基于ABCshift结合Kalman滤波的目标跟踪算法

Camshift(Continuously Adaptive Mean Shift)算法具有很好的实时性和鲁棒性,但是当目标遇到大面积的类目标颜色干扰,目标被严重遮挡时跟踪会失败。针对这些问题,提出ABCshift(Adaptive Background Camshift)结合Kalman滤波的改进算法。实验表明所提出的算法能有效解决以上问题,在复杂的背景下有良好的适应性,并与其他改进的Camshift算法进行了对比。     

基于Camshift算法的光笔投射点的实时跟踪

为实现对光笔投射点的实时跟踪,采用了Camshift跟踪算法,但是该算法在动态复杂背景及在颜色相似的背景区域中不能很好地进行跟踪。因此,提出了改进方法。首先,引入红色滤镜,以此改变Camshift算法颜色特征提取的效果,从而削弱了背景的影响,突出了目标,很好地克服了背景中的颜色干扰,使动态复杂背景下光笔投射点的跟踪具有较高的鲁棒性和实时性;然后通过改变区域选择方式,达到了自动跟踪的效果;最后,通过OpenCV实现了对光笔投射点的实时跟踪。实验结果表明,该方法在光笔投射点实时跟踪上是十分有效的。     

基于Camshift和Kalman滤波的自动跟踪算法

针对传统的Camshift算法在跟踪时需要手动定位目标,在颜色干扰、遮挡等复杂背景中容易跟丢目标的问题,提出了一种基于Camshift和Kalman滤波的自动跟踪算法。首先利用帧间差分法和Canny边缘检测法分割出运动目标的完整区域,然后用提取出的目标区域初始化Camshift算法的初始搜索窗口,从而实现了目标的自动跟踪。当背景中存在相似颜色干扰或者目标被严重遮挡时,采用Kalman滤波与Camshift算法相结合的改进算法进行跟踪。实验结果表明,本文改进算法在目标被严重遮挡、颜色干扰等情况下仍能有效、稳健地跟踪。     

基于Camshift反馈码本模型的手抓取物跟踪方法

针对Camshift算法在复杂背景下无法自动跟踪目标的问题,提出一种基于Camshift反馈码本模型的运动目标检测和跟踪算法。该算法首先利用码本模型检测前景目标,然后采用Camshift在颜色概率分布图中跟踪前景区域中的目标,通过窗口尺寸比较和直方图相关性判断来解决自动跟踪,通过窗口位置预测和尺寸扩大来改进下一帧Camshift算法的输入搜索窗口,同时并集操作多个目标处理后的矩形窗口,并将其反馈为下一帧码本模型的图像检测区域。最后将该算法应用于手和目标物的抓取状态判断上,具体过程是在静态背景下利用两个摄像头采集到的图像进行手和目标物的检测和跟踪,通过矩形相交性判断抓取次数,以验证跟踪算法的有效性。实验结果表明,通过信息反馈减小了目标检测和跟踪的搜索区域,提高了算法的实时性,在单摄像头下可提高处理帧频130%。     

基于ABCshift算法的目标检测与跟踪

针对Camshift算法需要人为定位的问题,利用帧间差分法检测运动目标的初始位置,采用ABCshift算法连续更新背景模型,自动降低类目标色在颜色概率分布图中的密度值,从而实现准确的目标检测与跟踪。实验结果表明,该方法可以解决Camshift算法进入大面积类目标色背景下目标跟踪效果不理想的问题,在复杂背景下具有较好的适应性。     

基于均值变换的Particle Filter实时跟踪算法

提出一种基于均值变换(Mean Shift)的Particle Filter图像跟踪算法.算法将目标的状态空间分解为位移子空间和形变子空间.使用均值变换算法跟踪位移子空间变化,获得目标的位置信息.在此基础上使用Particle Filter跟踪形变子空间变化和补偿均值变换的跟踪误差,由于均值变换算法跟踪的信息使Particle Filter跟踪的位移子空间大大缩小,减少Particle Filter所需要的样本数,使Particle Filter的实时性能提高,而Particle Filter获得的形状信息补偿了均值变换算法对于形状跟踪的误差.该算法比标准的Particle Filter算法具有更高的效率,并拥有均值变换算法所不具备的形状跟踪能力.实验结果证明算法的有效性和快速性.     

结合Mean-Shift和Particle Filter的鲁棒跟踪算法

Mean-Shift算法在图像跟踪领域得到广泛应用．但有遮挡情况发生时．算法容易陷入局部最大值．Particle Filter作为一种基于贝叶斯估计的算法．在处理非线性运动目标跟踪问题上具有特殊的优势,但该算法计算量大,实时处理能力差。鉴于此,将两种算法相结合,提出一种以重要性函数为切入点将Mean-Shift和Particle Filter相结合的跟踪算法．首先利用Mean-Shift算法跟踪目标,利用目标与模板的相似性系数实时判断,当有遮挡发生时,算法转向Particle Filter进行后续跟踪。实验结果表明,该算法实时性强．跟踪效率高,具有很强的实用性．     

基于增强现实的自适应跟踪注册方法

针对增强现实跟踪注册过程中遮挡及尺度变换的问题,提出一种基于Camshift和ORB算法的自适应跟踪注册方法.将高斯背景建模和Camshift算法融入到跟踪过程中,实现对目标尺度变化的自适应跟踪;在特征匹配中,将图像与Gauss函数进行卷积和差分运算,得到稳定的尺度空间,使ORB算法提取的特征点具有尺度不变性.实验结果表明,该方法在遮挡、视角与旋转变化的情况下,具有良好的鲁棒性,满足了增强现实系统对实时性、稳定性和准确性的要求.     

移动机器人实时目标跟踪系统设计与实现

针对单目视觉移动机器人目标跟踪的实时性和鲁棒性要求,提出了基于Kalman滤波器的改进Camshift算法检测和定位目标.将Kalman预测值作为目标初始位置,补偿摄像头和目标相对运动导致的目标在图像中的偏移.在系统“跟丢”后判断目标丢失的原因,根据原因自适应拓展搜索窗口作为Cam-shift算法的下一帧初始搜索窗口.为了验证改进算法的有效性,自主研制了一种应用该算法的履带式机器人实时目标跟踪系统.实验结果表明:该系统具有很好的鲁棒性和实时性.     

基于Camshift和SURF的目标跟踪系统

针对动态的实时目标跟踪算法Camshift(continuously adaptive meanshift)在背景复杂或者存在较多与目标颜色相近的像素时,容易出现跟踪目标丢失的问题,研究并实现一套基于Camshift和SURF(speeded up robust features)算法的目标跟踪系统。使用双内核的DM3730为核心,连接网络摄像头实现图像的动态采集,在DM3730上实现SURF算法和Camshift算法的融合,并负责将采集到的视频压缩,通过网络传输到计算机,对得到的图像做进一步结果分析。实验结果表明,基于Camshift算法和SURF算法融合的目标跟踪系统在简单背景、有相似物体干扰和复杂背景等情况下都能够更准确快速地跟踪到目标,鲁棒性更强、效果更好。     

利用巴氏系数判定模型更新的视觉跟踪算法

在视频跟踪时,传统的粒子滤波算法在目标区域出现遮挡、光照变化等情况下通常存在鲁棒性较差的问题,因此提出一种采用巴氏(Bhattacharyya)系数判断模型更新时机的鲁棒视觉跟踪算法。本算法以粒子滤波算法为框架,每隔一定帧数抽样检测目标变化,利用当前模型与候选模型之间的巴氏系数统计特征的相似性,从而判断更新时机。仅当目标逐渐姿态改变且无背景干扰时更新目标模型;在发生遮挡或光照改变较大时则不更新,保持当前模型继续跟踪。本算法判断是否出现影响目标匹配因素,从而适时采取模型更新策略。实验结果表明,本算法通过选择性更新模型,在未考虑尺度变化的情况下,能够更加有效抑制背景干扰和避免模型漂移,在诸多复杂场景中具有一定的鲁棒性。     

基于Camshift的人脸跟踪算法

Camshift跟踪算法具有很好的实时性,但是也存在不能实现自动跟踪,跟踪过程中鲁棒性不强,遇到遮挡问题跟踪失效,只能进行单人脸跟踪等问题。针对这些问题,提出了基于改进Camshift的人脸跟踪算法,该算法结合了Adaboost人脸检测算法并改进了原算法中的颜色直方图模型。以实际人脸检测与跟踪实验为例,证明了该算法在人脸自动检测跟踪过程中具有速度快、准确度高,同时可以跟踪多个人脸,能有效克服跟踪过程中遮挡问题等。     

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Adaboost和Camshift的人脸检测

Adaboost算法具有很好的实时性,但是也存在检测过程中鲁棒性不强,遇到遮挡问题检测失效等问题。针对这些问题,提出了基于改进Adaboost的人脸检测算法,该算法结合了Camshift人脸跟踪算法并改进了原算法中的颜色直方图模型。以实际人脸检测与跟踪实验为例,证明了该算法在人脸自动检测跟踪过程中具有速度快、准确度高,能有效克服检测过程中遮挡以及类肤色干扰问题等。     

基于Camshift算法的运动目标检测

CamShift算法是一种实时的跟踪算法,它是利用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,从而得到当前图像中目标的尺寸和中心位置。本系统主要是基于CamShift的算法设计一个对运动目标跟踪检测系统,本系统既可以对室内环境的运动目标进行跟踪,也可以对视频流中的运动目标进行跟踪。     

煤矿井下视频多目标轨迹跟踪算法研究

为了提高煤矿井下监控视频的目标识别准确率,对运动目标进行有效跟踪,将小波变换和背景差分法相结合,对Camshift算法进行改进,提出了适用于煤矿井下视频多目标轨迹跟踪算法。首先采用小波三层变换对视频图像进行去噪处理,得到低频图像。然后再进行背景差分运算,检测出运动目标。最后采用Camshift算法对运动目标进行跟踪处理。实验结果表明,改进的Camshift算法减少了原始Camshift算法在初始候选目标时的随机性,提高了目标检测和跟踪的准确率,为煤矿的安全生产提供了保证。