基于Meanshift与Kalman的视频目标跟踪算法

针对传统的Meanshift方法在复杂条件下目标跟踪丢失问题,提出了一种将Meanshift与Kalman滤波器融合的视频运动目标跟踪算法。该算法可对跟踪加入运动目标预测,根据Meanshift跟踪结果判断是否开启Kalman滤波器的预测及滤波,能提高跟踪的鲁棒性。实验结果表明,该算法可以有效改善在复杂条件下的跟踪效果,具有较好的鲁棒性。     

转换测量值卡尔曼滤波的激光目标跟踪

为了解决在实际的目标跟踪系统中测量方程与运动方程的非线性问题，在传统的卡尔曼滤波的基础上提出了转换测量值的卡尔曼滤波器，并以此为基础在三维空间对其进行了推导。最后结合激光器的特点把它应用于激光跟踪目标的仿真，与扩展卡尔曼滤波相比较，应用转换测量值卡尔曼滤波器进行仿真的精度要明显高于应用扩展卡尔曼滤波器所得到的结果。     

基于视频监控的运动目标跟踪算法

利用Kalman滤波思想对运动目标的前时刻状态信息进行预测,获取重心位置与形态紧密度估计值;将估计值与当前时刻观测值进行匹配,根据匹配误差修正运动目标的速度与紧密度变化值,通过递归算法实现常态下运动目标的准确、快速跟踪.针对复杂场景下由于运动遮挡造成无法准确估计目标运动轨迹,采用灰色模型GM(1,1)保证了跟踪过程的连续、稳定.最后,通过不同交通场景的视频序列对本文算法进行了验证,结果表明本文方法具有较好的适应性、鲁棒性,可实现复杂遮挡情况下连续、稳定、实时的目标运动跟踪.     

强跟踪滤波器与卡尔曼滤波器对目标跟踪的比较

介绍了早期的卡尔曼滤波器和近期提出的强跟踪滤波器对匀速运动目标和机动性目标的跟踪情况．通过仿真，说明在信噪比较小的情况下强跟踪滤波器的目标跟踪性能优于卡尔曼滤波器的跟踪性能。     

基于卡尔曼预测的视频目标实时跟踪

在视频目标跟踪中,搜索区间大小直接影响着跟踪的速度和效率.现采用图象坐标系下的卡尔曼滤波预测来指导跟踪,设计了卡尔曼滤波器,对被跟踪目标的运动参数(位置,速度,加速度)进行滤波预测.缩小了搜索区间(减至为匹配模型的大小),提高了系统的实时性和跟踪精度.实验结果表明:在对大运动和大运动大机动两种视频目标的跟踪中,耗时仅为全局搜索的1/4,精度可达3像素以内.     

基于卡尔曼滤波的人脸跟踪算法

针对实时视频监控领域中传统的Camshift算法不能自动跟踪人脸和容易受到肤色相近遮挡等问题,采用Ad-aboost算法实现了人脸的自动检测,同时对于跟踪丢失等情形,通过卡尔曼预测对跟踪偏差进行实时改进。实验表明跟踪的准确性有较大提高,具有较好的实时性;在相近肤色遮挡时仍能实现正确跟踪,并对侧脸也有较好的效果;算法具有较好的鲁棒性。     

BF粒子滤波算法在快速目标跟踪中应用的研究

为了对快速目标进行跟踪,在高斯加性白噪声的条件下(AGWN),文章把BF粒子滤波算法和迭代的Kalman滤波器方法结合起来对快速目标状态进行处理,状态估计用BF粒子滤波算法,能减小方差和运算量,同时用Kalman滤波器能提高跟踪精度和对目标状态的估计。仿真结果表明,文中所设计的快速和精确的BF算法能真正地解决快速目标跟踪问题。     

基于纯方位角测量的水下目标跟踪

在笛卡尔卡尔曼滤波器的基础上，提出了改进极坐标扩展卡尔曼滤波器，并且研究了应用于纯方位角测量的目标跟踪算法，对提出的算法进行了相应的仿真实验，仿真结果表明，改进极坐标扩展卡尔曼滤波器非常适合于目标的跟踪研究，具有很高的工程应用价值。     

一种基于卡尔曼滤波器的彩色目标跟踪方法

提出了一种基于卡尔曼滤波器的彩色目标跟踪方法。该方法首先在YCbCr颜色空间使用高斯模型构建目标颜色模型,根据该颜色模型在图像中进行目标检测,获取目标中心,然后利用卡尔曼滤波预测目标中心在下一帧图像中可能出现的位置,以该位置为中心建立搜索区域,在搜索区域内进行目标检测,计算目标中心位置,同时以该位置作为观测值,进行下一帧预测。实验结果表明,该方法具有较好的实时性和鲁棒性。     

基于OpenCV的运动目标检测与跟踪

提出了一种基于OpenCV的视频应用程序的开发方法。将Intel公司开放的OpenCV源代码作为开发的视频应用程序的基础函数库,改写或调用其中的函数,可根据需要用C＋＋语言开发视频应用程序,从而克服了视频应用程序开发周期长、效率低的缺点。给出了部分OpenCV具体的设置方法和过程,并通过利用OpenCV编写的运动目标检测与跟踪的应用程序验证了该方法的有效性和可行性。对图像进行形态学去噪、平滑滤波处理和二值化阈值分割等图像预处理,获得二值化黑白图像。通过轮廓提取和跟踪检测得到车辆和人的外轮廓,进而实现运动目标的跟踪。在VC＋＋6.0环境下,利用OpenCV编程实现了此方法。实验结果表明,该方法可行。     

Kalman滤波在视频监控中的应用

卡尔曼滤波(Kalman)是一种根据时变随机信号的统计特性,对信号的未来值做出尽可能接近真值的一种估计方法.首先对卡尔曼滤波进行介绍,然后阐述了它在视频监控技术中的运动目标检测和运动目标跟踪两个方面的应用.     

基于均值漂移和卡尔曼滤波的目标跟踪方法

分析了Mean-shift难以有效跟踪复杂背景下灰度运动目标的主要缺陷,提出了结合Mean-shift和强跟踪滤波器的目标跟踪方法。该方法利用强跟踪滤波器预测目标在当前时刻的起始位置,然后Mean-shift在该位置的邻域内寻找目标所处位置。同时,采用Bhattacharyya系数度量"目标模型"和"候选模型"相似程度,提出一种目标遮挡因子,作为目标被遮挡程度的判断根据,并由此确定"候选模型"是否更换为"目标模型",避免目标模型过度更新。对城区交通环境下的车辆目标进行跟踪。实验结果表明,该方法较原Mean-shift方法可明显提高阻挡情况下的目标跟踪稳定性。     

基于Kalman滤波器的运动目标跟踪算法

运动目标跟踪是计算机视觉中的一个典型问题,如何能准确快速的跟踪目标是研究的关键。提出了Kalman滤波器结合Camshift的改进算法。首先选取一段视频图像序列,通过背景差分法快速检测出运动目标,初始化搜索窗口,用Kalmam滤波器预测目标位置,再用Camshift迭代算法计算目标最优的位置,将结果作为Kalman滤波器进行下一次预测的估计值。实验表明,当目标被严重遮挡或受到同色背景干扰时,本算法仍能快速准确的跟踪运动目标。     

基于小波变换与卡尔曼滤波的多目标跟踪

利用小波变换和卡尔曼滤波研究多目标检测与跟踪问题.采用小波三层分解原理,对图像进行去噪处理,得到的低频图像再进行背景差分运算,从而检测出运动目标.采用卡尔曼滤波先预测出目标在下一帧的位置,通过前后帧的目标位置计算半径值,结合k近邻算法在半径内采用k近邻数据关联,取与预测位置欧氏距离最短的点为目标在下一帧中出现的真实位置.通过MATLAB对实验进行仿真.结果表明,方法可有效提高多目标检测与跟踪的准确性和抗遮挡性.     

Target Tracking Algorithm Based on Meanshift and Kalman Filter

Directed at the problem of occlusion in target tracking, a new improved algorithm based on the Meanshift algorithm and Kalman filter is proposed. The algorithm effectively combines the Meanshift algorithm with the Kalman filtering algorithm to determine the position of the target centroid and subsequently adjust the current search window adaptively according to the target centroid position and the previous frame search window boundary. The derived search window is more closely matched to the location of the target, which improves the accuracy and reliability of tracking. The environmental influence and other influencing factors on the algorithm are also reduced. Through comparison and analysis of the experiments, the modified algorithm demonstrates good stability and adaptability, and can effectively solve the problem of large area occlusion and similar interference.     

基于多模式多特征融合粒子滤波视频目标跟踪

本文研究了目标的多特征融合跟踪问题.提出了衡量各特征质量的标量方法,利用粒子权值平方和来表示各特征信息的粒子退化程度,并以此值作为各特征信息质量状况的衡量.该方法能根据跟踪的实际情况判定各分信息粒子质量,并在此基础上提出了多模式融合策略,该策略能依据各分信息的质量变换各融合模式达到跟踪过程中各模式的最优组合.实验结果表明:在对复杂背景视频目标的跟踪中,该算法具有强的鲁棒性,较高的识别精度.     

一种适用于机动目标跟踪的改进卡尔曼滤波算法

针对卡尔曼滤波跟踪强机动目标时性能下降的问题,提出了一种适用于机动目标跟踪的改进卡尔曼滤波算法.该算法在卡尔曼滤波算法的基础上,根据当前量测目标航向与前一目标航向之间的航向角度差,判断机动强弱并计算出加权函数值,然后用加权函数值根据量测数据依次修正机动目标加速度预测值和目标预测状态,最终改进目标的状态估计.仿真结果表明,目标强机动时该算法具有较高的跟踪精度.