基于Mean Shift的变尺度快速运动目标自适应跟踪算法

为了实现对变尺度快速运动目标的良好跟踪,在对传统Mean Shift跟踪算法改进的基础上,提出了一种运动目标自适应跟踪算法。该算法首先采用目标区域的像素点空域加权后的彩色图像作为初始帧目标模板,目标的真实位置利用Mean Shift算法迭代求得,从而实现对快速运动目标的空间定位,然后将相邻帧的目标采用尺度不变特征变换(SIFT)算子进行特征匹配,根据目标的缩放因子实时更新下一帧的核带宽,修正算法跟踪窗口的尺寸,以适应目标尺度的变化,从而实现对快速运动目标的尺度定位。最后,通过实验表明,与传统的Mean Shift跟踪算法相比,该算法的跟踪准确率达到97%以上,能够实现对变尺度快速运动目标的精确跟踪。     

基于多特征Mean Shift的人脸跟踪算法

该文把局部三值模式(Local Ternary Patterns, LTP)纹理特征引入Mean Shift跟踪算法,提出了基于多特征的Mean Shift人脸跟踪算法以解决Mean shift跟踪算法的鲁棒性问题。通过对LTP纹理特征的分析、研究,提出了一个LTP关键纹理模型,既增强了目标的关键纹理信息,又简化了LTP纹理模型。在此基础上,提出一种基于LTP关键纹理特征和肤色特征的Mean Shift人脸跟踪算法,有效地解决了Mean Shift算法的鲁棒性问题。为进一步提高对快速运动目标的跟踪速度和跟踪性能,该文引入了卡尔曼滤波器对目标进行预测。实验结果表明,该文的算法在目标定位的准确性和跟踪性能上比Mean Shift算法均有明显的提高。     

基于Mean Shift的序列图像手势跟踪算法

将Mean Shift算法应用于序列图像中的手势跟踪,利用梯度优化方法实现快速目标定位,能够对非刚性目标实时跟踪,并且对目标的变形、旋转等运动有较好的适用性.实验结果表明,Mean Shift算法在目标姿态变化、光照变化下的跟踪效果较好.     

基于Mean Shift算法的网球运动视频目标跟踪研究

传统Mean Shift算法在运动目标运动速度过快以及被遮挡的情况下,算法的跟踪效果较差。因此,提出基于改进Mean Shift算法的网球运动视频目标跟踪方法,分析Mean Shift算法进行网球运动视频目标跟踪的过程以及存在的弊端。采用最小二乘法对Mean Shift算法进行改进,利用最小二乘法预测网球运动视频目标位置,在该位置上实施迭代跟踪,再用Mean Shift算法得到目标最终跟踪位置,解决目标运动速度过快以及遮挡问题的干扰,减小各帧检索时矢量同收敛点的距离,提高跟踪效率。实验结果说明,所提方法具有较高的跟踪效果和跟踪效率。     

Mean Shift跟踪的背景优化及动态分析

针对传统Mean Shift跟踪算法在进行目标跟踪时背景带来的定位偏差及由于缺乏相应的跟踪状态分析策略而易陷入局部最小值的缺陷,提出了两方面的改进措施。一是将跟踪窗口内的目标和背景区分开来,对背景像素定义新的特征模型以弱化背景像素对目标模型的影响。二是将跟踪窗口进行分块处理,综合考虑每个子块相似度的大小变化建立判断准则,对跟踪状态进行动态实时分析,以判断目标是否存在遮挡:如部分遮挡,则应用没有被遮挡的子块位置偏差对目标进行定位;如完全遮挡,则采取相应的二维线性预测方案根据先验信息对目标进行定位跟踪。将该方法应用于人物跟踪中进行实验,实验结果表明,该方法有效改善了Mean Shift跟踪算法的不足,对于复杂条件下的运动目标跟踪具有很好的鲁棒性。     

基于卡尔曼和图像信息量的Mean Shift改进跟踪算法

Mean Shift算法在目标实时跟踪领域取得了广泛的应用,但是对于速度过快或尺度变化大的目标跟踪存在较大的缺陷.提出了一种基于Mean Shift和Kalman预测带宽的自适应跟踪算法.该算法提出以Kalman预测目标在下帧中的中心位置作为Mean Shift迭代初始位置;同时引入图像信息量度量方法以适应目标的尺度变化.实验结果表明,改进的跟踪算法能很好地跟踪尺度变化的目标,跟踪效果很好.     

结合Mean Shift的目标跟踪算法

基于均值漂移（Mean Shift）的视频目标跟踪一般采用直方图对目标进行建模,然后通过相似度度量,最终实现目标的匹配和跟踪。这种方法具有很高的稳定性,能够适应目标的形状、大小的连续变化,能够保证系统的实时性和可靠性,近年来在目标跟踪领域得到了广泛应用。Mean Shift算法已经成为目标跟踪领域的一个研究热点。     

一种改进的粒子滤波和Mean Shift联合跟踪算法

为了提高视频运动目标跟踪的准确性和实时性,提出一种改进的粒子滤波和Mean Shift联合跟踪算法.针对传统粒子滤波跟踪算法中颜色直方图观测模型存在的局限性,提出了一种基于分块颜色直方图的观测模型描述方法,并根据该分块直方图的特点,重新设计了粒子权值的更新策略;针对粒子滤波算法实时性差的问题,提出了一种基于积分直方图的颜色特征快速计算方法,极大地降低了算法的运算量;为了降低相似背景干扰对跟踪效果的影响,提出了一种基于Gabor幅度谱的Mean Shift跟踪算法,并利用改进的Mean Shift算法对粒子滤波跟踪结果进行优化,提高了跟踪算法在复杂背景下的搜索能力.实验结果表明了算法的有效性.     

一种基于优化预处理的均值漂移算法

对传统的Mean Shift算法进行了改进.加入了前期预处理.包括特征选择与分类.提高了复杂场景中目标的鲁棒性.传统的Mean Shift算法固定的使用一个或两个特征(比如颜色)对目标进行跟踪.当跟踪场景发生变化.容易跟踪失败.我们通过选择目标与背景区别度最大的特征同时定义显著特征与非显着特征,实现了对复杂变化场景中目标更为鲁棒的跟踪.通过对多组数据进行实验.证实了该算法的可靠性.     

结合目标预估计与Mean Shift理论的运动目标跟踪算法

图像的运动包括目标、背景和平台的运动,复杂的运动关系增加了目标跟踪的难度.提出了一种有效的基于Mean Shift理论的运动目标跟踪算法.为提高算法的实时性,对Mean Shift算法的核函数进行了改进,使得加减运算替代乘方和浮点运算,大大提高了运算效率;并通过对迭代权值的改进,强化了初始模板的主要信息,提高了算法跟踪与背景相似目标的能力;采用自动更新模板的策略,克服了目标特征分布发生改变的问题;在此基础上,引入了目标预检测,提出了综合背景差分检测的运动目标跟踪算法,实验表明:该算法在目标被遮挡情况下具有较强的适应性.