基于均值漂移和边缘检测的轮廓跟踪算法

实时的轮廓跟踪算法可以为视频监控系统提供物体的轮廓信息以供对物体类别、物体行为等进行识别.提出一种基于均值漂移和边缘检测的轮廓跟踪算法.方法中,首先利用均值漂移算法跟踪得到目标物体的中心位置,同时用高斯统计模型进行背景更新,从前景图像和背景图像中分别得到具有相同位置和大小的前景矩形区域和背景矩形区域,然后用背景分割的方法得到目标物体区域,再对目标物体区域进行边缘检测就得到了目标物体的轮廓,进而实现了对目标物体的轮廓跟踪.实验表明,可以实时、准确、稳定地对目标物体进行轮廓跟踪.     

基于改进的均值漂移算法的目标跟踪

提出了一种基于目标颜色特征的改进的均值漂移算法，对符合颜色模板的目标点不论其在直方图中的概率大小，都赋予相同的最大权值，使目标最大限度地成为密度极值区，以克服干扰影响，并提出了一种分块检测遮挡算法，遮挡期间不更新颜色模板，以保证遮挡后恢复准确的跟踪。实验结果表明该算法具有较强的鲁棒性，能有效实现复杂场景下的目标跟踪。     

活动轮廓模型目标跟踪算法综述

目标跟踪是当前计算机视觉领域最活跃的研究主题。首先对基本的跟踪类型进行了介绍;然后讨论了基于活动轮廓模型的图像分割,重点分析了参数活动轮廓模型的梯度矢量流模型（Gradient Vector Flow,GVF）,以及几何活动轮廓模型中的模型;并讨论了基于粒子滤波的目标跟踪算法的研究现状,最后展望了这一领域未来研究的热点。     

自适应融合颜色和深度信息的人体轮廓跟踪

采用活动轮廓对人体目标建模,提出一 种新的水平集框架下自适应融合RGB-D图像的颜色和深度信息的人体轮廓跟踪方法. 设计了一种基于超像素的局部自适应权重计算方法,自动确定深度信息在水平集演化中的重要性. 基于深度信息的活动轮廓驱动外力包括由边缘生成的梯度向量流和由目标/背景深度模型生成的置信图,基于颜色信息的驱动外力由目标/背景颜色模型生成的置信图,这三种外力通过局部自适应权重融合,驱动活动轮廓向目标的边界演化.为了得到更加精确的目标轮廓和防止误差漂移,基于本文观察到的人体表面在深度图像中的两个特性,提出两个简单但有效的算法对水平集方法得到的结果进行精化调整. 最后,通过实验验证了本文算法的优越性.     

基于压缩感知的实时手势检测和跟踪算法

基于计算机视觉的实时手势检测与跟踪算法是人机交互领域的一项关键技术,传统的手势检测与跟踪算法将检测和跟踪分成两个独立的模块进行,检测与跟踪结果受手势姿态变化、目标遮挡、运动模糊以及外界环境干扰等因素的影响。提出了一种基于压缩感知的实时手势检测和跟踪算法,将基于检测得到的手势信息与基于压缩感知跟踪算法得到的目标信息进行有效融合,从而实现有效的手势检测与跟踪,与传统算法相比,该算法能实现手势跟踪自动初始化和跟踪错误后自我恢复功能。实验结果表明,提出的算法能对手势运动进行快速、连续、准确的识别,满足人机交互的要求。     

利用基于颜色的自适应形状模型实现手势跟踪

提出了一种基于颜色的自适应形状模型,并利用该模型实现了图像序列中的实时手势跟踪.跟踪算法基于自适应的颜色模型实现准确的手部轮廓提取,并利用基于二维颜色模型的粒子滤波器实现序列图像中跟踪目标的运动估计.实验结果表明了基于颜色的自适应形状模型对凸形与凹形手部轮廓均能达到准确的手部轮廓提取,并能满足图像序列手势跟踪的实行性要求.     

基于改进射线矢量法的手部轮廓与手势实时跟踪方法

目前,在视频分析和处理过程中,运动物体的实时检测和与轮廓跟踪作为计算机视觉分析识别的基础,已变得越来越重要了.改进了传统的射线矢量法表示物体形状的方法,并结合拆分法和聚合法对单帧图像进行分割,以得到完整而准确的手部曲线,在相邻帧之间采用了Kalman滤波器估计帧间手部运动的轨迹来实现跟踪过程.该方法很好地克服了传统射线矢量法所无法表示的形状的缺陷,能够准确地跟踪手部的运动以及各种手势.     

基于区域活动轮廓运动目标跟踪方法研究

根据贝叶斯估计理论，首先建立了图像序列中运动目标的跟踪模型，然后用高斯分布来描述图像的区域信息，并通过对模型的分析，与区域活动轮廓模型建立对应关系，将问题的求解转化为能量最小化问题。同时为了克服目标在运动中发生的拓扑形变，采用水平集方法进行数值实现。实验结果表明，这种方法不仅可以对多个运动目标进行跟踪，并能非常好地逼近运动目标的轮廓，而且能够自然地处理运动目标的拓扑形变。     

基于均值漂移与卡尔曼滤波的目标跟踪算法

均值漂移算法在目标跟踪过程中没有利用目标的运动方向和速度信息,在目标受到干扰时容易跟踪失败,而Kalman滤波能够较为准确地预测目标的速度和位置。因此,提出了一种结合均值漂移与Kalman滤波的跟踪算法,使用Kalman滤波对目标运动速度和空间位置进行预测。根据干扰的不同情况,使用不同的比例因子将两算法的跟踪结果线性加权得到目标的最终位置。实验结果表明该算法是可行有效的。     

抗遮挡的自适应运动目标跟踪方法

针对复杂场景中的目标遮挡问题,提出一种基于均值漂移(Mean shift)和轨迹校正的自适应目标跟踪方法.由于Mean shift迭代易陷入局部最优点,这里引入Kalman滤波器以预测和校正目标运动轨迹,并根据迭代轨迹误差校正协方差,使得跟踪器在多峰值非高斯分布的复杂环境下也能收敛到全局最优点.基于Bhattacharrya系数计算色彩x、y方向分量相似度,并根据邻帧分量相似度偏差自适应调整相似度融合权值.综合当前帧和前面帧作用更新目标运动状态、特征和尺度模型.实验结果表明提出的方法对于静态场景遮挡和目标间互遮挡、部分和全部遮挡下的目标跟踪均具有鲁棒的跟踪性能.     

基于主动轮廓线模型的海面运动目标跟踪

将主动轮廓线模型用于海面运动船只的跟踪,提出了一种自动选择主动轮廓线初始控制点的方法,增强了主动轮廓线模型的实用性：并将基于主动轮廓线模型的跟踪方法用于多个海面运动目标的跟踪。实验结果表明,提出的初始主动轮廓线自动选取方法可以准确地选择目标的轮廓线的特征点;基于主动轮廓线模型的跟踪方法可以比较准确地跟踪运动船只的主要轮廓特征。     

一种基于主动轮廓模型的运动目标跟踪方法

分析了几种经典主动轮廓模型（即Snake）的优缺点．针对传统Snake在应用于目标跟踪时的一些缺陷,设计了自动初始化轮廓的算法．采用四邻域交替搜索法取代八邻域搜索方法以减少计算开销,并给出了一种较为实用的基于Snake的运动目标跟踪方法．通过实验证明了本方法的可行性．     

基于距离均衡化的自适应性动态轮廓模型

针对形变轮廓模型对初始位置敏感、易陷入局部极值以及不具备自动拓扑变换功能等问题，在讨论拓扑自适应的Snake模型的基础上，提出了基于距离均衡化的自适应性动态轮廓模型。该模型是首先通过顶点到其邻点连线的平均距离来改进内部能量项，使轮廓的运动更具稳定性，同时用轮廓自身的特性来决定轮廓的运动，使其具有较强的自适应性。然后通过膨胀力的构造和使用，使得该模型能够在较大范围内捕获图像的特征。用该方法对合成图像和真实图像进行的分割结果表明，效果较好。     

基于自适应符号函数的主动轮廓模型

几何主动轮廓模型的缺点是对初始轮廓位置特别敏感,基于距离规则水平集（DRLSE）模型的初始轮廓曲线必须设置在目标边界的内部或者外部.基于边缘的自适应水平集（ALSE）模型,提出了一种提高初始轮廓鲁棒性的方法.但两种模型均容易出现陷入虚假边界、从弱边缘处泄露以及抗噪声能力差等问题.设计了一个结合自适应符号函数和自适应边缘指示函数的模型,使得主动轮廓演化能根据自适应符号函数的方向从初始轮廓开始自动进行膨胀及收缩,很好地改善了水平集对初始轮廓敏感的缺点,提高了鲁棒性,同时解决了水平集对收敛速度慢以及易从弱边缘处泄露的问题.此外,为了使得模型演化更加稳定,提出了一个新的距离规则项.实验结果表明：自适应符号函数的主动轮廓模型不仅可以提高分割质量,缩短图像分割时间,同时提高了对初始轮廓的鲁棒性.     

基于改进的主动轮廓模型及光流估计的标记线跟踪

在心脏核磁共振图像分析中，标记线的跟踪是心肌运动分析及3维运动重建的重要步骤。为了提高心脏标记线跟踪的准确性，首先使用改进的基于动力学方程的主动轮廓模型来对标记线进行跟踪，并根据标记线的特点，引入了3种弹性势能，然后采用了新的内能函数，并使用新的方法来产生图像势能，由于改变了原模型中轮廓线初始速度为零的假设，并引入了光流估计作为轮廓的初始速度，从而提高了跟踪结果的准确性。对多序列心脏收缩期核磁共振图像的实验结果表明，该算法可以获得较好的跟踪效果。     

自适应均值漂移算法目标跟踪检测仿真研究

研究运动物体目标跟踪精确度问题,由于存在遮挡和多光源的噪声影响检测精度,而且运动目标的跟踪是在连续的图像帧间创建位置、速度、形状等存在匹配问题。传统的目标跟踪算法由于目标的动态移动速度大,而容易导致跟踪丢失目标。为了解决上述问题,提出了一种改进的基于自适应均值移动(Cam Shift)目标跟踪新算法。主要难点技术问题是提取了多运动目标视频图像,进行了背景分离。算法是一种颜色跟踪算法,根据多次迭代的计算结果,自适应调整图像,实现对运动目标的实时跟踪。仿真结果表明,提出的改进目标跟踪算法的跟踪精度和滤波效果有了较大提高,同时具有较强的鲁棒性能。     

一种新的基于自适应分数阶的活动轮廓模型

区域可调拟合(region scalable fitting, RSF)活动轮廓模型在分割弱纹理、弱边缘图像时,优化易陷入局部极小导致曲线演化速度缓慢;同时该模型中的局部拟合项为高斯核函数,导致目标的边界模糊,影响分割精度.针对该问题,提出了一种基于自适应分数阶的活动轮廓模型,用于图像的分割.首先将全局G-L(Grünwald-Letnikov)分数阶梯度融合到RSF模型中,以增强灰度不均匀和弱纹理区域的梯度信息,从而提高对曲线初始位置选择的鲁棒性,并提高了图像分割的精度和速度;然后用双边滤波函数替换局部拟合项中的高斯核函数,解决了高斯核函数在演化过程中造成的边界模糊问题;最后根据图像的梯度模值和信息熵构建自适应分数阶阶次的数学模型,并计算出最佳分数阶阶次.理论分析和实验结果均表明:提出的算法可以用于灰度不均匀和弱纹理、弱边缘区域的图像分割,并能根据图像的特征自适应计算最佳分数阶阶次,避免曲线演化陷入局部最优.用多幅图像进行实验,得出该方法的分割精度和分割效率都有较大提高.     

一种新的B样条主动轮廓线模型

提出了一种新的B样条主动轮廓线模型，在拉格朗日动力学方程中，文章所推导的仿射不变性模板通过弹性势能项与主动轮廓线进行实时耦合，因此新的模型对运动目标的轮廓跟踪具有仿射不变性，文章进一步讨论了控制系统的李雅普诺夫稳定性，为了有效地跟踪复杂背景中的目标，提出了一种新的特征检测方法，这一方法融合了多种图像信息，因而具有较强的鲁棒性，对真实的序列图像的实验验证了新的模型的有效性。     

基于恒定曲率变化的主动轮廓模型

随着主动轮廓模型（又称snake模型）被广泛应用于无人参与的自动化任务,人们对模型的鲁棒性和自适应能力提出了更高的要求.而传统内部力模型的收缩效应,过平滑作用,及缩放可变性,导致了内部力模型的参数调整困难,很难由程序自动进行调整.据此,提出了基于恒定曲率变化的内部力模型.该模型不仅具有缩放不变性,而且在保证轮廓光滑连续的同时,未引入其他的副作用（如收缩,过平滑等）,提高了模型参数的鲁棒性.实验结果表明,该模型精确提取目标轮廓的能力得到增强,能够成功提取存在高曲率位置的凹陷轮廓,而且内部力大小衰减迅速,对轮廓点的增删不敏感,保证了模型快速稳定地收敛到期望轮廓.     

主动轮廓线模型(蛇模型)综述

在传统的计算机视觉领域,严格的各自独立的分层理论有广泛的影响.这种理论认为,底层的视觉任务的完成只能依赖于从图像本身获得的信息.Kass等人对这种模型提出了挑战,于1987年提出了称为Snake的主动轮廓线模型(active contour model).近10多年来,Snake模型在计算机视觉领域得到了广泛应用,取得了许多重要的进展.该文回顾了近10多年来Snake模型的研究、发展及应用情况,并对未来的发展方向进行了展望.