一种自动改变窗口尺寸的跟踪算法

在动态目标跟踪过程中,实用的跟踪系统要求能实时地适应运动目标的外观变化,为了解决CamShift算法在跟踪尺度变化的目标的不准确问题,本文在原算法基础上预测搜索窗口的尺寸,同时也对运动目标质心位置进行预测。实验结果表明,改进的算法对尺寸逐渐逐渐增大的目标都能自动选择合适的跟踪窗口大小。     

对变形目标的跟踪研究

在目标跟踪过程中,目标在图像中的形状和大小常发生不同程度的变化,为了准确、有效地实现目标跟踪,采用多次迭代的连续自适应平均值移动算法。该算法是一种基于颜色跟踪的算法,根据多次迭代的计算结果,自适应调整图像序列中搜索窗口的大小和位置,从而得到当前图像中的目标中心,实现对运动目标的跟踪。最后分别在不同变形情况下和多个运动目标下进行实验。实验结果表明,当目标发生旋转、大小变化及存在多个目标的情况下,该算法仍能有效地对运动目标进行准确跟踪。     

基于OpenCV的运动目标跟踪及其实现

CAMSHIFT算法是一种基于颜色直方图的目标跟踪算法。在视频跟踪过程中,CAMSHIFT算法利用选定目标的颜色直方图模型得到每帧图像的颜色投影图,并根据上一帧跟踪的结果自适应调整搜索窗口的位置和大小,得到当前帧中目标的尺寸和质心位置。在介绍Intel公司的开源OpenCV计算机视觉库的基础上,采用CAMSHIFT跟踪算法,实现运动目标跟踪,解决了跟踪目标发生存在旋转或部分遮挡等复杂情况下的跟踪难题。实验结果表明该算法的有效性、优越性和可行性。     

嵌入Kalman滤波的Camshift人体跟踪研究

针对复杂背景下Camshift算法跟踪运动人体容易丢失目标的情况,提出了一种Kalman滤波和Camshift算法相结合的改进算法。Camshift算法利用颜色直方图做反向投影得到色彩的概率分布图,利用初始化的搜索窗口和位置并结合上一帧跟踪结果自适应调整跟踪窗口从而跟踪人体。采用Kalman滤波可以对运动人体进行估计以克服复杂背景下色彩的干扰,同时对Camshift的迭代结果进行校正。实验表明,本文方法在复杂背景下能更好地跟踪运动人体目标。     

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。     

视频监控中的运动目标检测与跟踪技术研究

视频监控中运动目标的检测和跟踪是智能视频监控的关键技术,本文利用帧间差分法和背景差法对运动目标进行检测,对这二种检测方法进行了研究和比较;利用波门（跟踪窗口）选取视场中某部分图像为目标图像,然后用边缘或质心跟踪等跟踪算法确定目标位置以及目标位置与波门位置的偏差实现了对目标的跟踪。     

基于CamShift的压缩跟踪方法

针对压缩跟踪算法在目标旋转、尺度变化的情况下,容易出现跟踪漂移和跟踪失败的问题。本文采用改进的CamShift和压缩跟踪算法相结合的方法从不同角度对目标位置进行预测;然后,根据目标大小对跟踪窗口尺度进行自适应调整;最后,利用前后两帧图像的匹配程度自适应更新参数,提高算法的准确性。测试结果表明,本文算法不仅在目标外观变化的情况下具有较好的鲁棒性,而且在目标受到相似色干扰、遮挡和出现运动模糊时,仍能准确实时的跟踪目标。     

基于改进的帧差法和Mean-shift结合的运动目标自动检测与跟踪

为了实现在静态背景下对运动目标的自动检测跟踪,提出基于改进的帧差法和Mean-shift结合的运动目标自动检测与跟踪算法。该算法改进了传统的三帧差分法,引入单高斯背景模型参与目标检测。此外,传统的Mean-shift算法,在起始帧需要手动选定目标,且选定窗口大小固定不变,不能根据目标尺寸变化而变化,从而导致失去目标。这里提出的方法先利用改进的帧差法检测目标,确定目标的位置窗口和中心,然后结合Mean-shift算法,根据是否超出设定的阈值来确定是否需要更新模板,从而实现该算法对运动目标的自动跟踪。实验表明,该算法计算速度快,具有较高的准确率。     

混合模型的运动目标检测与跟踪算法

针对运动目标检测与跟踪算法计算准确率低、效果差的问题,结合Kalman滤波算法,提出一种基于高斯混合模型的运动目标检测与跟踪算法。对传统的权重更新机制进行改进,以保证背景的持续更新状态。建立高斯混合模型,对运动目标图像进行处理,对图像中的参数信息进行实时更新,在Kalman滤波器的性质影响下进行目标跟踪,将获取的运动目标位置作为信息输入,完成运行并跟踪。在更新的过程中,根据运动目标的状态确定矩阵,目标遮挡也不会影响追踪的效果。结果表明,利用Kalman滤波器对运动目标进行跟踪,可以取得良好的运动目标跟踪效果。     

结合SURF与聚类分析方法实现运动目标的快速跟踪

为了解决运动目标快速跟踪过程的实时性与稳定跟踪问题,提出了结合SURF(Speed Up Robust Features)与K-means聚类分析的运动目标快速跟踪算法(SURF-KMs),对图像的局部多尺度特征提取与描述进行了研究。首先,使用SURF算法在跟踪窗口内提取特征点,生成并匹配特征矢量。然后,利用K-means算法估计目标特征点的质心位置,确定其聚集范围,实时更新窗口尺寸和位置。最后,建立目标模板更新策略,当目标发生形态变化而无遮挡时,更新目标模板。实验结果表明,当目标发生大角度旋转和快速缩放,同时发生颜色变化时,所提出的SURF-KMs算法仍能够实现稳定的跟踪,且满足运动目标实时跟踪的稳定可靠、精确度高、抗干扰能力强等指标要求。     

一种面向高斯差分图的压缩感知目标跟踪算法

针对压缩感知目标跟踪算法在目标纹理改变、比例缩放、光照变化剧烈时鲁棒性不足,提出一种面向高斯差分图的实时跟踪算法.首先,构建图像的多尺度空间及其对应的高斯差分图,实现高斯差分图的特征提取并获取压缩感知的输入信号;然后,通过压缩降维,目标邻域遍历,参数更新等过程,计算出面向高斯差分图的后续帧的目标最优跟踪窗;最后,将跟踪窗投影到对应的原始图像上,完成面向视频流的目标跟踪.高斯差分图像是单通道灰度图,具有灰度取值范围小、数值低、结构简单、维数少等特点,增强了特征对纹理改变、比例缩放和光照变化的稳健性,且继承了传统算法的实时性.实验证明,该算法能够快速准确地实现复杂环境下的移动目标跟踪任务.     

多运动目标高速实时跟踪算法的实现

针对静态暗背景的视频场景,为了达到对多运动目标的实时准确监控,提出了一种多运动目标高速实时跟踪算法。以运动目标的实时重心作为跟踪点,采用高速FPGA并行运算技术,实现图像采集、图像噪声滤波、边缘检测、连通域标记和重心计算。算法通过实验验证,在60 f/s的帧率下,可以准确实时地跟踪300个运动目标,保证了算法的高速实时性。     

基于颜色的运动目标快速识别与跟踪

在自主式移动机器人对运动目标进行跟踪时,视觉系统主要完成目标的识别与跟踪,提高目标识别与跟踪的实时性和准确性是保证机器人跟踪顺利进行的关键。针对此提出了一种基于颜色色度Hs的向量判定算法,并运用这种算法结合动态窗口和螺旋扫描等技术,有效地提高了目标识别与跟踪的实时性和准确性。     

嵌入式视觉运动目标跟踪技术研究

传统的PPM（Posterior Probability Measure）视觉运动目标跟踪算法,在目标发生尺寸变化时,会因跟踪窗不能自适应地改变尺寸而导致目标跟偏甚至跟丢的现象.因此本文在深入研究PPM跟踪算法的基础上,基于PPM跟踪算法的运算特点,提出了一种能袁征被跟踪目标尺寸大小的PPM缩放指标,进而设计了跟踪窗口自适应的PPM跟踪算法,实验显示,改进后的跟踪算法能得到较好的跟踪效果.基于TMS320DM642对嵌入式视觉目标跟踪系统的结构和功能进行设计,对改进后的PPM跟踪算法进行了DSP移植,最终实现了一套嵌入式视觉目标跟踪系统.     

尺度自适应CBWH跟踪算法研究

传统Mean Shift跟踪算法存在固定核窗宽导致目标尺度定位和空间定位不准确的问题。本文在背景加权的均值漂移算法(corrected background-weighted histogram ,CBWH Mean Shift)精确的目标定位基础之上,在RGB颜色空间下使用目标背景加权模型生成目标显著特征的颜色概率图,对其进行阈值分割和图像处理后获取二值图像,以此计算不变矩来调整下一帧的跟踪窗口,并在满足一定条件时及时更新背景加权模型以适应复杂背景下的跟踪任务。实验结果表明,上述方法能够自适应地更新核函数的带宽,提高了算法跟踪尺度变化目标的准确性和鲁棒性。      

Infrared target tracking based on multi-feature fusion under motion platform

In order to realize infi＇ared target tracking accurately under motion platform, and make up for the shortcoming of the nuclear density estimation based on gradation feature, an adaptive kalman-mean shift algorithm based on multi-feature fusion is proposed. The target model based on edge-gradation feature fusion is applied in the mean shift algorithm. The starting position at present of an infrared target is predicted by a kaiman filter, and then a scale updating item of tracking window is appended based on the relationship between mutual information and the object scale. Then the moving object, especially the object with a variable scale, is adaptively tracked under motion platform. Experimental results demonstrate that the adaptability of mean shift algorithm is enhanced by the improved scheme, which can be applied in the process of long time tracking for the object with a variable scale.     

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。     

跟踪窗口尺寸自适应调整的粒子滤波跟踪算法

当目标尺度发生变化时,传统的粒子滤波跟踪算法的跟踪窗口尺寸不变,在目标尺寸变化较大时容易丢失跟踪目标.针对这一问题,提出了一种跟踪窗口自适应调整的粒子滤波跟踪方法.该方法依据运动目标区域内粒子到目标中心点的平均距离与目标尺寸的关系,建立跟踪窗口尺寸的数学模型.在两种目标模型上对所建立的数学模型进行了仿真验证.实验结果表明,当目标尺度发生变化时,跟踪窗口能够很好的随目标的尺寸变化而自适应地连续调整,改进后的算法在目标尺寸变化率很大时仍能够稳定跟踪目标.     

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。     

基于卡尔曼和图像信息量的Mean Shift改进跟踪算法

Mean Shift算法在目标实时跟踪领域取得了广泛的应用,但是对于速度过快或尺度变化大的目标跟踪存在较大的缺陷.提出了一种基于Mean Shift和Kalman预测带宽的自适应跟踪算法.该算法提出以Kalman预测目标在下帧中的中心位置作为Mean Shift迭代初始位置;同时引入图像信息量度量方法以适应目标的尺度变化.实验结果表明,改进的跟踪算法能很好地跟踪尺度变化的目标,跟踪效果很好.