基于分块与前景/背景信息的MeanShift目标跟踪

针对经典Mean Shift跟踪算法在目标遮挡和复杂背景情况下易造成目标漂移甚至丢失的缺点,该文研究了基于分块与前景/背景信息的Mean Shift跟踪方法.首先根据实际目标尺寸对跟踪窗口进行分块,然后对每个子块独立进行Mean Shift跟踪,最后按照一定的准则融合每个子块的跟踪结果以确定整体目标的位置.并且,通过目...     

跟踪框自适应的尺度变化目标跟踪算法

为解决尺度变化的目标跟踪问题,借助于对数极坐标变换良好的尺度旋转不变性,提出一种基于椭圆对数极坐标变换域下目标跟踪算法。算法利用一种显著性加权的Mean Shift进行空间定位,进而将目标区域变换到椭圆对数极坐标系下并沿尺度轴进行积分,通过一维的最大相关匹配确定目标的尺度参数。实验结果表明,该算法不仅空间跟踪误差较低,而且能够较稳定地适应目标尺度变化,具有较好的鲁棒性。     

基于张量梯度直方图的Mean Shift跟踪算法

使用基于颜色直方图的Mean Shift跟踪算法,当目标在相似颜色背景、光照变化的情况下,视频跟踪性能迅速下降.文章提出了一种基于张量梯度直方图的Mean Shift跟踪算法,该算法使用张量梯度将RGB三维空间融合为一维空间,在有效地保护原向量方向性的前提下降低了维数.实验结果表明,基于张量梯度直方图的Mean Shift跟踪算法耗时少,对光照变化不敏感,且对颜色变化依赖程度低,适合背景混淆和光照变化场合下跟踪.     

强背景噪声下红外目标的鲁棒性跟踪算法

提出了一种将边缘检测与改进Mean Shift 算法相结合的红外目标跟踪算法．初选了原始红外图像边缘后,再利用非线性边缘检测算法进行处理,有效地消除了原始红外图像中的大部分噪声,并能获取高质量的图像边缘信息．在此基础上,采取更新目标模型、目标模板背景加权以及候选目标区域核加权的方式改进Mean Shift算法,以增强Mean Shift算法跟踪目标的稳定性及对背景噪声的鲁棒性,从而实现强背景噪声下运动红外目标的快速、准确跟踪．实验结果表明,该算法不仅计算量较少,提高了跟踪速度,而且对背景噪声有很强的鲁棒性．     

融合两层卡尔曼滤波和Mean Shift的自适应目标跟踪算法

为了改进Mean Shift算法及其与卡尔曼滤波融合跟踪算法的性能,提出了融合两层卡尔曼滤波和Mean Shift的自适应目标跟踪算法。首先通过运动学方程建立第一层的数学模型;然后利用巴氏系数、滤波器噪声与跟踪结果之间的关系,自适应地调整跟踪结果,得到目标的位置;最后对目标核函数直方图中的每个非零元素进行第二层滤波,通过动态变化的滤波残差和巴氏系数,实时调整更新滤波器中的各项参数,得到滤波后的目标模板。实验表明,该文算法与Mean Shift算法和单层卡尔曼滤波算法相比,在目标遮挡、光照变化和复杂环境下的跟踪效果更好。     

基于ELM与Mean Shift的抗遮挡目标跟踪算法

针对目标跟踪过程中发生遮挡时跟踪出现偏差的情况,在传统Mean Shift跟踪算法的基础上引入极限学习机(extreme learning machine,ELM),提出了基于ELM与Mean Shift的目标跟踪算法。该算法根据过去3个时刻的目标位置信息,利用ELM预测出目标当前可能位置,代替目标前一时刻位置作为Mean Shift迭代起始点,并在邻域范围内进行迭代,得到目标的真实位置.实验结果表明,与现有的改进算法相比,新算法减少了迭代次数和运算时间,同时在遮挡情况下能够准确定位目标位置并进行跟踪,提高了跟踪系统的实时性和鲁棒性.     

基于粒子滤波/Mean Shift的改进跟踪算法

针对单一特征所带来的跟踪不稳定问题,该文提出一种基于纹理特征粒子滤波/Mean Shift的改进目标跟踪算法。该算法中建立一种选择反馈机制,首先对目标同时进行基于纹理信息的粒子滤波和基于颜色信息的Mean Shift两种算法的跟踪,然后对两种算法的跟踪结果进行比较,选择结果较好的输出,并把结果反馈到粒子滤波与Mean Shift中作为下一帧处理的初始值。实验结果表明,该方法克服了单一特征所带来的跟踪不稳定问题且具有较强的鲁棒性。     

目标多自由度Mean Shift序列图像跟踪算法

现有的Mean Shift跟踪方法使用单一半径参数来描述目标大小变化，每个目标仅有位置和尺寸两个自由度，因而不能适应复杂的目标运动情况。文中提出新的Mean Shift跟踪方法，该方法引入带宽矩阵来描述目标尺寸，能够在水平和垂直两个方向上独立描述目标大小变化，并加入目标倾角，使得目标旋转运动得以很好描述。实验表明，该算法能够准确跟踪序列图像中的任意复杂运动，尤其对目标的缩放、旋转运动有良好的适应性。     

一种快速鲁棒的内河CCTV系统船舶跟踪算法

为了解决捕食者算法在内河CCTV(闭路电视监控)系统单船舶跟踪应用中的两个缺陷:1)船舶运动的尺度集合是预先给定的,导致算法不能自适应船舶的尺度变化;2)基于滑动窗的级联目标检测器的搜索策略运算复杂度很高,致使搜索效率极其低下。首先从闭环控制系统角度分析捕食者算法。然后针对尺度自适应问题,基于SAMS(Scale-adaptive via Mean Shift)算法提出了一种新颖的尺度自适应策略。其次,针对搜索效率问题,提出采用基于粒子滤波的运动模型显著提高目标检测效率。实验结果表明,改进后的算法在应用于内河CCTV系统的船舶跟踪中保持了较高的跟踪精度,提高了对船舶尺度的自适应特性,同时算法的实时性相比原算法也有显著提高。     

基于优化M-S模型的多目标鲁棒跟踪

针对光照变化情况下多遮挡目标的跟踪准确率差的问题,提出了一种基于优化M-S模型的鲁棒多目标跟踪算法.利用抗噪声性能高的优化M-S模型实现复杂环境下多目标精确识别与提取,降低模糊边缘、噪声的影响;利用区域像素标记方法建立目标和背景的边缘特征,在目标发生相互遮挡情况下也能够提取各个目标独立、完备的边缘特征.为了降低联合粒子滤波的计算复杂度,提高跟踪实时性,提出了简化联合滤波跟踪模型.仿真实验证明了该算法的正确性和有效性,与经典的差分跟踪算法、基于颜色特征的跟踪算法比较,对噪声边缘和变化光照环境敏感性降低,跟踪有效率统计分析表明鲁棒性提高1.82%,准确率提高1.36%.     

目标跟踪中的MS和MC自适应选择策略

针对mean shift(MS)算法不能解决非线性目标跟踪及Monte Carlo(MC)算法实时性差的问题,提出了一种自适应选择MS算法与MC算法的目标跟踪策略。首先,对目标、背景分别采样,用对数似然法评价每个目标区的特征对背景的可区分能力,选择区分能力强的特征作为目标。然后,引入一跟踪方式选择标志,通过计算当前跟踪窗内的目标与模板的匹配度来决定该标志的值,当目标与模板的匹配度大于某个域值时,选择实时性好的基于梯度最速下降的MS跟踪策略,以实现跟踪的实时性;否则选择基于随机采样、对目标模型没有限制的MC跟踪策略,使得位置预测结果更加准确。实验结果表明:与MC相比,本文算法在跟踪性能不受影响的前提下,有效节省了系统时间,当目标简单运动时,对于100×56像素的目标,平均计算时间由原来的82ms降低为小于1ms;与MS算法相比,该算法在牺牲一些系统时间的基础上能够更加鲁棒地解决非线性目标跟踪问题。     

基于模糊逻辑的多特征融合的粒子滤波跟踪算法

传统粒子滤波跟踪方法采用单一的特征信息,存在跟踪精度低、鲁棒性弱的缺点,为此本文提出了一种基于模糊逻辑的融合颜色和局部二值模式(LBP)的粒子滤波跟踪方法,提高了目标跟踪的精度。首先,提取出能够表征目标的局部二值模式和基于核函数的加权颜色直方图两种信息;然后,利用模糊逻辑的方法对两种特征进行有效的自适应融合。大量试验表明本文算法在复杂环境下能够进行有效的跟踪,具有较强的鲁棒性和准确性。     

复杂环境下运动摄像机稳定跟踪运动目标算法

在复杂环境中,运动摄像机跟踪运动目标是一项相当困难的工作。在基于目标颜色特征的Mean Shift跟踪算法中,引入感兴趣区域（ROI,Region of Interest）,减少背景干扰及降低计算消耗。提出基于目标强度和目标面积的目标危机判别函数,对强干扰、遮挡情况进行识别;采用直方图维数和量化等级数自适应选取策略解决强干扰,采用子区域搜索选优策略解决目标遮挡和重新捕获的问题。为使被跟踪目标锁定在摄像机视野中央区域,采用基于速度调节的闭环控制模型,驱动PTZ摄像机,跟踪运动目标。实验结果表明,算法对背景干扰和遮挡具有较强的适应性,摄像机可以平滑稳健地跟踪快速运动目标,而且系统计算代价小,完全达到了实时的运行速度。     

融合灰色预测和HOGI特征的红外目标跟踪方法

针对红外目标跟踪时不能有效提取目标特征这一问题,提出了一种新的红外目标稳健跟踪方法．首先利用灰色模型预测目标位置,然后建立以此预测位置为中心候选目标区域的方向梯度-灰度直方图特征模型,并将此特征引入到Mean Shift算法中,以实现对红外目标的精确跟踪．仿真结果表明了该方法跟踪精度高,在目标出现部分遮挡或全部遮挡时,仍能跟踪目标,确保目标不丢失,体现出该跟踪方法良好的鲁棒性．     

结合稀疏表示的跨摄像头运动目标跟踪算法

跨摄像头下的目标跟踪极富挑战性,其原因是由于不同摄像头所涵盖区域存在差异性以及运动目标行为轨迹具有随机性,从而导致干扰误差的积累,影响匹配准确度,致使跟踪失败.针对此问题,提出一种结合稀疏表示理论的跟踪模型.该模型首先通过不同摄像头间的背景亮度值,对待测目标进行光照补偿处理,以获取稳定的模板矩阵.在模型求解阶段,针对传...     

一种基于中值流的Mean-shift改进方法

通过引进中值流的方法,以中值流算法作为运动模型,利用中值流的预测信息指导Mean-shift算法对目标进行搜索。在Mean-shift对目标进行搜索的时候,通过引进目标的纹理特征——局部二值模式（local binary patterns,LBP）使得在目标和背景颜色相似、光照变化强烈的情况下也能对目标和背景进行区分。仿真实验表明,该算法比Mean-shift算法在准确性和跟踪性能上均有明显的提高。     

均值漂移优化的粒子滤波目标跟踪方法

为了实现粒子集的有效传播,克服粒子滤波跟踪时的退化问题,提出尺度和方向自适应的均值移动优化粒子滤波目标跟踪算法.用改进的均值移动作为一种优化机制对粒子进行传播,使粒子能够有效分散和聚类,有效解决退化问题.最后将该方法应用到真实图像序列中,实验表明算法在性能和效率上有明显提高.     

辐射源机动目标被动式鲁棒跟踪一种算法

为研究只测向目标跟踪系统在观测噪声为ε污染高斯分布背景下的辐射源机动目标鲁棒跟踪问题,提出一种简易而有效的变结构鲁棒跟踪算法。该算法由机动目标快速鲁棒检测器、变结构跟踪器（鲁棒MGEKF／PLKF）以及系统误差补偿等环节组成,能够在ε污染高斯分布背景下快速鲁棒检测和跟踪辐射源机动目标,同时根据系统误差特征可实时补偿系统跟踪误差。仿真结果表明,该算法能够有效解决辐射源机动目标鲁棒跟踪问题。     

核窗宽自适应的均值偏移跟踪算法

针对固定窗宽的均值偏移算法对逐渐变大的运动目标跟踪不准确的问题,提出了一种窗宽自适应的均值偏移跟踪算法。先对当前帧进行均值偏移跟踪,再通过后向跟踪使跟踪窗口中心与目标形心匹配,利用巴氏系数最大化对窗宽进行±10％的修正,使跟踪窗口的尺度自适应变化。实验结果表明：该算法提高了跟踪精度,增强了跟踪稳定性,保证了跟踪的实时性。