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。     

基于均值漂移算法和粒子滤波算法的目标跟踪

将均值漂移算法和粒子滤波算法分别做出改进后进行有效结合.在非遮挡和不严重遮挡情况下,采用改进的均值漂移算法,在严重遮挡情况下,采用改进的粒子滤波算法,并在遮挡结束后验证正确的跟踪是否得到恢复.提出有效的分块检测遮挡算法,遮挡期间颜色模板不更新.实验结果表明该算法具有较好的实时性和鲁棒性,能有效实现复杂场景下的目标跟踪.     

基于改进的均值漂移和卡尔曼滤波的目标跟踪算法

针对固定搜索窗口均值漂移算法在目标运动速度过快或目标尺度发生变化而导致跟踪失败的问题,提出一种与卡尔曼滤波相结合的自适应窗口跟踪算法。首先用卡尔曼滤波算法对运动目标进行预测及更正,设定感兴趣区域,并利用均值漂移算法确定搜索窗口大小和位置,同时结合Bhattacharyya系数进行目标定位,实现视频中目标跟踪。通过对比分析和实验结果,改进算法对目标尺度发生变形时具有较好的鲁棒性和准确性。     

基于Mean Shift和自适应预测的非刚性目标跟踪算法

传统Ｍｅａｎ Ｓｈｉｆｔ跟踪算法在目标发生机动或存在遮挡的情况下跟踪效果不理想．对此,结合目标的形状特征和颜色的可区分度对传统的颜色直方图进行改进,给出了将Ｍｅａｎ Ｓｈｉｆｔ和卡尔曼滤波器或粒子滤波器相结合的目标运动自适应跟踪算法,并针对粒子滤波器计算量大的问题,给出了运用两种不同运动式粒子进行有效预测的方法．结果表明,该算法可实现快速的非刚性目标跟踪,对目标的不规则运动和严重遮挡具有很好的鲁棒性．     

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。     

基于粒子滤波和均值漂移的目标跟踪

将均值漂移算法嵌入到粒子滤波的跟踪框架中,将颜色分布作为观测模型,将HSV颜色空间根据人类的颜色感知差异,对各个分量进行非等间隔量化,然后利用基于核函数的直方图进行建模。该算法克服了粒子滤波计算量较大的缺点,同时也克服了均值漂移算法容易陷入局部最大且无法恢复的缺点。实验结果表明,该方法具有较强的实时性和鲁棒性。     

基于均值漂移与卡尔曼预测相结合的视频运动目标跟踪算法

传统的均值漂移算法是基于颜色直方图的迭代跟踪算法,在跟踪目标出现尺度变化的情况下,其跟踪结果往往出现偏差,甚至跟踪失败。鉴于此,提出了一种基于空间边缘方向直方图的均值漂移跟踪算法,使用空间分布和纹理信息作为匹配信息,将卡尔曼预测器融于均值漂移跟踪算法。实验表明,该方法能在尺度缩放等复杂背景下对目标进行准确有效的跟踪。     

基于均值漂移算法和时空上下文算法的目标跟踪

在严重遮挡时,时空上下文STC(Spatio-Temporal Context)算法对目标位置的判断是正确的,而均值漂移MS(Mean Shift)算法对目标位置的判断会发生很大幅度的抖动,甚至跟踪错误目标。在遮挡结束后,时空上下文算法很难重新跟踪到正确目标,而均值漂移算法可以重新检测到跟踪目标。结合二者的优缺点,提出基于均值漂移算法和时空上下文算法的目标跟踪算法MSandSTC。该算法主要解决目标被严重遮挡的问题。在许多具有挑战性的数据集上的实验表明所提算法具有较好的实时性和鲁棒性。     

基于差分法的均值漂移单目标跟踪

研究了一种基于差分法原理的MS跟踪算法。当MS跟踪目标位置发生较大偏移时,通过使用差分法提取的目标形心位置对其进行修正。实验结果表明,该方法应用于运动目标的跟踪具有良好的跟踪效果。     

基于Mean Shift算法的目标跟踪综述

介绍Mean Shift算法及其研究进展,在众多计算机视觉研究和实际应用,尤其是视频跟踪研究中,基于Mean Shift算法的视频跟踪被大量应用。就目前所应用的跟踪算法,Mean Shift算法使跟踪中存在的很多问题得到了解决,例如运动目标的突然加速,背景的干扰,目标和目标以及目标和背景之间的遮挡,背景或者目标外部的变化等。对目前基于Mean Shift算法本身及其改进方法的理论和应用进行分类和比较,详述其各自方法内容和优缺点。     

自适应带宽均值移动算法及目标跟踪

首先提出了一种经典均值移动算法的推广算法,即自适应带宽均值移动算法,进而提出了基于自适应带宽均值移动的二维视频目标跟踪算法（ABMSOT）.前者提出了在带宽自适应情况下均值移动算法求取局部极值的框架步骤,后者可实时跟踪目标的位置、大小和方向.在ABMSOT算法中,目标模型和候选模型采用自适应带宽核函数加权特征直方图描述,目标模型和候选模型的相似性采用Bhattacharyya系数度量;通过迭代两步法搜索到目标最有可能的位置、大小和方向.第一步执行一次均值移动迭代搜索目标位置,第二步计算出最能描述目标区域大小和方向的带宽矩阵.从理论上证明了两个算法的收敛性,并通过实验证明了ABMSOT算法能实时跟踪目标的位置、大小和方向.     

嵌入Mean Shift 的粒子滤波目标跟踪算法

传统的粒子滤波算法通常使用大量粒子表示目标状态的后验概率密度函数,算法的计算量较大,跟踪的实时性较差,且无法对快速、遮挡目标进行准确跟踪．针对以上问题,提出了一种嵌入MeanShift（均值偏移）的粒子滤波算法,该方法充分利用了MeanShift聚类作用,使得粒子分布更加合理,不但提高了粒子的多样性,而且有效减少了描述目标状态的粒子数目．实验结果表明,改进的目标跟踪算法具有较强的鲁棒性和较好的实时性．     

一种分层Mean Shift目标跟踪算法

针对经典Mean shift (MS)目标跟踪算法的颜色特征鲁棒差、匹配迭代复杂的缺点, 提出一种分层Mean shift (Hierarchical mean shift, HMS)目标跟踪算法. 首先通过MS迭代将目标区域特征空间的数据点聚类于模式点, 使得以简洁的方式描述前景跟踪目标, 建立目标模型与目标候选模型的聚类模式点描述, 进行聚类块匹配. 然后, 导出聚类块模式点匹配下的相似度量函数, 进行像素点匹配, 结合邻域一致性, 计算像素平移量, 分层估计序列帧中跟踪目标质心模式点的位置, 并给出HMS匹配迭代跟踪算法. 实验结果表明, 与其他两种MS跟踪算法相比, HMS既能提高序列帧跟踪目标表达与匹配的鲁棒性, 又无需匹配所有数据点, 算法简洁且有效可行.     

Mean Shift跟踪算法中尺度自适应策略的研究

标准Mean Shift跟踪算法缺乏尺度自适应机制,一种常见的尺度自适应策略是在上一帧尺度及上一帧尺度基础上增/减10%3个尺度下执行3次标准Mean Shift算法来确定本帧的尺度。本文在一组典型场景下对这种方法进行了实验研究,发现它存在两个缺陷,即有时不能防止尺度在小于真实尺度处徘徊;对快速尺度变化适应性差。其中任何一个缺陷都可能引起大的尺度定位偏差,从而降低跟踪器的鲁棒性。在对上述缺陷深入分析的基础上,修正了最优带宽的判别条件,给出了自适应滤波器参数的设计方法,从而得到了一种改进的尺度自适应算法。多种场景下的实验结果表明了这种算法的有效性。     

基于Mean Shift算法和NMI特征的目标跟踪算法研究

针对传统Mean shift跟踪算法对空中运动目标跟踪效果不理想的问题, 提出了基于Mean shift算法和归一化转动惯量(Normalized moment of inertia, NMI)特征的目标跟踪算法. 算法中引入了目标NMI特征, 建立了基于虚警概率最小原则和相似度二级判决门限的跟踪策略, 对目标模型进行更新. 同时利用卡尔曼滤波, 在目标被遮挡后进行估计预测. 实验表明该算法在空中运动目标存在较大形变、被遮挡等情况下, 能够进行实时、稳定跟踪.     

基于SIFT特征一致性的目标跟踪算法

针对光照条件突然变化情况下混合目标模型Mean Shift算法无法准确跟踪目标的缺点,提出了一种基于SIFT特征一致性的目标跟踪算法.算法用SIFT特征来匹配帧间的感兴趣区域,同时使用包含初始帧信息和前一帧信息的混合目标模型Mean Shift算法计算帧间感兴趣区域的直方图,以直方图分布距离最小为原则计算Mean Sh...     

基于自适应多特征融合的mean shift目标跟踪

经典mean shift目标跟踪算法简单快速,具有较好的跟踪效果,但是它用单个特征描述目标,易受相似目标与背景的干扰,鲁棒性较差.针对此不足,推导出多特征融合mean shift目标定位公式;为了适应跟踪过程中目标与背景的变化,提出利用概率分布可分性判据动态评价特征对目标与背景的区分能力,并自适应地计算特征融合权重.在上述两个方面的基础上,对mean shift目标跟踪算法进行了改进,提出一种多特征融合mean shift目标跟踪算法.实验结果表明：提出的算法比经典mean shift目标跟踪算法具有更强的抗干扰性能和较高的跟踪精度.