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.     

基于目标中心定位和NMI特征的跟踪算法

实时目标跟踪过程中,为提高跟踪精度,要求跟踪的窗口也要实时的随着目标大小的变化而变化。以Mean shift算法为基础,根据概率检测法定位目标在各帧图像中的中心点,提出了一种自适应更新窗口的算法。同时结合归一化转动惯量NMI对目标进行识别,实时定位中心标示的对象。实验结果表明,该方法能在目标尺寸放大或缩小时选择合适的跟踪窗口,而且具有较强的跟踪抗干扰性。     

基于NMI特征的目标识别与跟踪

本文提出一种全新的图像分割方法——连通线多级切割方法，并在此基础上建立图像NMI特征的目标识别与跟踪算法。文章给出了运用连通线多级切割方法实现阈值求取、图像分割、目标识别与跟踪的技术技巧。通过实验验证了NMI特征的缩放不变性、旋转不变性和平移不变性以及不同物体的NMI特征差异，表明本文算法具有良好的实时性和精确的目标识别与跟踪效果。     

基于尺度不变特征变换的Mean-Shift目标跟踪

均值漂移(Mean-Shift)目标跟踪算法由于具有快速模板匹配和无参数密度估计等特点,但也存在其固有的缺陷.为了提高该算法的鲁棒性,把目标分成多个区域,对每个区域利用Mean-Shift进行跟踪,迭代次数大于8的放弃迭代.然后利用尺度不变特征变换(SIFT)剔除那些匹配的关键点数目少的子区域.最后,利用匹配关键点数目多的区域得到目标的位置.实验结果表明该方法在目标受遮挡、尺度变化、旋转、环境场景等变化等具有很强的鲁棒性.     

基于图像NMI特征的目标识别新方法

利用物理学相关概念定义了一种新的图像不变特征即归一化转动惯量（NMI）特征,对其不变性进行了分析,提出了基于图像NMI特征的目标识别新方法。实验结果表明：NMI特征具有抗灰度及TRS不变性,且提取方法简,易于实现;与传统的归一化积相关算法、图像不变矩算法相比,该文提出的目标识别方法具有正确率高、速度快等特点。     

基于MFFK和Mean-Shift的红外船舶目标跟踪算法研究

当前内河船舶配备的导航设备,如雷达、无线电信号接收避险等,无法在各种恶劣气候条件下准确获取目标的信息,不能满足可靠的船-船、船-桥避碰要求。采用基于MFFK分形特征与Mean-Shift方法相结合的红外船舶目标检测跟踪技术,在其运动过程中实时采集来自船运动前方以及两侧环境情况的视频文件,同时将其转化为单帧的实时红外图像,通过MFFK参数将环境与可疑人造目标分离开,然后采用基于Mean-Shift的目标跟踪技术进行目标定位,跟踪,通过对连续红外图像高速比对,在其运动轨迹发生变化可能产生事故之前发出警报。实验结果表明,该算法能够应付场景的各种变化以及多运动船舶目标交错遮挡等情形,算法具有鲁棒性。     

基于NMI特征的Auto-Camshift算法及其应用

基于NMI特征及Camshift算法，提出了扩展Auto-Camshift算法，该算法分割得到目标物体，分别对每个物体进行Camshift运算，同时结合了物体归一化转动惯量特征对物体进行学习和辨认。该算法同Camshaft相比，增加了归一化转动惯量NMI这一以目标不变特征为识别基础的特征，同时实现了多物体识别、自主学习。在“富莱德”机器人系统上的试验结果证明所提供的算法在学习和识别系统中有很好的鲁棒性和实时性。     

基于Mean Shift算法和粒子滤波器的人眼跟踪

基于视觉的驾驶疲劳检测是人脸表情识别技术最有商业前途的应用之一,实时人眼跟踪是其中的关键部分。为了解决跟踪方法对眼睛的部分遮挡、人脸尺度变化等过于敏感的问题,提出了一种综合MeanShift算法和粒子滤波器的跟踪算法。利用粒子滤波器得到样本的观测值后,将MeanShift分析用于每一个粒子,使得粒子集中在测量模型的局部区域内,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。实验结果表明该算法实时性强,且具有良好的鲁棒性。     

基于两步跟踪算法的海关车辆监控研究*

针对实时性和鲁棒性要求比较高的海关卡口车辆视频监控问题,提出了一种基于改进的均值漂移算法和粒子滤波算法的两步跟踪算法。对海关车辆监控的目标图像采用YCbCr颜色空间建立初始帧目标模型,利用改进后的均值漂移算法找出候选目标,在跟踪相似度小于设定的阈值时再利用改进后的粒子滤波算法进行后续的跟踪。通过实验分析,验证了提出的算法既能保证均值漂移算法跟踪的实时性,也能保证粒子滤波算法跟踪的鲁棒性,具有较好的应用价值。     

窗宽自适应Mean-Shift跟踪算法

针对固定窗宽Mean-Shift算法在目标运动速度过快或尺度发生明显变化时可能导致跟踪失败的问题,提出一种窗宽自适应的Mean-Shift跟踪算法。该方法基于均值漂移矢量预测跟踪窗口中心位置,同时自动调整跟踪窗口大小,保证目标始终处于跟踪窗口内部,使算法得以准确定位目标;在确定空间位置后,利用基于Bhattacharyya系数的二分法自动选取窗口缩放比例,得到与目标尺度一致的跟踪窗口。实验结果证明,该方法能很好地定位目标的空间位置和尺度。     

基于多级纹理特征和Mean-Shift的灰度目标跟踪

由于灰度图像的信息单一,缺乏描述目标的信息,且易受到光照变化的影响,导致灰度图像中的目标跟踪难度较大。为此,提出了一种结合Gabor小波变换特征与旋转不变一致局部二值模式(LBP)纹理描述算子来建立目标的多级纹理特征模型,并采用Mean-Shift来实现目标跟踪的新方法。该算法首先利用Gabor变换提取多尺度、多方向的目标图像特征以扩充特征提取范围,然后应用旋转不变一致LBP算子对这些特征进行编码以增强所提取特征的有效性,最后采用纹理模式联合概率直方图建立目标的多级Gabor-LBP纹理特征模型,并通过Mean-Shift算法来实现目标的跟踪。实验结果表明,该算法可以有效地克服光照变化、混乱及目标旋转的影响。     

基于邻域Mean-Shift的彩色图像滤波算法

在空间域与色彩域中分别给定移动窗口半径的适当值,把空间位置处于当前数据点的圆邻域内的色彩数据作为算法的样本数据,利用窗口半径固定且独立于空间位置的核函数对色彩数据进行均值偏移(Mean-Shift)聚类,用聚类中心更新当前位置的图像数据,克服了空间域与色彩域结合的Mean-Shift图像滤波模型窗口半径难于恰当选取以适...     

目标窗口尺寸自适应变化的Mean-Shift跟踪算法

传统的窗宽尺寸固定不变的MeanShift跟踪算法不能实时地适应目标尺寸大小的变化。将多尺度空间理论与Kalman滤波器相结合,利用Kalman滤波器对尺寸变化的目标面积比例进行预测,用多尺度空间理论中的目标信息量度量方法求出前后相邻两帧的目标特征信息比,将其作为Kalman滤波器的观察值对目标面积比例进行修正,然后与MeanShift算法结合起来对目标进行跟踪,实验结果表明,改进的跟踪算法对尺度逐渐变大和变小的目标都能连续地自动地选择合适大小的跟踪窗口。     

基于Mean-Shift优化的TLD视频长时间跟踪算法

针对TLD(tracking learning detection)算法同时包含了跟踪、检测和学习三个部分,具有较高计算量的缺点,提出了采用Mean-Shift算法替换原TLD跟踪器部分的光流跟踪算法.该优化方法利用具有计算量小的Mean-Shift算法替换计算量较大的光流法进行跟踪,以通过目标模型和候选目标模型之间的巴氏系数与阈值的比较来判定跟踪失败的自检测,并通过计算Mean-Shift跟踪返回的目标框和上一帧TLD返回的目标框之间的相似度来进一步得到跟踪的有效性,在发生跟踪失败时由检测器重新初始化跟踪.实验结果表明,该优化方法在视频长时间跟踪算法中具有较高的鲁棒性和准确性,并且与原TLD算法相比,该优化方法在跟踪速度上得到了提升.     

基于NMI不变特征的图像检索方法

基于内容的图像检索技术是当前多媒体数据库系统和数字图书馆研究中的一个热点。基于二值图像的NMI不变特征(归一化转动惯量)提出了一种全新的基于内容的图像检索方法，其特-点是计算简单，精确度高，具有抗几何畸变性，对滤波、平滑、压缩等图像操作有一定的鲁棒性。试验结果表明，该方法具有一定实用价值，可用于图像检索。     

基于改进Mean-Shift与自适应Kalman滤波的视频目标跟踪

提出一种改进的Mean-Shift和自适应Kalman滤波器相结合的视频运动目标跟踪算法。对选定的跟踪目标,采用三帧差和区域增长法分割目标并得到主颜色信息。在跟踪过程中,利用自适应的Kalman滤波器估计每一帧的起始迭代位置,再利用改进的Mean-Shift算法得到跟踪位置并作为测量值反馈给自适应Kalman滤波器,并引入遮挡率因子以自适应地调节Kalman估计参数。实验结果表明,该算法能对视频中的运动目标实现检测和连续跟踪,对遮挡也有较好的鲁棒性。     

基于部分背景加权更新的均值漂移跟踪算法

为了解决均值漂移跟踪算法中背景对目标定位的扰动, 提出了一种基于颜色和纹理混合特征以及采用背景加权更新的改进算法。改进算法先将原始视频序列RGB帧图像转换为HSV颜色空间表示, 然后分别在H、S通道上提取颜色特征, 在V通道上用LBP描述符提取纹理特征, 在此基础上为目标区域和背景区域建立三维颜色纹理混合直方图作为其描述符; 在对象的跟踪过程中, 通过巴氏系数选择性地加权更新部分背景信息。实验结果表明, 与基于全部背景更新策略相比, 改进算法充分利用了颜色和纹理特征并加权更新背景信息, 具有更高的可靠性和鲁棒性, 具有更好的计算效率。     

核函数带宽自适应的Mean-Shift跟踪算法

为了实现Mean-Shift跟踪算法中的核函数带宽自适应更新,提出基于比较Bhattacharyya系数的新方法。首先用模板中心加权与目标边缘加权的直方图计算巴氏系数,跟踪时用候选目标边缘加权直方图与模板中心加权直方图计算新的巴氏系数,根据两个系数的大小对核带宽进行10%的缩放。实验表明,该方法有效克服了带宽只能缩小的问题,实现了跟踪窗对目标缩放的自适应性。     

改进CamShift算法的眼动跟踪方法

针对CamShift跟踪算法仅采用颜色特征,在存在颜色相近干扰目标、头部快速运动或者虹膜发生形变等情况易发生眼动跟踪不准确或失败等问题,提出一种基于改进CamShift算法的眼动跟踪方法。在CamShift算法中,计算边缘直方图分布,在颜色特征基础上融合边缘特征,同时通过分析饱和度分量抑制噪声影响,并利用基于边缘特征的自定义方法判断虹膜是否发生形变。当发生形变时,自动更新模板,根据历史运动轨迹预测虹膜中心。实验表明,该方法能有效改善眼动跟踪性能,且定位虹膜精确、错误率低、速度快,预测虹膜中心与实际虹膜中心相差极小,达到了准确性、鲁棒性和实时性的要求。