基于均值漂移和粒子滤波的红外目标跟踪

为了提高红外目标跟踪的准确性和稳健性,提出了基于均值漂移(mean shift)和粒子滤波(PF)相结合的红外目标跟踪方法.在PF理论框架下,使用均值漂移为一种迭代模式寻找过程,对随机粒子样本进行重新分配,使粒子向目标状态的最大后验核密度估计方向移动,在均值漂移迭代过程中对样本权值进行更新.红外目标的状态后验概率分布用重新分配的加权随机样本集表示,对随机样本集使用PF算法实现红外目标运动的跟踪.实验结果表明,和一般PF和均值漂移相比,本文方法具有优越性和更强的稳健性.     

紧耦合粒子滤波与均值漂移的红外目标跟踪

为了提高复杂背景下红外目标跟踪的准确性和鲁棒 性,提出了紧耦合粒子滤波(PF)与均值漂移(mean shift)的红外目标跟踪方法。在PF框 架下,利用一组5参数集(中心横坐标、中心纵坐标、宽度、高度以及倾斜角)作为状 态变量表 征随机的粒子样本;然后使用自适应均值漂移作为一种迭代模式寻找过程,对随机粒子样本 进行重新分配,使粒子向目标 状态的最大后验核密度估计方向移动,同时利用迭代过程中的Bhattacharyya系数对粒子的 权值进行更新;最后利用重新分配 后的加权粒子集合实现对红外目标的跟踪。实现结果表明,与一般的PF相比,本文方法能有 效减少所需粒子数(N=15),进而降 低跟踪耗时;与现有的PF与均值漂移相结合的方法相比,本文方法在耗费时间 仅增加14%的代价上,使跟踪误差大大降低(约 为原误差的1/3至1/4),准确性和鲁棒性得到显著提高;本文方法能够实现在复杂背景下稳 健准确地跟踪红外目标。     

基于粒子滤波和均值平移的目标跟踪

提出一种粒子滤波和均值平移相结合的跟踪算法,其中均值平移起主导作用,当其失效时会产生少量的粒子进一步搜索,确定目标位置以减少误差.与传统的粒子滤波相比,这种方法只需少量的粒子覆盖可能的目标分布,大大减少了计算量.     

基于高斯-厄米特粒子漂移的机动目标跟踪算法

为了提高对机动目标跟踪的实时性,提出了一种将均值漂移嵌入高斯-厄米特粒子滤波器的目标跟踪算法.通过粒子滤波产生一组带权粒子,在高斯-厄米特预测的基础上利用基于颜色直方图分布的均值漂移算法对各粒子进行迭代优化,由于在提高粒子质量的同时有效降低了维持"多峰"假设所需的粒子数,从而保证了算法的精度和效率.实验结果表明文中算法在保持较高精度的同时,大大提高了跟踪的实时性.     

改进的多特征融合粒子滤波视频跟踪算法

视频运动目标的跟踪是一个典型的非线性、非高斯问题,粒子滤波是一个解决非线性、非高斯问题的主流方法,粒子滤波技术具有非线性等特性,在目标跟踪过程中得到了广泛的应用。传统粒子滤波跟踪算法的退化现象严重,经过几次迭代递推,权重方差随着时间推移而增大,为解决该问题引入均值漂移算法,调整初始粒子分布,使粒子集中于邻近的局部极大值区域内,以减少退化现象的发生。并且将颜色特征和边缘特征融合在粒子滤波跟踪算法中,在传统算法基础上提出改进,加入优化机制,使粒子的权值分布更加接近实际情况。实验结果表明了该算法的有效性。     

基于K-均值聚类的改进粒子滤波跟踪算法

针对粒子滤波算法因计算量过大带来的实时性问题,文中提出一种基于K-means聚类的粒子滤波目标跟踪算法。该算法利用K-means算法对重采样后的粒子进行聚类以达到进一步寻优的目的,这样可以得到更为有效的粒子集,从而大大减小计算的复杂度。通过与基于传统粒子滤波算法的实验数据的分析表明提出的算法可以有效地减小计算量,改善粒子滤波算法的实时性问题。同时,相比于传统粒子滤波目标跟踪算法,改进算法的鲁棒性也有所提高。     

基于均值漂移的视频目标跟踪改进算法

改进算法通过计算跟踪窗口颜色直方图的质心来自适应的调整跟踪窗口的尺寸,通过比较跟踪结果和目标的差值确定遮挡情况,并启用粒子滤波算法在整幅图像内搜索目标解决目标的遮挡问题,这种改进算法克服了均值滤波算法不能适应目标尺寸变化和不能解决遮挡问题的缺点.实验证明改进算法具有很强的鲁棒性.     

基于ICA分布模型的粒子滤波跟踪算法

为了在复杂背景、部分遮挡和光照变化等因素干扰的情况下鲁棒地跟踪视频序列中感兴趣的运动目标,提出了一种改进的粒子滤波跟踪算法。该算法针对颜色信息在目标表述中存在的不足,首先对观测模型进行改进,提出了一种基于ICA特征分布的目标模型,将基于核函数的目标特征描述转换到ICA特征空间,由于光照变化引起灰度变化经ICA后仍是同一分量,因此能有效的适应光照变化,不仅考虑并充分利用了空间信息。有效的解决了光照变化及背景颜色相近造成的目标丢失现象,提高了目标跟踪算法的鲁棒性。同时,考虑到粒子的退化现象,将均值平移算法嵌入到粒子滤波的跟踪框架中,待各粒子经过系统传播后,利用均值平移算法使粒子向其领域局部极大值处移动,使得粒子集中在测量模型的局部区域内,只需少量的粒子就覆盖了尽可能的目标分布,很好地克服了粒子滤波器的退化现象并有效缩短了计算时间,提高了目标跟踪算法的准确性和系统的实时性。实验表明,该算法不仅能在复杂背景下准确的跟踪目标,而且在光线变化和部分遮挡情况下也能保证不丢失目标。      

粒子优化组合的粒子滤波跟踪算法研究

为了改善运动目标跟踪问题中粒子滤波算法(PF)的估计精度,针对粒子滤波出现样本退化以及样本贫乏问题,提出了一种基于粒子优化组合的粒子滤波算法(POCPF)。该算法用一能使粒子朝后验概率分布值较大的区域运动的似然函数来改善粒子的位置,然后重估粒子的权值对粒子进行优化组合,满足粒子的多样性要求,从而克服了粒子的贫乏问题,在一定程度上减少系统状态为达到精确度所需的粒子数目,缩短运行时间。通过仿真实验证明了POCPF算法的有效性,当粒子数相同时,POCPF算法性能优于PF算法。     

多特征自适应均值漂移算法的目标跟踪

针对传统均值漂移(mean-shift)算法存在 对目标 特征描述不完整、目标模型不能动态更新、无法解决目标遮挡 等问题, 本文提出多特征自适应均值漂 移算法的目标跟 踪。首先利用人体躯干侧影改进模型核函数,采用目标颜色特征与纹理特征建立目 标直方图模型,提高算法对目标描 述能力;提出选择性模型更新策略,自适应地调整目标模型,改善了传统整体更新策略由于 过度更新导致的跟踪发散;最后 利用扩展卡尔曼滤波 (EKF,extend Kalman filter) 提取目标运动特征确定目标位置。与传统算法相比,本文所提算法能在背景 干扰条件下准确跟踪目标;同时, 图像处理平均速度 达140frame/s ,满足实时性要求。实验结果表明,本文算法可以实时准确地 跟踪目标,对环境干扰、目标遮挡具有鲁棒性。     

一种基于纹理和颜色的粒子滤波目标跟踪方法

针对基于颜色的粒子滤波跟踪方法在复杂背景下会导致跟踪失败的问题,提出了一种基于局部二值模式纹理和颜色特征的粒子滤波目标跟踪方法。颜色直方图是对目标在彩色图像中的全局描述,而局部二值模式纹理包含了灰度图像中局部邻近区域的纹理信息,两者可以互为补充。因此同时用颜色直方图和局部二值模式纹理直方图描述目标,在粒子滤波框架下将目标颜色和局部二值模式纹理有机结合起来。实验结果表明,该算法不仅提高了跟踪精度,而且具有较强的稳健性。     

基于粒子滤波与多特征融合的视频目标跟踪

提出了一种基于粒子滤波和多特征融合的视频目标跟踪方法.以粒子滤波为跟踪框架,根据颜色跟踪中存在的问题提出将颜色与目标运动信息融合,利用融合后的信息确定粒子的权值.利用重采样策略缓解退化现象对粒子滤波的影响.针对2段不同的视频进行了不同算法的仿真与性能的比较,实验结果表明,本文方法在计算量增加不多的情况下大大改善了跟踪的性能与鲁棒性,尤其当目标与背景颜色相近时仍然能够准确地对目标进行跟踪.     

基于增量学习的红外目标粒子滤波跟踪方法

针对红外图像序列中目标与背景的对比度低、灰度特征易受噪声影响等特点,提出了一种基于增量学习目标表观模型和粒子滤波的红外目标跟踪方法。通过在线学习机制,利用增量奇异值分解算法对图像特征空间的基向量进行准确更新,从而建立红外目标的鲁棒表观模型。在此基础上,采用粒子滤波对目标状态进行有效预测,实现了红外目标的有效跟踪。实验结果表明,该方法能有效、准确地跟踪红外图像序列中的运动目标。     

基于mean-shift的多目标粒子滤波跟踪算法设计

针对视频序列中多目标的跟踪问题,提出一种基于mean-shift和粒子滤波的多目标混合跟踪算法,采用目标之间的距离门限和相似度门限作为转换条件,有效地结合Mean-shift算法的简单快速和粒子滤波跟踪算法的抗遮挡的优点.实验结果表明,该算法在对多目标跟踪时能在保证跟踪效果的同时减少跟踪的时间花费,有效提高了设计的跟踪系统的实时性.     

一种基于卡尔曼滤波及粒子滤波的目标跟踪算法

针对卡尔曼跟踪算法在非线性非高斯情况下跟踪结果不再准确,以及粒子滤波跟踪算法计算量大难以满足实时性的缺陷,提出了卡尔曼滤波及粒子滤波相结合的算法。利用卡尔曼滤波进行跟踪得到候选目标并计算目标模型与候选模型的匹配程度,若与目标模型匹配度小于一定阈值,则转换跟踪方式利用粒子滤波进行跟踪来修正卡尔曼滤波结果;同时,采用"模板缓冲区法"对目标模型进行更新以保证跟踪的连续性、稳定性及准确性。实验结果表明,这种跟踪算法既发挥了卡尔曼滤波的实时性又保持了粒子滤波的准确性,有较好的跟踪性能。     

基于粒子群算法和卡尔曼滤波的运动目标跟踪算法

针对目前一些常用的运动目标跟踪算法存在跟踪精度不高、实时性低、对遮挡问题处理不佳等问题,提出一种粒子群算法与卡尔曼滤波相结合的新的运动目标跟踪方法。利用卡尔曼滤波预测目标中心在下一帧图像中的位置,从而极大减少了搜索范围,并以该位置为中心建立目标搜索区域。然后以目标的灰度统计特征对目标模板和候选区域进行匹配,确保跟踪准确性。为了有效减少搜索匹配次数、提高实时性,利用粒子群算法在搜索区域找到和目标模板最相似的区域,从而找到最优中心位置,并以该位置作为卡尔曼滤波的观测值,进行下一帧跟踪。仿真实验结果表明新算法显著提高了跟踪的实时性、精确性,并对部分遮挡能较好地处理。     

跟踪窗口尺寸自适应调整的粒子滤波跟踪算法

当目标尺度发生变化时,传统的粒子滤波跟踪算法的跟踪窗口尺寸不变,在目标尺寸变化较大时容易丢失跟踪目标.针对这一问题,提出了一种跟踪窗口自适应调整的粒子滤波跟踪方法.该方法依据运动目标区域内粒子到目标中心点的平均距离与目标尺寸的关系,建立跟踪窗口尺寸的数学模型.在两种目标模型上对所建立的数学模型进行了仿真验证.实验结果表明,当目标尺度发生变化时,跟踪窗口能够很好的随目标的尺寸变化而自适应地连续调整,改进后的算法在目标尺寸变化率很大时仍能够稳定跟踪目标.     

基于粒子滤波图像帧的视觉跟踪算法研究

研究目标物体的图像准确跟踪定位问题.本文主要针对传统的目标跟踪算法中由于视频图像的复杂性,同时运动突变性的存在,使得运动间的关联性被大幅降低,跟踪结果出现较大偏差,难以准确跟踪视频图像,提出了一种粒子滤波优化图像帧视觉跟踪新技术.算法引入了随机分布的运动突变影响算子,在运动估计过程中作为惩罚因子出现,同时采用粒子滤波视觉目标采样视频图像,从而得到实时的跟踪.实验结果表明,提出的方法避免了传统跟踪算法的延时,能够精确实时定位目标物体.