基于多目标Camshift手势识别

基于单目视觉下的手势识别技术一般由手势建模、特征提取、手势匹配等几个关键技术构成。手势跟踪算法目前主流的是粒子滤波算法和Camshift算法。系统采用Camshift算法,将人手图像由RGB空间转换到HSV空间后,在HSV空间利用半自动预定义模板颜色对人手进行分割,并对其进行改进实现多目标跟踪,由于Camshift算法为半自动算法,在对手势进行跟踪前需对手势进行手动标定,系统采用了手势跟踪与手势识别技术结合的方法,改进了Camshift算法,解决了Camshift的半自动问题和实现多目标跟踪,实现双手的手势识别。     

基于深度预分割结合Camshift跟踪算法的动态手势识别方法

针对现有改进的Camshift手势跟踪算法没有考虑光照变化影响下的鲁棒性,进而降低了动态手势的识别率,提出一种基于深度预分割结合Camshift跟踪算法的动态手势识别法.通过在Camshift手势跟踪的基础上引入深度信息,对手势搜索区域进行深度预分割,改进手势目标匹配概率,去除非手势肤色区域及光照变化的影响,最后用隐马尔可夫模型(HMM)进行识别.实验结果表明,提出的方法在光照变化及肤色干扰的环境下有很好的鲁棒性,数字0～9的平均识别率可达97.7％.     

基于改进的Camshift运动目标跟踪算法的研究

针对基于颜色概率分布的连续自适应均值漂移算法(Camshift)跟踪算法在背景中出现相同颜色干扰时容易致使跟踪目标失败的问题,提出了一种改进的Camshift跟踪算法。首先对Camshift跟踪目标前进行目标检测,通过帧差法、光流法、背景差分法三种检测算法对比,采用背景差分法得到的运动目标区域矩形特征参数作为Camshift的初始化参数,取代一般Camshift算法利用颜色特征的跟踪。最后对改进的算法和一般Camshift进行仿真对比实验。实验结果表明,结合背景差分法和连续Camshift算法的运动目标跟踪在一定程度上满足了实时性与稳定性的要求。     

矿井安全监控中运动目标检测算法研究宰

安全监控系统中井下危险区域运动目标检测和跟踪具有重要作用,通过提前预警并结合联动系统可有效防止危险事故发生.提出基于背景差法改进的在线调节学习速率混合高斯模型和结合颜色梯度以及数学形态学的背景建模方法分别对于光线缓慢变化和突变不同环境下的移动目标进行检测.实验证明新算法能够准确定位和跟踪运动目标.     

基于改进的帧差法和Mean-shift结合的运动目标自动检测与跟踪

为了实现在静态背景下对运动目标的自动检测跟踪,提出基于改进的帧差法和Mean-shift结合的运动目标自动检测与跟踪算法。该算法改进了传统的三帧差分法,引入单高斯背景模型参与目标检测。此外,传统的Mean-shift算法,在起始帧需要手动选定目标,且选定窗口大小固定不变,不能根据目标尺寸变化而变化,从而导致失去目标。这里提出的方法先利用改进的帧差法检测目标,确定目标的位置窗口和中心,然后结合Mean-shift算法,根据是否超出设定的阈值来确定是否需要更新模板,从而实现该算法对运动目标的自动跟踪。实验表明,该算法计算速度快,具有较高的准确率。     

改进的边缘高斯混合模型运动目标检测

为解决高斯混合模型中噪声和光照变化带来的影响以及运算量大等问题,先通过帧差法确定运动目标大致区域,筛选后在确定区域内采用混合高斯模型重建背景,并运用SUSAN算子进行边缘检测,形态学处理后将两者结果进行"与"运算;区域外部分按照当前帧背景更新,两部分综合得到最终的运动目标。实验结果显示,改进算法有良好的鲁棒性,能很好地适应光照变化,检测结果高效准确,可以应用于目标跟踪领域。     

基于Kalman滤波与Camshift算法的水面目标跟踪

根据水面监控图像的特点,对运动载体采集到的水面视频图像进行处理,从而实现对运动目标的跟踪。首先,利用Haar分类器检测出水面的运动目标,并用检测结果初始化Camshift跟踪器的搜索窗口;然后,运用Kalman滤波器与Camshift组合算法实现对运动目标的跟踪。其中,利用Kalman滤波算法预测目标在下一帧中出现的位置,Camshift算法用来跟踪目标,以此减小搜索范围,提高跟踪效率。实验结果表明,该算法能够实现对水面运动舰船的检测并进行有效跟踪。     

一种基于全景视觉的运动目标检测方法

针对基于全景视觉系统采集的图像序列中运动目标检测的方法进行了研究,采用三帧差法和混合高斯模型相融合的算法对运动目标进行检测。不但解决了三帧差法无法检测出全部目标信息的缺点,而且还避免了背景减除法容易出现两个目标的假现象,在背景颜色和目标颜色相近时检测效果较好。实验表明,该算法能准确检测出运动目标,具有较好的实时性。     

视颇监控系统中运动目标跟踪算法研究

针对Camshift跟踪算法无法适应目标的高速运动、背景复杂和遮档的情况,提出了一种改进算法.将Kim算法和卡尔曼滤波状态预测引入,用Kim算法提取运动目标区城信息,根据以往目标位置点的信息对当前帧中目标的可能位置预测,解决了传统Camshift算法的一些局限.实验表明改进算法在目标高速运动、遮档情况下,仍能进行有效跟...     

混合高斯融合三帧差的运动目标检测改进算法

针对混合高斯模型(Gaussian Mixture Model,GMM)无法检测到完整的运动目标,三帧差法检测目标时对物体速度的敏感,检测到的物体会出现空洞等缺点,提出了一种混合高斯融合三帧差法的运动目标检测改进算法。首先,在运动目标提取过程中,改进的三帧差法采用动态分割阈值和边缘检测技术,解决光线突变和边缘不连续问题;然后引入新的高斯分布自适应选择策略,以减少处理时间,提高检测准确性;最后,利用改进HSV(Hue-Saturation-Value)颜色空间来消除阴影区域,得到一个完整的运动目标。数据实验表明,该算法在不同场景具有较好的检测能力。     

基于Camshift和SIFT线性融合的目标跟踪算法研究

Camshift算法是对MeanShift算法的改进,它可以解决目标尺度缩放、持续跟踪等问题。但是当目标颜色与背景颜色接近或者目标遇到旋转问题时,Camshift算法容易失效。而SIFT算子对旋转、亮度变化保持不变性,对颜色相近也保持一定的稳定性,所以本文提出一种Camshift与SIFT算子线性融合的目标跟踪算法。首先利用Camshift算法来对目标进行初步的跟踪,得到跟踪区域,再利用SIFT特征向量来匹配目标区域与跟踪区域,得到SIFT的匹配和校正结果,再将两种算法的结果进行线性融合,得到最终的跟踪结果。实验结果表明,本文提出的方法可以有效地解决跟踪过程中出现的旋转、颜色相近等问题。     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

改进的Camshift与Kalman融合的目标跟踪算法

Camshift算法主要利用物体的颜色信息进行跟踪,在复杂背景条件下容易造成目标的跟丢,且在目标被遮挡时,也容易造成跟踪失效。本文提出了一种改进的Camshift目标跟踪算法。首先将目标图像的HSV模型的三个分量进行加权建立一种新的目标颜色模型,然后由对整帧图像计算反向投影改为比搜索窗口稍大的区域计算反向投影,减少了相似背景的干扰。同时为了解决遮挡问题,结合了Kalman滤波器,有效地预测了目标的位置。实验表明,本算法能够避免背景颜色干扰和解决遮挡问题,实现了对运动目标准确跟踪。     

基于Camshift的改进人脸跟踪算法

文中利用目标加速度运动位移方程,预测下一时刻目标可能移动的位置,使用预测位置误差方程,估测运动目标搜索范围,并且通过启动多个Camshift跟踪器的方法,改进Camshift算法。仿真实验表明,该方法有效地克服了Camshift算法自身的缺陷,即使是加速运动的目标,也可准确地预测运动目标的位置,并且有效提高了对遮挡目标跟踪和多个人脸目标跟踪的鲁棒性。     

视频序列中运动目标的检测与跟踪方法

提出了一种视频序列中运动目标的检测与跟踪算法,该算法采用基于码本背景建模的减背景法与差分法相结合的算法,实现对运动目标的快速精确的检测与提取,也能够在存在前景运动的过程中提取背景,使用卡尔曼滤波对运动目标在下一帧中最可能出现的位置进行估计,在此基础上利用Camshift跟踪算法进行较小范围的搜索和目标匹配,减少了运算量、节约了搜索和匹配的时间、提高了跟踪的速度。实验证明该方法具有一定的实用性。     

动态融合梯度信息的Camshift算法改进研究

将梯度信息引入到Camshift算法之中,定义Camshift算法的梯度模型。依据运动目标和背景图像直方图的Bhattacharyya距离来动态决定梯度模型在查找算法中的决定权重,减小加入梯度后对算法时效性的影响;在Camshift算法求运动目标色调分量的过程中,改进由RGB空间到HSV空间转换计算的方法,减少反余弦和开方运算。在色调分量Hue基础上定义一种Hue分量,提高颜色空间之间的转换效率;在对目标跟踪框内颜色直方图进行计算时,以选取框重心位置为中心,距离中心越远的像素在颜色直方图中的比重越小.减小在选取运动物体初始位置时引入的背景噪声,提高跟踪算法的稳定性。实验证明:经过上述的改进,使得传统的Camshift算法在背景颜色与运动目标和有相似颜色物体对运动目标造成干扰的情况下的跟踪鲁棒性得到提高。     

一种改进的Camshift视频目标跟踪算法

鉴于连续自适应均值漂移(Camshift)算法在光照变化,相似背景颜色干扰及目标遮挡时鲁棒性不高,易造成跟踪错误等问题,提出了一种联合多特征和最大类间方差法的视频运动目标跟踪算法。该算法将色度直方图、梯度方向直方图和LBP纹理特征进行巧妙的融合,构建了一种高效的联合直方图目标外观特征模型,并在Camshift算法中嵌入最大类间方差法,增强目标和背景的区分度。不同场景的视频跟踪结果表明,改进算法有效克服了传统Camshift算法应对光照变化、颜色干扰和目标遮挡的缺点,与同类算法相比,具有更高的准确度和鲁棒性。