Camshift算法需要人为定位的问题,利用帧间差分法检测运动目标的初始位置,采用ABCshift算法连续更新背景模型,自动降低类目标色在颜色概率分布图中的密度值,从而实现准确的目标检测与跟踪。实验结果表明,该方法可以解决Camshift算法进入大面积类目标色背景下目标跟踪效果不理想的问题,在复杂背景下具有较好的适应性。     

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。     

基于多个颜色分布模型的Camshift跟踪算法

视角变化往往会引起目标外观特征的变化, 传统的基于单一颜色直方图模型的 Camshift 跟踪算法往往不能适应这种变化. 为此, 本文从提高模型描述能力入手, 提出利用目标外观的先验知识, 为目标建立多个颜色模型, 在此基础上设计目标函数, 通过对目标函数的优化, 实时地为每帧跟踪从多个模型的凸组合中选取最优模型. 另外, 在对 Camshift 算法深入研究的过程中, 发现了概率图平均亮度和图像块颜色分布之间的一种定量关系, 这种关系为进一步理解多模型算法的工作机理提供了帮助. 头部跟踪的实验结果表明, 与单一固定模型以及自适应单模型算法相比, 多模型 Camshift 算法对目标外观的快速变化适应性很强, 而且计算代价不大.     

基于Camshift和SURF的目标跟踪系统

针对动态的实时目标跟踪算法Camshift(continuously adaptive meanshift)在背景复杂或者存在较多与目标颜色相近的像素时,容易出现跟踪目标丢失的问题,研究并实现一套基于Camshift和SURF(speeded up robust features)算法的目标跟踪系统。使用双内核的DM3730为核心,连接网络摄像头实现图像的动态采集,在DM3730上实现SURF算法和Camshift算法的融合,并负责将采集到的视频压缩,通过网络传输到计算机,对得到的图像做进一步结果分析。实验结果表明,基于Camshift算法和SURF算法融合的目标跟踪系统在简单背景、有相似物体干扰和复杂背景等情况下都能够更准确快速地跟踪到目标,鲁棒性更强、效果更好。     

基于改进的Camshift视频对象跟踪算法

针对Camshift算法需要人工手动选择跟踪目标的局限性,提出一种改进算法.首先在灰度图像下;采用最大类间方差法所选定的全局阀值进行二值化,并利用空间信息对二值图像聚类,确定跟踪目标,然后在HSV空间中,结合颜色概率分布图,实现目标自动跟踪.实验结果表明,改进算法有效的克服了Camshift算法在跟踪初始时刻,需要人工...     

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。     

基于Camshift和Kalman滤波的自动跟踪算法

针对传统的Camshift算法在跟踪时需要手动定位目标,在颜色干扰、遮挡等复杂背景中容易跟丢目标的问题,提出了一种基于Camshift和Kalman滤波的自动跟踪算法。首先利用帧间差分法和Canny边缘检测法分割出运动目标的完整区域,然后用提取出的目标区域初始化Camshift算法的初始搜索窗口,从而实现了目标的自动跟踪。当背景中存在相似颜色干扰或者目标被严重遮挡时,采用Kalman滤波与Camshift算法相结合的改进算法进行跟踪。实验结果表明,本文改进算法在目标被严重遮挡、颜色干扰等情况下仍能有效、稳健地跟踪。     

面向物流仓库的多目标视频跟踪

为了解决物流仓库复杂环境下多目标跟踪的问题,本文提出一种融合了背景建模的Camshift算法,并在算法跟踪过程中加入目标运动信息。首先根据跟踪目标获得目标颜色概率密度图像;然后根据背景建模获得的背景图像对概率密度图像进行滤波处理;在Camshift每次迭代过程中,引入运动信息,通过加权融合获得最优位置;在多目标跟踪过程中,将当前帧中已跟踪完成的目标在概率密度图像中滤除,减少对其它目标的干扰。通过实验表明,在物流仓库运送轨道上的物品跟踪的实际应用中,本文算法对复杂背景干扰和相似目标的相互干扰,有很好的处理能力。     

煤矿井下视频多目标轨迹跟踪算法研究

为了提高煤矿井下监控视频的目标识别准确率,对运动目标进行有效跟踪,将小波变换和背景差分法相结合,对Camshift算法进行改进,提出了适用于煤矿井下视频多目标轨迹跟踪算法。首先采用小波三层变换对视频图像进行去噪处理,得到低频图像。然后再进行背景差分运算,检测出运动目标。最后采用Camshift算法对运动目标进行跟踪处理。实验结果表明,改进的Camshift算法减少了原始Camshift算法在初始候选目标时的随机性,提高了目标检测和跟踪的准确率,为煤矿的安全生产提供了保证。     

自适应融合角点特征的Camshift目标跟踪

为了能够实时有效地跟踪运动目标,提出了一种新的自适应融合角点特征和颜色特征的Camshift目标跟踪算法。该算法融合了角点的特征不变性,并采用Mean-Shift算法提供的非参数核密度估计的统计思想,计算各特征的概率密度函数,用Bhattacharyya系数作为相似性度量函数,利用相似性度量值之比自适应地融合角点特征和颜色特征,将得到的新的概率密度分布结合Camshift跟踪算法实现目标跟踪。测试结果表明,该算法比传统的Camshift算法跟踪效果更好,更准确。     

基于改进Camshift的穿墙雷达运动人体目标成像跟踪算法

针对穿墙雷达运动人体目标图像"闪烁"与"抖动"的特点,提出基于改进Camshift的穿墙雷达运动人体目标成像跟踪算法。首先,针对形成的连续多帧穿墙雷达图像以及对应的颜色概率分布图,引入目标预测过程以确定图像中运动目标搜索波门,消除波门外的杂波干扰;然后,利用颜色概率分布图,在波门内自适应迭代调整目标搜索窗尺度,匹配形状与大小变化的目标图像以提取目标位置;最后,对提取的目标位置进行α-β滤波,形成连续平滑的目标运动跟踪航迹,实现基于穿墙雷达成像的建筑物内运动人体稳定航迹跟踪。多输入多输出（MIMO）穿墙雷达实验结果显示,与传统Camshift和Meanshift算法相比,改进后算法的跟踪航迹误差分别降低了40.99%和43.09%,获得了更加准确和平滑的目标运动航迹。     

基于改进Camshift算法的钻杆计数方法

针对采用传统的Camshift算法跟踪钻杆机器时相似颜色物体间易产生干扰的问题,提出了一种基于改进Camshift算法的钻杆计数方法:使用改进的Camshift算法实时捕捉钻杆目标,并且通过设置锚点以及判断时间间隔来进行钻杆计数。改进的Camshift算法采用模版匹配的方法定位跟踪目标,智能地选择合适的方法提取颜色直方图,并引入粒子滤波器,通过一定机制与纹理特征相结合,得到跟踪目标在下一帧的准确位置。实验结果表明,改进后的算法解决了相似颜色干扰问题,并且在部分遮挡条件下仍能够准确跟踪目标,从而实现对钻杆的准确计数。     

一种改进的基于Camshift的粒子滤波实时目标跟踪算法

为了能够快速和准确地跟踪运动目标,提出了一种改进的基于Camshift的粒子滤波算法。在粒子滤波框架下,首先对传统目标模型进行改进,提出一种新的融合目标颜色信息和运动信息的模型,以增强目标跟踪的稳健性和准确性;同时为了提高跟踪的效率,将一种改进的Camshift算法嵌入到粒子滤波中,用来重新分配随机粒子样本,使之向目标状态的最大后验概率密度方向移动。实验结果表明,与传统的粒子滤波算法或Camshift算法相比,该方法能有效处理目标快速运动或背景存在强干扰等情况,实现对目标快速和稳健的跟踪。     

侦查目标追踪过程中视频浓缩方法仿真

在侦查目标追踪过程中,采用当前方法对视频进行浓缩处理时,所用时间较长,浓缩处理后视频中有效信息丢失率较高。为此,提出新的侦查目标追踪过程中视频浓缩方法。通过混合高斯模型模拟视频信号,实现视频前景建模和背景建模;在Camshift算法下降H分量的颜色概率分布图和颜色直方图相结合,对视频中存在的图像帧进行运算,通过调整搜索窗的大小实现对运动目标的追踪;采用松弛线性规划算法获得目标运动轨迹对应的最优时间标签,结合目标轨迹、背景序列和最优时间标签实现视频的浓缩处理。仿真结果表明,所提方法的浓缩耗时较短,视频中有效信息得到了有效保存。