基于Kalman预测器的多特征Camshift运动目标跟踪算法

基于色度特征的Camshift算法在运动目标颜色特征与背景颜色特征差别不大或目标附近有与目标色度相近的物体时,往往会失去跟踪目标或者跟踪目标不准确.据此,提出一种基于Kalman预测器的多特征融合的Camshift运动目标跟踪算法,将色度特征和梯度方向特征结合起来,利用综合直方图实现目标跟踪,并针对运动目标突然加速导致目标跟丢的情况,采用Kalman预测器预测运动目标在下一帧中可能出现的位置,再用Camshift算法搜索目标中心,提高搜索的实时性.实验表明,该改进算法有效地解决了原有算法存在的问题,提高了目标跟踪的速度与精度,满足了实时性要求.     

基于Meanshift与Kalman的视频目标跟踪算法

针对传统的Meanshift方法在复杂条件下目标跟踪丢失问题,提出了一种将Meanshift与Kalman滤波器融合的视频运动目标跟踪算法。该算法可对跟踪加入运动目标预测,根据Meanshift跟踪结果判断是否开启Kalman滤波器的预测及滤波,能提高跟踪的鲁棒性。实验结果表明,该算法可以有效改善在复杂条件下的跟踪效果,具有较好的鲁棒性。     

基于Kalman 滤波器的二维运动目标跟踪

利用kalman 滤波器结合递归最小二乘法(RLS)建立了一个基于模型的鲁棒跟踪器, 该模型能够有效 分割图像域内的目标, 提取目标特征并在给定区域内实现连续跟踪。采用动态kalman 滤波器自适应的更新目标模 型的特征, 实时的增加新的、稳定的图像特征, 同时减少无效或影响较小的图像特征, 随后由RLS 来完成对既定特征 目标的匹配搜寻。通过在FIRA Miro so t 集控式足球机器人平台上的应用, 该方法能够在规定区域内, 有效的跟踪小 球, 且鲁棒性较强。     

利用Camshift算法实现运动目标自动跟踪

为实现在背景复杂、颜色混淆、目标形变等环境下自动跟踪目标,将Camshift算法对色调分量敏感的特性推广到饱和度、亮度等分量,构造了颜色三分量凸函数组合模型,利用多目标规划最优求解法获取自适应颜色识别最佳组合解,结合质心、倾角识别和Kalman运动信息预测跟踪技术,取得了复杂场景下多色度目标发生旋转、遮挡和速率变化时都能精确跟踪的效果,并将这种改进的Camshift组合算法应用在自适应实时跟踪系统上,提高了系统识别速度和跟踪能力。     

基于改进Camshift的运动目标跟踪算法应用研究

CamShift是利用目标颜色信息对目标跟踪的算法,当目标运动过快时,由于运动方向的不确定性,Cam—Shift不能准确跟踪目标,导致跟踪丢失．针对存在的问题,文章在Camshift算法中引入目标运动轨迹预测思想,提出了一种能有效跟踪运动目标的新方法．该方法能准确预测运动目标的位置,减少在算法中搜索目标的次数,进而提高目标跟踪的准确性和速度．实验结果表明,该方法对运动目标能够快速、有效地进行跟踪．     

基于SURF和Camshift的目标跟踪算法研究

针对动态的目标跟踪算法Camshift在目标发生短时遮挡或者背景有相似颜色干扰时,可能造成目标跟踪失败的问题,提出了一种基于SURF和Camshift的目标跟踪解决方案。使用搜索窗口颜色概率直方图和目标模板的颜色概率直方图的Hellinger距离判定Camshift算法跟踪结果是否准确,当判定为跟踪失败时,利用SURF快速近似最近邻搜索算法进行特征匹配,解决了传统Camshift算法需要手动确定第一帧搜索窗口,背景颜色干扰及短时遮挡后目标定位的问题。实验结果表明,采用该算法能克服传统的Camshift算法的缺陷,有效地跟踪到目标,具有较好的鲁棒性。     

基于DSP的运动目标检测与跟踪系统设计

运动目标检测与跟踪是智能视频监控系统的重要组成部分,其主要功能为检测监控场景中的运动物体,分析其运动轨迹,为高级运动分析提供必要的信息.随着人们对社会安全水平和设备智能化程度要求的提高,运动目标检测与跟踪必将具有广泛的应用前景.针对实时运动目标检测与跟踪,提出了一种基于DSP的运动目标检测与跟踪系统的设计方案,给出了系统总体结构框图,分析了系统工作原理.实现了一种采用结合帧间差分和背景减除的运动物体检测方法,以及一种应用Kalman滤波的运动目标跟踪方法.同时,给出的实验结果表明,该系统能够检测并跟踪特定场合的运动目标.     

自适应Kalman滤波的运动物体跟踪算法研究

针对实时视频中的运动物体跟踪问题,提出了一种基于自适应Kalman滤波的运动物体跟踪新算法。首先利用基于∑-△背景估计算法检测运动物体,并提取主要颜色特征。然后构建物体运动模型,并生成自适应Kalman滤波的系统状态模型。最后利用主要颜色特征进行物体跟踪,其结果反馈给自适应Kalman滤波器,并通过遮挡率自动调整参数达到正确跟踪。实验结果表明,所提出的自适应Kalman滤波算法在运动物体被遮挡等复杂条件下的鲁棒性好,还具有跟踪准确性高和数据计算量小等优点,可用于实时运动物体的检测与跟踪。     

强跟踪滤波器与卡尔曼滤波器对目标跟踪的比较

介绍了早期的卡尔曼滤波器和近期提出的强跟踪滤波器对匀速运动目标和机动性目标的跟踪情况．通过仿真，说明在信噪比较小的情况下强跟踪滤波器的目标跟踪性能优于卡尔曼滤波器的跟踪性能。     

基于Kalman滤波的红外弱小目标检测前跟踪算法

红外弱小目标检测跟踪问题具有重要的军事意义和广阔的应用前景,检测前跟踪算法是解决这一问题的有效途径。提出了一种基于Kalman滤波的检测前跟踪算法：首先对红外图像进行形态学top-hat算子滤波预处理;然后利用恒虚警率阈值提取单帧候选目标,并利用目标灰度模板进行灰度核密度估计,初步剔除大部分虚假目标,累积处理若干帧后,利用Kalman滤波器筛选出最优轨迹;最后依据一定的判断准则从当前帧候选目标中提取出真实目标。与一种典型的基于管道滤波的算法进行对比,仿真实验结果表明,该算法对目标运动速度和信噪比的变化有较强的适应能力,同时能用于目标遮挡或消失等情况。     

Target Tracking Algorithm Based on Meanshift and Kalman Filter

Directed at the problem of occlusion in target tracking, a new improved algorithm based on the Meanshift algorithm and Kalman filter is proposed. The algorithm effectively combines the Meanshift algorithm with the Kalman filtering algorithm to determine the position of the target centroid and subsequently adjust the current search window adaptively according to the target centroid position and the previous frame search window boundary. The derived search window is more closely matched to the location of the target, which improves the accuracy and reliability of tracking. The environmental influence and other influencing factors on the algorithm are also reduced. Through comparison and analysis of the experiments, the modified algorithm demonstrates good stability and adaptability, and can effectively solve the problem of large area occlusion and similar interference.     

一种适用于机动目标跟踪的改进卡尔曼滤波算法

针对卡尔曼滤波跟踪强机动目标时性能下降的问题,提出了一种适用于机动目标跟踪的改进卡尔曼滤波算法.该算法在卡尔曼滤波算法的基础上,根据当前量测目标航向与前一目标航向之间的航向角度差,判断机动强弱并计算出加权函数值,然后用加权函数值根据量测数据依次修正机动目标加速度预测值和目标预测状态,最终改进目标的状态估计.仿真结果表明,目标强机动时该算法具有较高的跟踪精度.     

基于SOPC的实时运动目标检测与跟踪系统

设计了一种以FPGA为核心处理器件的实时运动目标检测与跟踪系统,采用基于累积差分更新的背景减除法检测运动目标,卡尔曼滤波和直方图匹配算法对目标进行跟踪。实验结果表明,该系统能对静态背景视频序列中的运动目标实时有效地进行检测和跟踪。     

基于小波变换与卡尔曼滤波的多目标跟踪

利用小波变换和卡尔曼滤波研究多目标检测与跟踪问题.采用小波三层分解原理,对图像进行去噪处理,得到的低频图像再进行背景差分运算,从而检测出运动目标.采用卡尔曼滤波先预测出目标在下一帧的位置,通过前后帧的目标位置计算半径值,结合k近邻算法在半径内采用k近邻数据关联,取与预测位置欧氏距离最短的点为目标在下一帧中出现的真实位置.通过MATLAB对实验进行仿真.结果表明,方法可有效提高多目标检测与跟踪的准确性和抗遮挡性.     

基于视频检测的卡尔曼滤波车辆跟踪算法及行为分析

采用基于目标检测的运动目标跟踪策略, 首先用时间差分法进行运动目标检测, 获得运动目标的初始位置;然后采用卡尔曼滤波器预测运动目标下一时刻所在的位置, 再利用运动目标检测的结果评估和矫正预测结果, 获得运动目标的准确位置, 并依据跟踪结果进行车辆的行为分析.实验结果表明, 本方法可有效地解决运动目标部分遮挡及短时间全遮挡下的可靠跟踪问题.     

基于均值漂移和卡尔曼滤波的目标跟踪方法

分析了Mean-shift难以有效跟踪复杂背景下灰度运动目标的主要缺陷,提出了结合Mean-shift和强跟踪滤波器的目标跟踪方法。该方法利用强跟踪滤波器预测目标在当前时刻的起始位置,然后Mean-shift在该位置的邻域内寻找目标所处位置。同时,采用Bhattacharyya系数度量"目标模型"和"候选模型"相似程度,提出一种目标遮挡因子,作为目标被遮挡程度的判断根据,并由此确定"候选模型"是否更换为"目标模型",避免目标模型过度更新。对城区交通环境下的车辆目标进行跟踪。实验结果表明,该方法较原Mean-shift方法可明显提高阻挡情况下的目标跟踪稳定性。     

一种基于卡尔曼滤波器的彩色目标跟踪方法

提出了一种基于卡尔曼滤波器的彩色目标跟踪方法。该方法首先在YCbCr颜色空间使用高斯模型构建目标颜色模型,根据该颜色模型在图像中进行目标检测,获取目标中心,然后利用卡尔曼滤波预测目标中心在下一帧图像中可能出现的位置,以该位置为中心建立搜索区域,在搜索区域内进行目标检测,计算目标中心位置,同时以该位置作为观测值,进行下一帧预测。实验结果表明,该方法具有较好的实时性和鲁棒性。     

基于核相关滤波的TLD跟踪算法的研究

对TLD跟踪算法进行改进,以提高在跟踪目标发生尺度变化或被遮挡时的跟踪性能. 首先使用KCF跟踪器替代TLD算法中原有的中值光流跟踪器,并在特征提取时增加目标的Lab颜色特征,在寻找目标位置时引入尺度估计,在模型更新阶段引入跟踪状态判别机制,通过设定跟踪器中输出响应最大值阈值、APCE阈值及检测器中随机蕨分类器阈值来判断跟踪器跟踪结果的可靠性,改善跟踪器在尺度变化、出现遮挡、光照变化等情况下的跟踪效果. 针对TLD算法中的检测器,为了减少大量无意义的窗口,提升算法在存在遮挡时的精确性,在检测之前使用Kalman滤波预估出目标位置,在预估位置周围使用改进的级联分类器更精准地定位目标,改进的级联分类器的前两级仍采用方差分类器和随机蕨分类器,第三级则采用改进的KCF跟踪器. 在OTB-50数据集上的实验结果分析表明,该算法跟踪性能优于其他算法,能够满足实时性.