基于自适应阈值Kirsch-LBP纹理特征的均值漂移目标跟踪算法

针对以颜色特征建立概率模型的Mean Shift目标跟踪算法在光线变化时存在的缺陷,提出了一种融合 改进型纹理特征与HSV颜色特征的Mean Shift目标跟踪算法。首先,设计一种具有抗光性能的自适应阈值Kirsch-LBP纹理特征算子,该算子利用Kirsch算子的8个方向模板所求的差值,并采用LBP模板均值作为自适应阈值,再按照旋转不变LBP原理提取局部纹理特征;其次,利用不同特征相似性系数间的关系作为加权准则来构建新的权重;最后,将其嵌入到Mean Shift算法中以实现目标跟踪。对比实验结果表明,本算法在光线变化场景中也具有良好的目标跟踪特性,广泛适用于光照变化和姿态变化等复杂场景下的目标跟踪领域。     

融合颜色与纹理特征的粒子滤波目标跟踪

针对采用单一颜色特征的粒子滤波目标跟踪算法在背景相似、光照变化复杂的场景下会导致跟踪失败的问题,提出一种基于LBP纹理和颜色特征融合的粒子滤波跟踪目标算法。综合加权颜色直方图和LBP纹理直方图进行目标特征描述,建立目标观测模型;同时粒子滤波进行状态预测,利用Bhattacharyya系数进行相似度测量,作为目标区域参考模型更新准则,实现权值更新;最后对权值归一化处理,得到目标位置状态的最终估计。实验结果表明该算法不仅提高了跟踪方法的鲁棒性,而且在目标遮挡、光照变化等干扰下,具有较好的准确性。     

基于CamShift的自适应颜色空间目标跟踪算法

CamShift算法只适于特定颜色目标的跟踪,针对这一不足,提出了自适应颜色空间目标跟踪算法。依据当前测量值,根据类间平均距离动态选择当前颜色空间。颜色空间更新判断机制的引入,降低了颜色空间更新带来的时间开销。实验结果表明,该算法可以更准确地在复杂背景下的跟踪各种色彩的目标。     

一种基于纹理和颜色的目标跟踪方法

研究视频物体识别系统,传统连续自适应均值偏移(Camshift)跟踪方法根据H分量建立被跟踪目标的颜色模型,而H分量易受亮度(V分量)的影响,造成不能准确跟踪运动目标.为解决上述问题,引入运动目标的纹理特征,先提取HSV颜色空间的H分量,把它转化为局部二元纹理(LBP)图,计算目标的LBP纹理直方图并把反向投影到LBP纹理图上,得到LBP纹理概率图,然后采用Camshift算法确定当前图像中目标的尺寸和中心位置.对手势和人脸跟踪进行仿真计算,实验结果表明,在跟踪过程中可以对目标进行稳定的实时跟踪,通过计算,也改善了传统方法,使识别人脸不受光照的影响,验证了改进方法的有效性.     

HLBP纹理特征Mean Shift目标跟踪算法

经典Mean Shift目标跟踪算法采用单一颜色特征建立目标模型,在目标颜色与背景颜色相近或遮挡的情况下,目标跟踪鲁棒性差,为此,提出另一种Mean Shift目标跟踪算法。采用Haar型局部二值模式(Haar local binary pattern,HLBP)算子提取HLBP纹理特征,利用HLBP纹理特征具有较强辨识度、对光照变化不敏感等特点,代替原始视频图像序列,建立HLBP纹理特征的空间概率密度分布模型来表征目标特征;在此基础上,在Mean Shift框架下获取目标位置估计值,实现目标的跟踪。对比实验结果表明,该算法具有较高的目标跟踪精度和鲁棒性。     

基于颜色纹理直方图的带权分块均值漂移目标跟踪算法

融合了传统的颜色直方图并基于局部二元模式表示的纹理特征来表示跟踪目标,提出一种基于颜色纹理直方图的带权分块均值漂移目标跟踪算法.为了更好地解决目标遮挡和姿势改变的问题,在跟踪过程中将跟踪目标分割成多个互不遮挡的矩形分块,对每一个矩形分块独立采用基于背景权重的均值漂移算法,并结合每一个分块求得的最佳目标位置得到目标物体在...     

基于特征颜色空间变换的目标跟踪融合算法

利用LUV色彩空间的特性,提出将RGB色彩空间的目标特征描述转换到LUV色彩空间,从而解决目标表面特征变化造成的目标丢失现象,提高目标跟踪算法的鲁棒性。结合卡尔曼滤波和均值漂移跟踪算法的优点,通过一种判别机制将这两个算法得到的跟踪结果进行融合,提高目标跟踪算法的准确性。通过实验证明了新方法的有效性和准确性。     

基于改进颜色直方图映射的目标跟踪算法

关于视觉跟踪技术问题与电目标背景颜色相关,针对于运动目标易受到背景颜色的干扰,提出了一种基于改进直方图映射的目标跟踪算法,为了抑止模型中混有背景颜色的干扰,并能准确定位目标.依据初始的目标模型(前景),以及跟踪过程中搜索范围(背景)的颜色直方图按照一定的比例关系建立起目标概率灰度值索引表,将索引表映射到跟踪搜索窗口中,采用meanshift算法在生成的灰度图中快速定位目标位置.实验结果表明,改进的颜色直方图映射算法能够从根本上抑止模型的背景干扰,并且meanshift均值漂移算法能够准确的定位目标.     

基于图像颜色纹理的均值漂移分割算法

针对传统均值漂移算法对图像纹理特征不敏感的不足,利用图像纹理特征的独特性,提出了一种基于颜色纹理的均值漂移分割算法.结合欧式距离和高斯函数计算当前像素点与其周围像素点的颜色相似度,再使用Gabor变换提取图像不同方向、尺度上的纹理特征,结合颜色的相似度,对该像素点均值漂移的过程加权.该算法充分考虑了图像纹理的周期性、尺度性以及图像颜色的关联性.实验结果表明,算法对色彩信息不明显的纹理图像有良好的分割效果,也会提高彩色图像分割结果的准确性.分割算法用于大型水上桥梁识别,能够提高桥梁识别率.     

一种基于粒子群优化的目标跟踪特征选择算法

针对复杂背景下的运动目标跟踪特征选择问题,提出了一种基于粒子群优化的目标跟踪特征选择算法。假设具有目标与背景间最好可分离性的特征为最好的跟踪特征。通过构建目标与背景的图像特征分布方差的比值函数作为衡量目标与背景间的可分离性判据。使用粒子群优化算法优化不同的特征组合实时获取最优的目标跟踪特征。为验证该算法的有效性,将选择的最优特征与一种基于核的跟踪算法相结合进行跟踪实验。实验结果表明,算法能有效提高传统基于核的跟踪算法对于复杂场景下的运动目标跟踪的鲁棒性与准确性。     

基于主颜色和纹理特征的TS模型匹配方法

为了弥补视频匹配方法的不足,解决基于运动特征视频匹配的不精确以及基于内容视频匹配的运算复杂度大等问题,提出一种基于主颜色和纹理特征的TS模型匹配方法,在减少时间复杂度和增加配准率基础进一步提高视频匹配的效率。大量实验证明,该方法有效的解决了上述问题,比传统方法相配准率提高约20%,算法时间复杂度降低约45%。     

基于基础颜色特征的自适应尺度的多目标跟踪算法

在多目标跟踪领域,多个相似目标间相互遮挡时,易产生误跟踪、漏跟踪等问题。针对上述问题,通过引入语言学中的基础颜色及自适应尺度因子来解决。采用颜色命名过程及主成分分析法,提取目标基础颜色特征,准确区分相似目标;同时引入自适应尺度因子,自动改变目标尺度,减少因尺度变化而引入的干扰信息,增强目标外观模型的鲁棒性。基于以上两点,在Structure Preserving Object Tracking（SPOT）算法基础上,提出了Basic Color Adaptive Scale SPOT（CSSPOT）算法。在对比实验中,CSSPOT算法在跟踪准确率及计算时间这两方面较原算法均有所提升,充分说明了基础颜色特征及自适应尺度因子的正确性及有效性。     

颜色和纹理特征的运动目标检测

针对复杂场景中运动目标检测这一难题,提出利用RGB颜色特征和尺度不变局部三元模式的运动目标检测算法。利用时域中值法得到估算背景图像并快速初始化背景模型。通过颜色特征、纹理特征相似性度量,融合得出背景概率网络,通过侧抑制滤波提高对比度分类出前景与背景像素,前景像素进一步进行阴影检测,将阴影点归为背景点,但不用于模型更新。将算法与GMM、SC-SOBS、SUBSENS算法在变化检测数据库中进行对比验证。实验表明,新算法在满足实时性的基础上,对动态背景,阴影和相机抖动等有一定的鲁棒性。     

一种基于颜色和纹理的显著性目标检测算法

视觉显著性检测是很多计算机视觉任务的重要步骤,在图像分割、自适应压缩和识别物体方面都有很重要的应用。提出了一种基于HSV颜色、纹理特征和空间位置关系相结合的显著性检测算法。该方法先将图像分割成小的图像片以获取图像的局部信息,结合图像片颜色的独特性和空间分布的紧凑性计算得到颜色显著图;同时利用Gabor滤波器对图像进行不同尺度和方向地滤波得到纹理特征向量,然后对特征向量计算纹理差异得到纹理显著图;最后将二者结合得到最终显著图。实验结果表明,该方法在检测效果和抗噪能力等方面均可获得较为满意的结果。     

结合方向纹理熵的Haar-like特征在线boosting跟踪算法

针对传统基于Haar-like特征的on-line boosting跟踪算法（HBT）需要产生大规模随机特征、占用大量计算资源和存储空间的缺点,提出结合方向纹理熵的Haar-like特征在线boosting跟踪算法（HBTT）。HBTT算法利用灰度共生矩阵的熵获得目标纹理的方向信息,在此基础上有针对性地产生具有方向纹理信息的Haar-like特征,从而可有效避免无效随机特征的产生,减小特征池容量;更进一步,可根据目标纹理的复杂程度自动调整特征数量,使得算法更灵活。在跟踪过程中,在线学习模块可以使错误率较高的特征被结合了目标纹理方向信息的Haar-like特征所替换。与HBT算法比较,HBTT算法的跟踪误差降低了10%以上;在相同特征池容量下,置信度提高了2%以上。实验结果表明,该算法不仅具有较高的鲁棒性,而且在跟踪效率和性能上都有所提高。     

基于颜色和纹理特征的彩色图像检索

提出了一种基于颜色和纹理特征的图像检索方法。在对HSV颜色模型量化处理的基础上,提取颜色直方图作为图像的颜色特征。在提取纹理特征时,结合颜色量化结果,设计了反映图像纹理变化的状态转移概率矩阵,在此基础上,提出采用颜色相关熵来描述图像的纹理特征。由于综合利用了图像的颜色及纹理特征,实验结果表明,该方法取得了较好的检索效果。     

基于压缩感知的互补特征加权目标跟踪算法

针对基于压缩感知的目标跟踪算法中存在特征单一,在目标纹理或光照变化较大时跟踪不稳定的问题,提出了基于压缩感知的互补特征加权目标跟踪算法。该算法通过两个随机测量矩阵提取出两类互补的纹理特征和灰度均值特征,计算这两类特征对样本的分类结果并更新特征的权值,使用所选取的大权值特征寻找目标在下一帧的位置。在分类器更新过程中,针对不同特征在跟踪过程中的稳定性不同,采取不同速度的更新。对不同视频的实验结果表明,提出的算法跟踪准确,且满足实时性的要求。与相关算法相比,新算法在目标纹理或光照变化很大的情况下具有更强的鲁棒性。     

特征融合的尺度估计颜色名跟踪算法

针对颜色名跟踪器在跟踪过程中运动目标在遮挡、尺寸变化等干扰下不能有效跟踪的问题,提出一个在颜色名(color name,CN)跟踪器框架下融入LBP纹理特征的快速尺度估计算法。运用自适应融合CN颜色特征和LBP纹理特征,利用特征融合后的最高输出响应作为预测目标位置信息;利用尺度滤波器对预测到的目标信息做出尺度估计;结合响应图的峰值旁瓣比,对目标模型做出更新调整。将改进算法在OTB-2013视频集中和近年来流行的跟踪算法做对比实验,实验结果表明,改进算法在尺度适应性和遮挡方面优于大部分算法。     

基于Harris特征点检测与跟踪的火灾烟雾识别

针对现有的视频火灾烟雾探测方法实时性差,误报率和漏报率都比较高的问题,在深入分析烟雾图像特征的基础上,发现早期烟雾运动缓慢且主要运动方向呈向上趋势,在连续帧中像素的强度变化具有一致性的特点,通过Harris检测算法找到强度变化剧烈和图像边缘的特征点,根据光流场与运动场的对应关系由成像平面中光流的变化估计烟雾的相对运动,计算运动矢量信息,实现多特征烟雾检测。该算法是基于烟雾灰度变化的特征点作为检测对象,大大减少了待处理的数据量,缩短了算法处理时间,综合了烟雾的局部特性和全局特性,具有较强的鲁棒性和较高的检测准确率。