基于Mean shift和SIFT特征的运动目标跟踪方法

针对传统Mean shift跟踪算法对出现遮挡的运动目标定位不准确的问题,提出一种基于Mean shift和SIFT特征的运动目标跟踪方法。首先,用Mean shift跟踪运动目标;其次,采用SIFT特征算法提取Mean shift跟踪区域的SIFT特征和上一帧目标的SIFT特征进行匹配,得到SIFT跟踪结果;最后,对融合Mean shift跟踪结果和SIFT跟踪结果。实验结果表明：提出的算法能有效跟踪遮挡的运动目标。     

基于Mean Shift算法的实时运动目标跟踪

Mean shift算法是一种非参数密度估计算法,可以实现实时的最优匹配,为了把Mean shift算法应用到视频图像的运动目标跟踪中去,采用了以颜色直方图建立目标模型的策略,提出了在视频图像中以Mean shift为核心的目标跟踪算法。实验结果表明,该算法具有很好的鲁棒性、准确度等优点,在运动目标部分遮挡的情况下仍能实现稳定、实时的跟踪。     

基于Mean Shift和Kalman滤波相结合的运动目标跟踪方法

为了使Mean shift算法能跟踪快速运动目标和大比例遮挡的目标,算法引入Kalman滤波对目标位置进行预测,Mean shift在预测位置邻域内搜索目标位置.同时对引入Kalman滤波的算法进行试验分析发现,不能有效的跟踪运动状态突然变化的目标,为此提出采用两次Bhattacharyya系数大小判断的方法.实验证明,提出的算法能够有效的跟踪运动目标,对于快速运动目标、大比例遮挡的目标以及运动状态突变的目标都有很好的跟踪效果,具有很好的鲁棒性.     

带宽自适应Mean Shift跟踪算法

提出了一种先进行空间定位再确定目标尺度的两级跟踪算法,有效地解决了mean shift算法对尺度变化的适应问题.该算法首先在当前帧对应位置进行降分辨率处理,并以基于增量试探的mean shift跟踪算法收敛点作为当前帧目标中心位置,进而利用对数极坐标变换的旋转、尺度不变性,对目标和候选目标分别进行对数极坐标映射,并通过求取最大归一化相关函数确定目标的尺度变化.跟踪实验表明,该算法可以有效的提高mean shift跟踪算法空间和尺度定位准确性.     

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。     

基于人眼视觉非均匀特性的实时粒子滤波跟踪方法

由于在成像制导过程中需要实时处理大量的信息,为了在尽可能保留有效信息的情况下降低计算量,采用了一种人眼视觉非均匀采样模型--对数极坐标模型,来压缩信息量以提高计算速度;另外,由于对数极坐标变换对目标形状具有旋转和缩放不变性,在跟踪非刚性目标时该模型能表现出很好的稳健性;考虑到复杂环境中目标跟踪包含强噪声和强杂波,而且目标模型是非高斯非线性的,针对这些问题,在人眼非均匀采样模型的基础上,将基于目标强度特征的Mean shift跟踪方法与粒子滤波相结合,将Mean shift算法用于采样粒子滤波,有效地降低了抽样的粒子数,并对算法进行了数字仿真;实验结果表明,该方法能够有效抑制匹配点漂移,并且降低目标跟踪的计算量,是一种稳健的目标跟踪方法.     

基于自适应尺度的Mean—shift跟踪算法

针对传统Mean—shift跟踪算法不能解决目标跟踪中的目标特征大小变化问题,在此通过对Mean-shift算法的深入研究,提出了基于自适应尺度的Mean—shift目标跟踪算法。通过引用尺度空间理论,改变尺度空间中的选择参数,调整追踪窗口的大小来解决跟踪时自适应目标大小特征变化的问题。计算机仿真实验表明,基于自适应尺度的Mean—shift跟踪算法的跟踪所取得的效果明显优于传统方法的目标跟踪方法。     

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的抗遮挡运动目标跟踪算法

采用Mean shift和Kalman滤波器相结合来处理动态背景下目标跟踪问题.首先利用Kalman滤波器进行预估计获得每帧Mean Shift算法的起始位置.由图像差分法得到物体轮廓.同时定义了相似因子判断物体是否发生遮挡.当发生遮挡时,根据物体运动状态不同.对颜色信息和运动信息分别赋予不同权值来预测物体在当前帧的位置并作为下一帧预测的起点.此时,目标位置的线性预测替代了Kalnlan滤波器的作用.实验证明,新算法可实现对快速运动目标的跟踪,对遮挡也有很好的稳健性.     

一种基于Kalman-mean shift的自适应跟踪算法

提出了一种基于Kalmanmean shift的自适应跟踪算法。利用卡尔曼滤波器预测目标在当前时刻的起始位置,并利用互信息量与目标尺寸之间的关系,在mean shift算法中加入了一个尺度更新项,通过尺度更新对运动目标,特别是目标尺寸变化的目标进行自适应跟踪。实验表明该算法提高了mean shift跟踪算法的适应性,有效地解决了长时间跟踪过程中尺度变化目标定位困难的问题。     

一种基于粒子滤波的自适应运动目标跟踪方法

该文提出了一种基于粒子滤波的自适应运动目标跟踪方法。均值漂移算法是一种最优梯度下降法,通过迭代来搜索目标,从而实现对运动目标的跟踪。而粒子滤波是一种在非线性和非高斯情形下进行跟踪的强有力方法。该文首先对图像的直方图进行改进,提出了一种基于统计直方图分布的目标模型,然后通过这个模型将这两种方法有效地结合起来。根据跟踪的过程,自适应地调整参数,能够较好地处理图像序列中由于光线变化或遮挡所带来的影响。实验证明,该文所提出的方法与均值漂移方法相比,即使在复杂的情形下,也能够准确地对目标进行跟踪。     

基于多尺度结构特征的快速异源图像匹配

针对异源图像提出一种基于多尺度密集结构特征的快速匹配算法。算法首先利用Gabor滤波器逐像素提取图像中的结构响应,再根据主方向响应对多尺度结构特征融合,然后使用快速傅里叶变换在频域计算各特征分量图像之间的卷积,最后将卷积生成的系数矩阵求和计算出图像之间的相似性并选择相似性最大位置作为匹配结果输出。本文算法能有效适应异源图像间的非线性灰度变化和噪声干扰问题。测试使用可见光、红外、雷达图像组成的异源图像数据集对本文算法和现有算法进行测试比较,结果表明:本文算法的平均误匹配率最低,并且计算速度有明显优势。     

自适应局部邻域特征点提取和匹配的点云配准

点云配准是三维重建的关键技术之一。针对点云匹配中迭代最近点算法(ICP)速率低、对初始位置要求高的问题,提出了一种基于自适应局部邻域特征点提取和匹配的点云配准方法。首先根据局部表面变化因子与平均变化因子的大小关系,自适应地提取特征点;其次利用快速点特征直方图（FPFH）综合描述每个特征点的局部信息,结合随机抽样一致性（RANSAC）算法实现粗配准;最后根据得到的初始变换矩阵和基于特征点的ICP算法实现精配准。对斯坦福数据集、含噪声的点云以及场景点云进行配准实验,实验结果表明:所提出的特征点提取算法能高效地提取点云的特征;相比于其他特征点检测方法,所提方法在粗配准中的配准精度和配准速度更高,且抗噪性能更好;与ICP算法相比,基于文中特征点的ICP算法在斯坦福数据集和场景点云中的配准速度提升了约10倍,在含噪声的点云中,能根据所提取的特征点高效地进行配准。该研究为提高三维重建和目标识别的匹配效率提供了一种高效的方法。     

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.     

融合GMS检测和置信度判别的TLD目标跟踪

针对目标在遮挡、尺度变化等复杂场景下易产生模型漂移问题,基于跟踪学习检测(TLD)框架提出一种结合基于网格的运动统计(GMS)检测和置信度判别的长时目标跟踪算法.首先在跟踪模块中采用快速判别尺度空间的相关滤波器(fDSST)作为跟踪器,利用位置滤波器和尺度滤波器对上一帧目标进行位置与尺度的判别,并依据TLD算法中跟踪模...     

自适应尺度抗模糊核相关滤波跟踪法

针对图像模糊和目标尺度变化而导致跟踪失败的问题 ,提出一种自适应尺度抗模糊核相关滤波跟踪法。首先,构建一个抗模糊特征检测与匹配模 型,该模型将待匹配图像进行掩膜处理,提取目标感兴趣区 域,并利用加速稳健特征(SURF)和二进制尺度旋转不变鲁棒特征(BRISK)描述子对目标区域 进行特征点检测 与描述,通过特征点二次匹配,获取模糊图像中目标的位置。其次,判断当前图像清晰度, 若图像清晰度 高于一定水平,则利用传统的核相关滤波(KCF)算法预测目标位置,并通过比较不同尺度下 的目标响应峰值, 得出目标的最佳尺度;否则,利用抗模糊特征检测与匹配模型获取目标位置。最后,在OTB -2015数据集 中测试算法性能,本文所提算法的精确度为85.2%,比传统的KCF算法 提高17.4%;成功率为77.8%,比 传统的KCF算法提高23%。实验结果表明,所提算法在跟踪过程中可自 适应地改变跟踪框的大小,并且可对模糊图像中的目标进行有效跟踪。     

基于模糊测度的目标匹配算法

提出了基于模糊测度的目标匹配方法。利用复数小波变换图像．对得到的不同尺度、不同方向子频带的小波系数进行归一化,消除了光照和尺度变化对图像的影响．构造其纹理特征。采用循环移位方法构成匹配特征向量,根据特征分布的模糊隶属度确定各特征分量在相似测度中的权值。复数小波的多尺度、多分辨率等特性有效描述图像能量在不同尺度下、不同方向的分布特征。实验结果表明：当目标在背景中发生相对变化时,应用该算法能够有效匹配目标．其性能优于基于灰度相关匹配的方法。     

基于动态图像处理技术的动目标检测与跟踪

针对摄像机与目标同时运动情况下运动目标的检测与跟踪问题,提出了背景匹配法.通过相关匹配算法使背景对齐,结合帧间差分技术有效地将运动目标提取出来;然后通过预测未来路线,运用光流学与对应物的对应方法进行运动目标跟踪.     

基于快速群体智能算法的毫米波天线设计

针对毫米波天线阻抗不匹配的问题,该文提出基于粒子群蚁群(Particle Swarm Ant Colony Optimization, PSACO)的天线贴片参数优化算法,利用蚁群算法的信息素引导机制获得粒子群算法的最优贴片长、宽及馈电位置;并采用模糊决策综合评价模型(Fuzzy Decision-Making Comprehensive Evaluation, FD-MCE)求解毫米波天线的地面开槽位置,实现带宽扩展。对28.0 GHz中心频率进行设计与仿真,结果证明所提方法能有效且快速实现毫米波天线阻抗匹配,保证谐振频率与中心频率的一致,且在开槽面积不大于接地面总面积30%时带宽可扩展约33%,回波损耗特性也得到明显改善。所提算法具有计算复杂度低,收敛速度快的优点。