基于混合高斯模型优化的运动人体跟踪方法

复杂背景下运动人体目标的自动检测与跟踪效果常易受环境光线变化的干扰.面向变光线环境下运动人体检测与跟踪,提出一种基于混合高斯模型优化的Camshift检测跟踪算法,首先采用混合高斯模型进行前景建模,将外界扰动作为背景信息进行处理;然后进行色彩空间转换并计算反向投影值,进一步利用Meanshift迭代定位运动目标;最后,通过更新混合高斯模型及后续帧的处理保持人体目标的有效检测及跟踪.实验结果表明,该方法相较于传统的光流方法及Camshift算法,可更好地适应环境光线变化及枝叶晃动影响,较好地获取运动目标前景信息,提高运动人体目标的检测及跟踪精度.     

提高红外经纬仪跟踪弱小目标精度的新算法

为了解决在复杂背景下有效测量弱小运动目标的瓶颈问题,提出了一种将Kalman滤波与模糊理论相结合的小目标跟踪算法.利用Kalman滤波进行目标点的位置预测,在动态搜索范围内寻找匹配目标点进行图像序列分析,并结合模糊理论进行记忆更新来确定目标可能度.通过目标描述、Kalman预测、确定搜索范围、搜索目标和记忆更新等方面的论述,从理论分析和实验结果两方面证明了算法的有效性.跟踪算法通过记忆的缓慢衰减进行运动估计,实现了红外经纬仪对小于20像素的运动弱小目标动态跟踪的连续性和稳定性.     

一种基于多特征自适应融合的运动目标跟踪算法

针对复杂背景下的运动目标跟踪问题,提出了一种基于多特征自适应融合的运动目标跟踪算法。通过构建目标与背景的图像特征分布方差的比值函数来衡量目标与背景间的区分度,采用各特征的区分度对特征集进行线性加权自适应表示运动目标并集成在基于核的跟踪方法中。为了克服模板更新过程中的漂移,通过计算前后相邻两帧间目标模型的相似度函数,对跟踪模板进行自适应更新。基于生物视觉认知理论,目标的颜色、边缘特征以及纹理特征被用来实现基于多特征自适应融合的运动目标跟踪算法。仿真实验表明:采用本文算法能有效地对复杂背景下的运动目标进行跟踪。     

基于局部图像描述的目标跟踪方法

针对视频目标跟踪问题,介绍了一种基于局部图像描述的目标跟踪方法.以高斯差值函数图像金字塔中的空间极值点作为图像关键点,在关键点邻接域中,以基于局部二进制模式(LBP)的纹理统计和色彩分布作为特征量,应用特征量在视频序列中的匹配实现目标跟踪.当视频序列中存在目标全局运动、有限度的尺度变化、旋转等复杂因素时,采用纹理和色彩分布得到的局部图像描述具备一定的稳定性,运用权值调整算法寻找稳定特征量集合,能够进一步自适应跟踪目标的外观变化.测试了不同条件下的视频序列,该方法具备良好的跟踪效果和一定的稳定性.     

基于有效特征筛选的Mean shift运动目标跟踪算法

针对现有Mean shift跟踪算法在目标被遮挡、跟踪场景变化时,跟踪误差变大甚至丢失目标的问题,提出了一种基于有效特征筛选的Mean shift运动目标跟踪算法。首先通过对目标特征的优化筛选,改善了现有Mean shift算法因目标特征多而造成计算时间较长,在目标发生较大变化时跟踪精度降低的情况。更能有效地表征目标特征,减少跟踪误差,增强特征集对目标的描述能力。同时给出目标模板更新的方法,在目标发生明显变化时,能自适应地更新特征集,进一步提高跟踪精度。仿真结果表明:文中方法具有更好的跟踪精度,计算时间较小,对遮挡、场景变化有更好的鲁棒性。     

基于色彩特征的CAMSHIFT视频图像汽车流量检测

针对视频图像中目标车辆尾灯及背景色彩在HSV空间分布上的特点,提出了把车辆尾灯作为跟踪目标,恰当选取色彩特征参数,采用CAMSHIFT目标跟踪算法对汽车流量进行检测的技术方案.研究了基于HSV色彩空间的CAMSHIFT目标跟踪算法在视频图像汽车流量检测中的实现,并用实际拍摄的交通视频图像对该检测算法进行了验证.实验结果表明,本文算法具有较高的准确度,能够有效跟踪以各种速度行驶的车辆,可以较好地应用在汽车流量检测领域中.     

基于DM6437的目标跟踪系统设计与实现

将卡尔曼滤波器和均值漂移算法相结合,实现运动目标的实时跟踪.首先采用混合高斯背景模型的方法来进行运动目标的检测,确定运动目标的大小和位置,然后提取运动目标的颜色模型并开始跟踪.在跟踪过程中,先用卡尔曼滤波器对目标在下一帧中的位置进行预测,再用均值漂移法快速迭代得出目标的实际位置,最后更新目标的颜色模型,并开始下一轮跟踪过程.采用高性价比的DM6437芯片设计了运动目标跟踪系统,并对跟踪算法进行了优化.实验结果表明,该系统具有较好的实时性和准确性.     

基于整数DCT的运动目标检测与跟踪

本文提出了一种静止摄像机条件下的运动目标检测与跟踪算法。它建立在一种整数DCT算法的基础上,通过低通滤波进行背景提取,并用背景减除的方法分割出前景目标,再通过模板匹配实现对运动目标的连续跟踪。在对运动目标跟踪时,该算法对背景模型进行不断的更新,可以有效的消除背景的轻度变化对目标检测的影响,再加上又同时采用了一系列滤波和模板匹配,增强了目标跟踪的稳定性和可靠性。通过对多个图像序列的实验,该算法显示出了良好的性能,对于不确定的外部因素,如光照变化、阴影等造成的干扰,均具有相当强的适应能力。     

半监督Hough Forest跟踪算法

针对基于检测的目标跟踪算子存在着目标表观描述的准确性和对跟踪过程的目标表观变化的适应性之间的矛盾,提出一种较为柔性的半监督学习方法：以Hough Forests为基本学习框架,用离线学习的分类器作为先验跟踪算子,并引入基于跟踪过程中用检测得到的object-specific信息和空间一致性信息的随机标签分布,用来生成半监督学习所需要的在线数据样本,对跟踪算子进行修正|分类器的检测和跟踪环节与在线的Hough Forests分类器应用环节类似,但采用了类似粒子滤波的随机采样方式对检测和更新环节进行加速|用匀速运动模型对目标运动进行建模,使跟踪过程中的目标位置预测更加准确.算法在标准跟踪数据集合i-Lids和TUD-campus上与当前流行的目标跟踪算法在线Boosting算法、MILB和Hough Forests跟踪算法进行了比较实验.实验证明：监督Hough Forests分类器提供了解决分类器对目标表观表述的准确性和自适应性矛盾的一种有效机制|整个跟踪算法能够使目标跟踪过程更加快速、鲁棒与准确.     

基于灰度共生的多线索目标联合优化跟踪

为了提高跟踪算法对多种目标表观变化场景的自适应能力与跟踪精度,提出一种基于灰度共生的多线索目标联合优化跟踪算法。该算法首先提取目标灰度信息,通过灰度共生的高区分度特征对目标进行二元超分描述,结合三阶张量理论融合目标区域的多视图信息,建立起目标的三维在线表观模型,然后利用线性空间理论对表观模型进行双线性展开,通过双线性空间的增量学习更新,降低模型更新时的运算量。通过二级联合跟踪机制对跟踪估计进行动态调整,以避免误差累积出现跟踪漂移。与典型算法进行多场景试验对比,表明该算法能有效地应对多种复杂场景下的运动目标跟踪。     

Robust visual tracking algorithm based on Monte Carlo approach with integrated attributes

To improve the reliability and accuracy of visual tracker,a robust visual tracking algorithm based on multi-cues fusion under Bayesian framework is proposed.The weighed color and texture cues of the object are applied to describe the moving object.An adjustable observation model is incorporated into particle filtering,which utilizes the properties of particle filter for coping with non-linear,non-Gaussian assumption and the ability to predict the position of the moving object in a cluttered environment and two complementary attributes are employed to estimate the matching similarity dynamically in term of the likelihood ratio factors;furthermore tunes the weight values according to the confidence map of the color and texture feature on-line adaptively to reconfigure the optimal observation likelihood model,which ensured attaining the maximum likelihood ratio in the tracking scenario even if in the situations where the object is occluded or illumination,pose and scale are time-variant.The experimental result shows that the algorithm can track a moving object accurately while the reliability of tracking in a challenging case is validated in the experimentation.     

自适应Kalman滤波的运动物体跟踪算法研究

针对实时视频中的运动物体跟踪问题,提出了一种基于自适应Kalman滤波的运动物体跟踪新算法。首先利用基于∑-△背景估计算法检测运动物体,并提取主要颜色特征。然后构建物体运动模型,并生成自适应Kalman滤波的系统状态模型。最后利用主要颜色特征进行物体跟踪,其结果反馈给自适应Kalman滤波器,并通过遮挡率自动调整参数达到正确跟踪。实验结果表明,所提出的自适应Kalman滤波算法在运动物体被遮挡等复杂条件下的鲁棒性好,还具有跟踪准确性高和数据计算量小等优点,可用于实时运动物体的检测与跟踪。     

利用团块模型进行目标跟踪

提出了一种基于局部特征的目标跟踪算法．通过多尺度分析方法,根据颜色和空间上的相似性将目标分割为多个区域,每个区域由一个团块表示,团块包含了该区域所有像素的颜色均值、形状和位置．根据团块特征构造目标的外观模型,定义团块的匹配准则,通过团块匹配进行目标跟踪．由于目标模型是基于局部特征的,并且包含目标的全局空间结构,因此该算法在局部遮挡和目标尺度变化的情况下,依然能够进行准确地跟踪．实验表明该算法能够有效实现复杂场景下的目标跟踪,性能优于Mean-shift算法．     

基于单目视觉的彩色目标跟踪

提出一种基于HSV颜色空间的单目视觉跟踪算法。该方法利用目标在HSV空间的颜色信息提取出场景中的运动目标,在此基础上,对目标进行滤波和形态学处理,从而实现了目标的检测与定位。最后,利用单目视觉跟踪算法有效地实现了运动目标跟踪。实验结果表明,该算法有效地实现了目标定位与跟踪,并具有一定的实时性和抗干扰性。     

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。     

配置机械手的轮式移动机器人目标物体跟踪与抓取

针对配置机械手的室内轮式移动机器人目标物体识别、跟踪和抓取问题,采用一种目标物体识别和机器人定位的方法,利用一种基于模糊控制的轮式移动机器人视觉伺服跟踪控制的方法。针对机器人目标识别跟踪及抓取过程中受环境条件变化的影响,采用HSI颜色模型和基于阈值的区域分割的图像处理方法可以完成目标颜色物体的快速准确识别。基于云台摄像机角度信息的机器人小车目标定位方法和模糊控制理论,设计了模糊跟踪控制器,使机器人输出合适的线速度和角速度,能够实现机器人目标跟踪,使移动机器人趋近目标物体位置,并完成机械手目标物体抓取任务。仿真和实时实验结果表明：所设计的系统具有良好的目标物体识别、跟踪和准确抓取目标的能力。     

基于粒子滤波和自适应模型的目标跟踪算法

为了提高粒子滤波的性能,使用集合卡尔曼滤波对建议分布进行改进,同时提出了用于视频跟踪的自适应融合模型．使用集合卡尔曼滤波结合当前的观测信息构造建议分布,结合当前观测信息对每一个粒子进行集合分析,得到新的建议分布,依据新的建议分布对粒子进行采样,同时在跟踪过程中将颜色特征模型和形状特征模型进行融合,并进行自适应更新．实验结果证明：相对于传统粒子滤波和扩展卡尔曼粒子滤波,使用新的建议分布可以更有效地降低均方根误差,同时自适应融合模型的稳定性要高于使用单一颜色模型．使用新的建议分布和融合模型,可以有效提高粒子滤波的准确性和稳定性．     

基于核相关滤波的TLD跟踪算法的研究

对TLD跟踪算法进行改进,以提高在跟踪目标发生尺度变化或被遮挡时的跟踪性能. 首先使用KCF跟踪器替代TLD算法中原有的中值光流跟踪器,并在特征提取时增加目标的Lab颜色特征,在寻找目标位置时引入尺度估计,在模型更新阶段引入跟踪状态判别机制,通过设定跟踪器中输出响应最大值阈值、APCE阈值及检测器中随机蕨分类器阈值来判断跟踪器跟踪结果的可靠性,改善跟踪器在尺度变化、出现遮挡、光照变化等情况下的跟踪效果. 针对TLD算法中的检测器,为了减少大量无意义的窗口,提升算法在存在遮挡时的精确性,在检测之前使用Kalman滤波预估出目标位置,在预估位置周围使用改进的级联分类器更精准地定位目标,改进的级联分类器的前两级仍采用方差分类器和随机蕨分类器,第三级则采用改进的KCF跟踪器. 在OTB-50数据集上的实验结果分析表明,该算法跟踪性能优于其他算法,能够满足实时性.     

基于均值偏移粒子滤波的自适应跟踪

针对视频中运动人体的跟踪,提出了一种基于均值偏移粒子滤波的自适应跟踪算法。该算法首先对所要跟踪的人体目标进行分块,并选择与周围环境颜色相似度最小的块模板作为跟踪区域;然后使用基于均值偏移的粒子滤波方法进行跟踪,并设计了自适应更新块模板尺度的方法;最后在粒子滤波的状态估计阶段后,加入自适应观测模型,根据块模板尺度的变化情况,自适应地选择高斯噪声方差和粒子数目。实验证明,在出现遮挡或人体运动方向改变的情况下,本文算法的跟踪效果比传统均值偏移粒子滤波更好。     

基于粒子滤波的移动物体视觉跟踪方法

基于颜色特征的粒子滤波算法已成为移动物体跟踪的热点.提出一种基于加权颜色直方图的粒子滤波跟踪算法,利用Bhattacharyya距离来描述粒子与目标区域颜色模型的相似性.实验结果表明:该方法具有较好的实时性与鲁棒性,可应用在视频监控、小车寻迹等场合.