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.     

目标遮挡情况下的压缩跟踪算法

针对经典压缩跟踪算法在目标被遮挡时容易导致目标丢失的问题,提出了一种基于目标遮挡情况下的压缩跟踪算法.该方法首先依据分类器的最大响应值判断目标是否被遮挡.若发生遮挡则利用基于颜色直方图特征的粒子滤波算法进行跟踪预测,即将遮挡前提取的目标颜色直方图与粒子的颜色直方图进行相似性比较.为确保目标再现时能及时准确地捕捉其位置,再利用Harris角点特征进一步验证,并将预测的位置作为目标位置继续压缩跟踪.仿真结果表明,该算法能够准确地判断遮挡的发生,平均跟踪成功率较经典的压缩跟踪算法提高了24%,有效提高了跟踪的鲁棒性.     

基于Mean Shift和Kalman滤波相结合的运动目标跟踪方法

为了使Mean shift算法能跟踪快速运动目标和大比例遮挡的目标,算法引入Kalman滤波对目标位置进行预测,Mean shift在预测位置邻域内搜索目标位置.同时对引入Kalman滤波的算法进行试验分析发现,不能有效的跟踪运动状态突然变化的目标,为此提出采用两次Bhattacharyya系数大小判断的方法.实验证明,提出的算法能够有效的跟踪运动目标,对于快速运动目标、大比例遮挡的目标以及运动状态突变的目标都有很好的跟踪效果,具有很好的鲁棒性.     

基于候选区域检测的核相关目标跟踪算法

近年来,核相关滤波算法在目标跟踪领域应用广泛,表现出了非常优异的性能,但是核相关滤波类算法本质上属于模板匹配算法,并且缺乏跟踪失败恢复机制,在快速运动和快速形变情况下跟踪效果较差.针对以上问题,本文提出一种结合了核相关滤波跟踪算法和目标候选区域检测的跟踪算法,来改善核相关滤波跟踪算法的性能.算法主要设计了一种跟踪失败恢复机制,通过比较目标响应强度与经验阈值的大小,判断跟踪目标是否跟丢,当目标跟踪失败时,采用候选区域检测算法,在目标周围区域提取不同的检测图像块,确定目标在当前帧的最佳位置;然后,使用核相关滤波算法得到目标的精确位置,继续跟踪.此外,算法在跟踪模块中加入了颜色特征与梯度特征的自适应融合,进一步增强了算法的整体跟踪性能.实验结果证明,所提出算法在精确度和成功率上都表现出高效的性能,并且在快速运动和快速形变情况下跟踪性能要优于其余算法.     

基于相关滤波和关键点的目标跟踪算法

跟踪过程中的复杂因素,如繁杂背景、遮挡、光照变化、形变等导致了很多相关滤波跟踪算法在跟踪时不能获得很好的精度.针对传统相关滤波的不足,提出了一种有效的跟踪框架,通过联合多角度判别相关滤波与关键点达到目标位置估计的目的,再利用多尺度相关滤波估算目标的尺度.实验结果表明,提出的跟踪算法能够很好地对目标进行跟踪.相比其他的跟踪算法,新算法在精度上有很大的提高.     

带宽自适应Mean Shift跟踪算法

提出了一种先进行空间定位再确定目标尺度的两级跟踪算法,有效地解决了mean shift算法对尺度变化的适应问题.该算法首先在当前帧对应位置进行降分辨率处理,并以基于增量试探的mean shift跟踪算法收敛点作为当前帧目标中心位置,进而利用对数极坐标变换的旋转、尺度不变性,对目标和候选目标分别进行对数极坐标映射,并通过求取最大归一化相关函数确定目标的尺度变化.跟踪实验表明,该算法可以有效的提高mean shift跟踪算法空间和尺度定位准确性.     

一种改进的Mean-shift运动目标跟踪算法

针对传统的Mean-shift运动目标跟踪算法中目标与背景颜色相近时,算法稳健性下降,且在高速运动目标跟踪应用中,如果目标下一位置超过Mean-shift适用的邻域范围时,算法失效的问题,提出了一种改进的运动目标跟踪算法.该算法融合了LBP(局部二值模式)纹理特征,建立色彩-纹理联合直方图用于搜索跟踪;同时该算法引入了卡尔曼滤波预测机制,提前对目标的位置进行预测,将搜索范围收敛到特定的区域内,以保证Mean-shift算法的有效性.实验结果表明该算法相对传统的Mean-shift跟踪算法,效果有明显改进.     

基于跟踪微分器的波门跟踪算法的研究

针对目标自动跟踪系统对目标跟踪算法实时性和精确性要求高的特点,提出了一种基于跟踪微分滤波器的运动目标跟踪方法.该算法利用跟踪微分器预测目标中心在下一帧体现在图像中可能出现的位置,以该位置为波门目标检测的中心,减少了目标的搜索范围,缩短了算法的运算时间.仿真结果表明,该方法具有不依赖于目标运动模型,实时性好,精确性高等优...     

基于Kalman和双级联随机森林的在线目标跟踪算法

针对传统的基于检测的在线目标跟踪算法容易产生跟踪漂移的现象,提出了一种新的在线目标跟踪算法.以基于主方向模板特征的双级联随机森林分类器作为检测器,卡尔曼滤波器作为跟踪器.首先利用卡拉曼算法跟踪目标,然后以跟踪的目标位置为中心向外扩展一定的范围作为双级联随机森林分类器的检测区域,利用全局随机森林分类器和局部随机森林分类器进行目标检测,并将检测结果作为Kalman跟踪算法下一帧的观测值.实验结果显示,提出的算法在跟踪大小420×320的图像时,跟踪速度达到24.3 f/s(帧/秒),目标中心位置误差在30 pixel时,算法准确率可达到80％以上.     

基于卡尔曼滤波与Mean Shift的运动车辆跟踪

针对Mean Shift算法不能跟踪快速目标、跟踪过程中窗宽的大小保持不变的特点.首先,卡尔曼滤波器初步预测目标在本帧的可能位置;其次,Mean Shift算法在这点的邻城内寻找目标真实的位置;最后,在目标出现大比例遮挡情况时,利用卡尔曼残差来关闭和打开卡尔曼滤波器.实验表明该算法在目标尺度变化、遮挡等情况下对快速运动的目标能够取得较好的跟踪效果.