带宽自适应的Mean-Shift跟踪算法研究

针对图像跟踪中目标的尺度和旋转变化,将Lindeberg的尺度理论与Mean-Shift算法结合起来,提出了一种带宽自适应Mean-Shift跟踪算法。该算法在Mean-Shift的框架下,将尺度和旋转量与平移量同等看待,通过求解核函数带宽,计算出目标的变化参数,最终精确定位目标。另外,引入SAD算法对目标进行先期粗略定位,克服了目标做无规律大位移运动时Mean-Shift算法跟踪效果不佳的问题,同时也降低了Mean-Shift算法的迭代收敛次数。大量实验仿真表明,该算法对目标的仿射变化、非刚性形态变化,以及无规律的大位移运动具有有效性和鲁棒性。     

各向异性带宽自适应水面运动目标跟踪算法

传统Mean-Shift跟踪算法缺少核函数带宽更新策略,故无法解决无人艇跟踪的水面运动目标轮廓变化各向异性问题,提出一种各向异性带宽自适应的Mean-Shift跟踪算法。先用黎曼积分将特征子模型概率密度的归一化常数C_h近似为积分形式,从而获得不同尺度参数h对应的C_h间关系式。然后用梯度上升法使目标模型和目标候选模型之间的相似度函数达到局部最大,由此估计目标在下一帧的带宽与位置。最后为防止带宽更新时结果过小或过大,引入两个正则化参数修正尺度参数。实验结果表明,所提算法对外形轮廓非同比变化的水面运动目标跟踪具有各向异性的带宽自适应调节能力,型心位置准确率较传统Mean-Shift和各向同性带宽自适应Mean-Shift提高了约77.2%和31.1%,运行速度可达20.7 fps,显示了其鲁棒性和实时性。     

基于模糊C均值的Mean-Shift目标跟踪算法

针对Mean-Shift算法核函数带宽固定的缺陷,提出一种基于模糊C均值(FCM)的Mean-Shift目标跟踪算法.该算法采用FCM算法在YCrCb颜色空间对运动目标及附近背景进行分割,根据分割后的目标像素点统计量,遵循相邻两帧图像中目标大小不会突变的原则,修正Mean-Shift核函数窗宽.实验结果表明,该算法能够准确高效地对运动目标进行跟踪,对尺寸逐渐减小和逐渐增大的目标都能实现自动调整跟踪窗大小.     

基于边界力的Mean-Shift 核窗宽自适应算法

针对Mean-Shift(中值漂移)算法中核函数带宽不能实时改变的缺陷,提出一种基于边界力的Mean-Shift核函数带宽自适应更新算法.在分析目标加权核直方图模型的基础上,引入区域似然度以提取目标的局部信息.然后,比较相邻帧间的区域似然度并构建边界力.通过对边界力的计算,得到边界点的位置,进而自适应地更新核函数带宽.实验结果表明,这些工作改善了Mean-Shift 算法在目标尺度和形态发生变化时的跟踪效果,并且可以满足实时性的需要.     

核函数带宽自适应的Mean-Shift跟踪算法

为了实现Mean-Shift跟踪算法中的核函数带宽自适应更新,提出基于比较Bhattacharyya系数的新方法。首先用模板中心加权与目标边缘加权的直方图计算巴氏系数,跟踪时用候选目标边缘加权直方图与模板中心加权直方图计算新的巴氏系数,根据两个系数的大小对核带宽进行10%的缩放。实验表明,该方法有效克服了带宽只能缩小的问题,实现了跟踪窗对目标缩放的自适应性。     

万向椭圆描述的Mean-Shift算法

传统的Mean-Shift算法在目标跟踪过程中,由于跟踪窗口尺度固定而不能很好适应目标的尺度变化,当目标尺度减小时,目标区域所提取的特征向量包含过多的背景干扰信息,目标尺度增大会使跟踪窗口偏离目标的质心,降低跟踪的鲁棒性。为此文中采用万向椭圆的方式对目标区域进行描述,减少背景干扰信息以突出目标模型,提取椭圆区域的加权颜色直方图为目标特征,采用尺度加减法自适应调整椭圆区域的大小,并在跟踪过程中根据运动轨迹动态调整椭圆方向,以增强跟踪的准确性。实验结果表明万向椭圆能够更好地描述跟踪目标的尺度和方向,在目标尺度变化比较平稳的情况下,尺度加减法能自适应调整跟踪窗口的尺度,可以取得良好的跟踪效果。     

基于改进Mean-Shift的颜色直方图地板块跟踪算法

针对传统Mean-Shift算法中密度估计在速度、光线等因素影响下存在丢失目标的缺陷,在Mean-Shift算法基本原理的基础上,提出一种目标颜色直方图和Mean-Shift迭代算法相结合的跟踪方法.将该算法应用于地板块跟踪领域,研究了在遮挡物以及光线影响下该算法的可行性和跟踪效果.仿真和实验结果表明,该算法兼备跟踪快速、识别准确、稳定性好等优点,优于传统的Lucas-Kanade算法、Camshift算法,为地板块跟踪算法的研究提供了一个新的思路.     

监控场景下的目标自适应跟踪

目标跟踪是监控系统的关键技术之一.Mean-Shift作为高效的模式匹配算法,已经成功地应用在对实时性要求较高的目标跟踪系统中,但是传统的Mean-Shift跟踪算法未能有效地解决跟踪窗自适应和目标特征更新问题,无法实现对目标的长时间跟踪.论文提出了卡尔曼滤波、局部目标检测和Mean-Shift有机结合的目标自适应跟踪方法,能有效的解决跟踪窗自适应和跟踪目标的特征更新问题,并有较强的抗遮挡的能力,提高跟踪的稳健性.并通过跟踪实验对比验证了算法的有效性.     

基于PF的窗口自适应Mean-Shift跟踪算法

在视频目标跟踪过程中,Mean-Shift算法存在着核函数带宽固定不变的缺陷,对尺度大小发生变化的目标无法进行有效跟踪。提出一种多尺度理论与粒子滤波器（PF）相结合的改进算法。通过粒子滤波器对多尺度理论统计得到的跟踪窗信息量进行预测修正,据此计算核窗宽大小变化的比例系数,实现跟踪算法的窗口自适应能力。实验结果表明,改进的跟踪算法对尺寸逐渐减小和逐渐增大的目标均能自动选择合适的跟踪窗口大小。     

团块与Mean-Shift结合的局部遮挡目标跟踪

传统的基于Mean-Shift的目标跟踪方法利用目标的全局特征进行跟踪,在局部遮挡情况下跟踪效果不佳。提出一种基于团块建模和Mean-Shift相结合的利用目标局部特征的运动目标跟踪方法,对目标进行团块建模,利用Mean-shift算法对各团块进行跟踪,在此基础上确定目标新位置。该方法能够在目标发生局部遮挡时,自动选取未被遮挡的团块的跟踪结果来确定目标的位置。为了提高方法对背景干扰的鲁棒性,采用背景加权的Mean-Shift算法。实验结果表明：该方法在局部遮挡的情况下可较好地进行目标跟踪,跟踪效果优于报导的基于Mean-Shift的方法。     

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.     

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。     

一种基于椭圆RHM的扩展目标Gamma高斯混合CPHD滤波器

针对杂波环境下扩展目标形状难以估计、目标跟踪精度低等问题, 提出一种自适应估计扩展目标形状的伽玛高斯混合势概率假设密度算法(GGM-CPHD). 该算法将目标的扩展形状建模为椭圆随机超曲面模型, 并将其嵌入到GGM-CPHD 滤波器中, 更新扩展目标的质心、椭圆形状和方向等信息以完成对扩展目标的跟踪. 通过杂波环境下未知数目的扩展目标仿真实验, 表明了所提出算法在质心状态和椭圆长短轴的估计精度方面要优于传统的基于随机矩阵的伽玛高斯逆韦氏CPHD滤波器.

     

强等离子鞘套下航天返回舱相控阵雷达探测问题研究

为了有效应对强等离子鞘套环境下相控阵雷达对再入航天器的探测跟踪任务,设计采用多种波形的航天器目标多通道临空复制跟踪策略。针对等离子鞘套的特性和对雷达探测跟踪的不利影响,分别从信号带宽、检测门限和信号波形等方面进行了适应性改进。采用大的跟踪带宽、慢门限凝聚检测送点方式提升常规线性调频信号检测能力;采用宽、窄带交替跟踪方式提升目标距离分辨与检测能力;采用相位编码波形屏蔽鞘套的影响,稳定跟踪目标;采用正负LFM信号检测产生相关强点迹,以保持目标跟踪;复制跟踪策略在实际任务中进行了应用验证,取得了较好的效果。     

基于惯量矩的椭圆拟合方法

数字图像中,Hough变换或最小二乘法无法对图像中物体直接进行椭圆拟合,需要边缘检测等预处理,过程复杂且计算量大,为此,提出一种直接用图像惯量矩来拟合椭圆的方法。选定图像中要拟合的目标物体,将彩色图像转换为概率密度灰度图;计算目标的质心和主轴转动惯量,并运用形心主轴惯量积为零的条件推导出椭圆旋转角度和形心主轴惯量矩的大小;由形心主轴惯量矩的大小得出椭圆长半轴和短半轴大小,从而得到拟合后椭圆的各项参数。彩色图像实验,验证了该方法拟合目标椭圆的有效性和鲁棒性。     

无线传感网络中基于误差椭圆的自适应节点 选择目标跟踪算法

追踪精度与传感器节点能耗是无线传感网络WSN(Wireless Sensor Network)中主要考虑的两个性能指标,现有的许多目标追踪算法在提高追踪精度、降低传感器节点能耗的同时缺乏对传感器节点位置与数目的考虑.因此,提出一种基于误差椭圆的自适应节点选择目标追踪算法,以误差椭圆为基准计算目标最可能出现的区域,然后根据误差判决调整区域内所需激活的传感器节点数量,完成对目标的跟踪.仿真结果表明,该算法可以在保证追踪精度的同时有效降低激活传感器节点数量.     

基于非线性最小二乘原理的原木端面识别算法

为了更好地进行原木端面识别,研究了一种基于非线性最小二乘原理的椭圆拟合算法。椭圆拟合的精度在很大程度上受初始值的影响,该方法通过对目标图像的边界点进行距离计算,得到了适当的初始值;之后运用最小二乘原理,计算边界点到拟合椭圆之间欧式距离的最小值,确定最优拟合椭圆的长短轴参数。实验结果表明,提出的算法在原木端面的识别中,具有良好的拟合精度和适用性。     

Robust segmentation of cerebral arterial segments by a sequential Monte Carlo method: particle filtering

In this paper a method to extract cerebral arterial segments from CT angiography (CTA) is proposed. The segmentation of cerebral arteries in CTA is a challenging task mainly due to bone contact and vein contamination. The proposed method considers a vessel segment as an ellipse travelling in three-dimensional (3D) space and segments it out by tracking the ellipse in spatial sequence. A particle filter is employed as the main framework for tracking and is equipped with adaptive properties to both bone contact and vein contamination. The proposed tracking method is evaluated by the experiments on both synthetic and actual data. A variety of vessels were synthesized to assess the sensitivity to the axis curvature change, obscure boundaries, and noise. The experimental results showed that the proposed method is also insensitive to parameter settings and requires less user intervention than the conventional vessel tracking methods, which proves its improved robustness.     

一种健壮的目标多自由度Mean Shift序列图像跟踪算法

鉴于现有的Mean Shift跟踪方法都是使用单一半径参数来描述目标大小变化,且每个目标仅有位置和尺寸两个自由度,因而不能适应复杂的目标运动情况.针对该问题,首先提出了一种新的Mean Shift跟踪方法,由于该方法是通过引入带宽矩阵来描述目标尺寸,因此能够在水平和垂直两个方向上独立描述目标的大小变化,并通过加入目标倾角,使得目标旋转运动得以很好描述;然后借鉴了三步搜索的思想,提出了一种快速搜索策略,以解决目标遮挡问题.实验表明,该算法能够准确跟踪序列图像中的任意复杂运动,尤其对目标的缩放、旋转运动以及遮挡有良好的适应性.