一种基于粒子滤波的红外目标跟踪方法

为解决红外运动目标跟踪中的遮挡、形变等问题,提出一种基于粒子滤波的跟踪方法。该方法首先利用目标区域的灰度分布,建立了一种基于统计直方图的系统观测概率模型。并将飞机目标的运动看作惯性受限的非平稳过程,采用微分线性拟合模型作为系统状态转移模型。序列图像的实验表明：该算法能够在目标高速运动或发生遮挡的情况下稳健跟踪目标,其总体性能优于Mean Shift算法。     

一种改进的粒子滤波目标跟踪算法*

传统的Condensation跟踪算法使用状态转移分布作为采样粒子的建议分布函数,没有考虑当前的观测值,大量的粒子运算浪费在了那些具有小似然性的区域。针对该问题,提出一种基于Mean Shift以改进建议分布函数的粒子滤波跟踪方法。实验表明,由于有效地利用了当前观测值,改进的算法具有较强的鲁棒性和实时性。     

基于Mean Shift和粒子滤波的运动目标跟踪

针对Mean Shift算法跟踪效果不佳以及粒子滤波算法计算量大且实时性不强等问题,提出了一种结合Mean Shift和粒子滤波的运动目标跟踪融合算法。首先用MeanShift算法进行跟踪,在跟踪结果不佳的情况下用粒子滤波算法进行修正。实验结果表明,融合算法很好地结合了两种算法的优点,既保留了Mean Shift算法的实时性,又很好地体现了粒子滤波算法的鲁棒性,实用性很强。     

基于混合粒子滤波的运动火焰跟踪算法

提出一种基于混合粒子滤波的运动火焰跟踪算法。针对通用粒子滤波算法计算量大的问题,提出了混合粒子滤波,将Mean Shift算法嵌入到粒子滤波中,并用自适应运动模型和目标模型自动更新的策略改善算法性能。基于混合粒子滤波提出了火焰识别和火焰跟踪相结合的运动火焰自动跟踪算法,先火焰识别,再火焰跟踪,且跟踪时,如果估计目标与模型的相似度小于阈值则切换到火焰识别阶段。识别与跟踪的相互切换保证了跟踪结果的正确性。实验结果表明混合粒子滤波具有很好的跟踪效果,与粒子滤波和Mean Shift算法相比,提高了跟踪精度;基于混合粒子滤波的火焰跟踪算法能够跟踪复杂环境下的运动火焰,提供火焰的精确位置。     

基于改进Mean Shift视频目标跟踪算法的研究

针对传统的Mean Shift目标跟踪算法计算量大,难以实现对目标的实时跟踪,并且容易造成目标丢失,降低了目标跟踪的精确度;鉴于此,提出了一种改进Mean Shift的视频目标跟踪算法;首先,建立视频运动速度的系统动态模型,以便减少粒子维数粒子的数量;其次,在Mean Shift算法中核函数在目标特性的直方图表示的基础上来构建系统的观测值的获取;最后,利用Mean Shift算法的聚类作用,将粒子聚集在真实位置的区域以便更加靠近其跟踪目标;实验结果表明,验证了该算法在视频目标跟踪中,能够有效跟踪运动目标,满足实时性要求,明显优于传统的Mean Shift目标跟踪算法,减少了计算量,有助于提高其跟踪精度。     

基于粒子Mean Shift迁移的红外人体目标跟踪算法

提出了一种基于粒子Mean Shift迁移过程的红外人体跟踪方法.算法通过采样粒子迁移和聚类动态建立目标的状态模型和量测模型.在被跟踪区域随机布撒粒子,以各粒子对应像素的亮度作为特征值进行Mean Shift收敛性分析,使用收敛后的粒子集表达目标的当前状态;以状态粒子的坐标位置为特征值对其进行Mean Shift聚类,作为对目标的量测.连续跟踪时,下一帧的采样粒子基于上一帧的量测结果产生.与传统的基于序贯重要性采样的粒子滤波方法相比,算法不需要目标的相似性测度计算,仅用少数粒子即可实现对目标的可靠跟踪.     

结合尺度不变特征变换和Kalman滤波的Mean Shift视频运动目标跟踪

为解决目标跟踪中运动目标存在较大尺度变化、旋转、快速运动或遮挡时跟踪效果欠佳的问题,提出了一种将尺度不变特征变换(SIFT)特征匹配和Kalman滤波与Mean Shift结合的运动目标跟踪方法。首先,利用Kalman滤波估计目标运动状态,将其估计值作为Mean Shift跟踪的初始位置;然后,当候选目标模型和初始目标模型的相似性测度系数小于某一阈值时,启用SIFT特征匹配寻找目标可能位置,并在该位置处建立新的候选目标模型,同时进行相似性测度;最后,比较两者所得匹配系数,取其中较大者对应的位置作为目标的最终位置。实验结果表明,该算法的跟踪平均误差较单独将Kalman滤波或SIFT特征与Mean Shift结合的跟踪算法减小了约20%。     

基于MeanShift的目标平移与旋转跟踪

针对目前多数实时跟踪算法只能跟踪目标平移运动,不能跟踪旋转运动的问题,提出一种基于Mean Shift的快速旋转跟踪算法。该算法以目标区域的梯度方向分布(直方图)为特征,构造了可用Mean Shift算法寻优的相似度函数,将旋转跟踪转化为寻优问题,并利用Mean Shift寻优过程收敛速度快的特点,有效跟踪目标旋转。又提出交替迭代的方法,将旋转跟踪与Meer的平移跟踪算法融合起来,构造了可以同时跟踪目标旋转和平移完整跟踪算法。     

基于自适应Mean Shift算法的彩色图像滤波

利用Mean Shift算法对图像进行滤波时,带宽和采样点权重的选择至关重要。为有效保留彩色图像中边缘等细节信息,提出了一种基于自适应Mean Shift算法的彩色图像滤波算法。该算法首先根据图像颜色信息的灰色关联度来定义自适应空域带宽;然后利用颜色粗糙度计算自适应值域带宽;再根据彩色差别获得各采样点的权重;最后用改进后的自适应Mean Shift算法对图像进行滤波。实验结果表明,与基于Mean Shift算法的滤波算法和常见滤波算法相比,该算法的滤波效果不仅更符合人眼的视觉感知,且能更好地保留边缘等细节信息。     

彩色序列图像中实时运动目标跟踪方法

提出了一种彩色序列图像中的实时运动目标跟踪算法,该算法首先利用综合帧间差分法与背景差分法两种方法优点的动态背景更新算法来检测各种运动目标,在后续的图像序列中,利用运动检测算法来确定目标跟踪的起始点,并利用Mean Shift算法来跟踪运动物体;然后再更新Mean Shift的目标模板。实验结果表明,该算法能够克服Mean Shift算法对尺度变化的物体的跟踪效果较差且不能检测突然出现在图像序列中的物体的不足,快速准确地跟踪各种物体。     

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．     

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．     

遮挡情况下的多目标跟踪算法*

在视频监控系统中,由于背景的复杂变化,运动目标经常会出现部分或全部被遮挡的情况。为了在遮挡条件下进行多目标跟踪,针对运动目标发生遮挡情况下的Mean Shift跟踪问题进行了研究,提出一种新的抗遮挡算法。利用卡尔曼滤波器来获得每帧Mean Shift算法的起始位置,再利用Mean Shift算法得到目标跟踪位置,通过目标遮挡判定机制和目标搜索机制来解决遮挡问题。实验表明,该算法较好地解决了运动目标的遮挡问题。     

基于镜像MeanShift的遮挡目标跟踪算法

针对当目标跟踪过程中目标被全遮挡时易导致目标跟踪不精确、甚至丢失目标的问题,提出一种基于镜像Mean Shift的遮挡目标跟踪算法.当前后帧Bhattacharyya系数匹配度大于等于80%时,表示目标没有被遮挡,采用颜色特征和轮廓特征定位目标,利用分块沙包窗核函数实现尺寸自适应;当前后帧Bhattacharyya系数匹配度小于80%时,表示目标进入遮挡区域,则利用先验训练分类器和镜像原理对遮挡区域目标的位置和尺寸大小进行预测;当前后帧Bhattacharyya系数匹配度再次大于等于80%时,表示目标离开遮挡区域,则转换为Mean Shift跟踪.实验结果表明:所提算法与子区域分类器的在线Boosting算法和多视角多目标协同追踪算法相比,在目标全遮挡的情况下能更好地跟踪目标,提高了跟踪精度和鲁棒性,且满足实时性要求.     

一种基于Mean Shift的快速跟踪算法

针对Mean Shift算法难以跟踪快速运动目标、算法迭代次数多以及耗费时间长的问题,提出了一种基于Mean Shift的快速运动目标检测方法,该方法结合帧差法并融合背景信息来快速检测运动目标;同时提出一种新的相似性度量方法进行初步检测,排除干扰并快速选出符合标准的目标以进行Mean Shift匹配,找出最佳目标。该方法不仅减少了传统方法的迭代次数,缩短了算法所需时间,而且在跟踪实验中取得了较好的跟踪效果,提升了算法的鲁棒性。     

一种改进的基于Camshift的粒子滤波实时目标跟踪算法

为了能够快速和准确地跟踪运动目标,提出了一种改进的基于Camshift的粒子滤波算法。在粒子滤波框架下,首先对传统目标模型进行改进,提出一种新的融合目标颜色信息和运动信息的模型,以增强目标跟踪的稳健性和准确性;同时为了提高跟踪的效率,将一种改进的Camshift算法嵌入到粒子滤波中,用来重新分配随机粒子样本,使之向目标状态的最大后验概率密度方向移动。实验结果表明,与传统的粒子滤波算法或Camshift算法相比,该方法能有效处理目标快速运动或背景存在强干扰等情况,实现对目标快速和稳健的跟踪。     

基于自适应特征融合的粒子滤波目标跟踪算法

提出了一种基于自适应特征融合的粒子滤波跟踪算法,用于解决传统的粒子滤波跟踪方法在复杂背景下容易跟踪失败的问题。该算法选取颜色特征和边缘特征来描述目标,并通过粒子滤波进行特征融合,根据可靠性因子调整各特征的权值系数;在跟踪过程中,随着目标自身形变,自适应更新目标模板。实验结果表明,在复杂背景下以及受到遮挡时,本算法能够准确稳健地跟踪目标。