彩色序列图像中实时运动目标跟踪方法

提出了一种彩色序列图像中的实时运动目标跟踪算法,该算法首先利用综合帧间差分法与背景差分法两种方法优点的动态背景更新算法来检测各种运动目标,在后续的图像序列中,利用运动检测算法来确定目标跟踪的起始点,并利用Mean Shift算法来跟踪运动物体;然后再更新Mean Shift的目标模板。实验结果表明,该算法能够克服Mean Shift算法对尺度变化的物体的跟踪效果较差且不能检测突然出现在图像序列中的物体的不足,快速准确地跟踪各种物体。     

基于MeanShift的目标平移与旋转跟踪

针对目前多数实时跟踪算法只能跟踪目标平移运动,不能跟踪旋转运动的问题,提出一种基于Mean Shift的快速旋转跟踪算法。该算法以目标区域的梯度方向分布(直方图)为特征,构造了可用Mean Shift算法寻优的相似度函数,将旋转跟踪转化为寻优问题,并利用Mean Shift寻优过程收敛速度快的特点,有效跟踪目标旋转。又提出交替迭代的方法,将旋转跟踪与Meer的平移跟踪算法融合起来,构造了可以同时跟踪目标旋转和平移完整跟踪算法。     

基于DESO的Mean Shift目标跟踪算法研究

将基于DESO的运动预测算法和Mean Shift算法相结合,形成一种新的基于Mean Shift的快速目标跟踪算法.该算法以DESO预测位置作为Mean Shift算法下一帧候选模型的计算中心,实现了对快速运动目标的跟踪,并通过DESO对目标运动轨迹进行预测,较好地解决了目标完全遮挡时的跟踪问题.实验结果表明,该算法具有预测精度高、实时性好、抗遮挡能力强的优点.     

一种基于Mean Shift和Kalman预测的带宽自适应跟踪算法

Mean Shift算法是视觉监控领域广泛应用的经典目标跟踪方法,但对于速度过快或尺度变化大的目标的跟踪存在较大的缺陷。针对这一问题,提出了一种基于Mean Shift和Kalman方法预测的带宽自适应跟踪算法。该算法提出以Kalman预测目标在下帧中的位置作为Mean Shift迭代初始位置,以高效锁定各类运动目标;同时采用增量试探法自动调节带宽以适应目标的尺度变化。通过对行人和车辆等不同监控对象的实验表明,该跟踪算法具有良好的鲁棒性。     

基于Mean Shift的红外目标自动跟踪方法

Mean Shift是一种密度梯度的无参数估计方法,应用于目标跟踪领域有较好的性能.然而Mean Shift算法是一种半自动跟踪方法.为此,提出边缘检测与Mean Shift相结合的方法.利用结合小波的Canny边缘检测方法对初始帧进行目标检测,通过力矩在图像处理中的计算方法得出目标的形心位置,为Mean Shift方法提供初始信息.在目标丢失时,可以利用形心方法修正Mean Shift的迭代跟踪过程.实验结果表明,本方法可以实现对目标的自动跟踪,同时有效修正了对红外目标的跟踪偏移.     

基于特征匹配预估的Mean Shift运动检测与跟踪

针对传统Mean Shift跟踪算法在目标存在背景干扰或遇到遮挡时,目标跟踪不准确的问题,提出了一种基于特征匹配运动检测预估的Mean Shift跟踪方法.采用Harris算法提取跟踪目标特征点进行运动定位检测,通过Kalman滤波器估计每一帧中目标迭代的起始位置,由Mean Shift算法从预估位置开始迭代搜索,最终实现目标跟踪.实验证明:提出的算法能够在遮挡的情况下对目标进行精准的定位检测,有效改善了复杂条件下的跟踪效果,具有较好的鲁棒性.     

基于背景优化的Mean Shift目标跟踪算法

针对传统的Mean Shift算法在目标快速运动且背景区域变化较大时,容易丢失跟踪目标的问题,提出了一种基于背景优化的Mean Shift目标跟踪算法。该算法引入混合直方图并对直方图重新量化,再通过减少背景像素在概率密度函数(PDF)中的权重来对背景进行优化,从而降低背景区域对跟踪的影响。实验结果表明,当目标快速运动,且背景区域变化较大时,该算法仍然能够实现对运动目标的准确跟踪。     

基于Mean Shift算法和灰度模板匹配的运动目标主动跟踪

该文提出了一种综合Mean Shift算法和灰度模板匹配的主动跟踪算法。该算法利用灰度模板匹配与运动目标在图像的位置无关的特点,在视角和焦距发生变化后用灰度模板进行穷尽搜索,再用匹配结果更新Mean Shift搜索窗口,解决了Mean Shift算法要已知目标区域才能正确跟踪的问题。该算法能在视角和焦距发生变化的情况下能正确的跟踪运动目标并能使被跟踪的运动目标始终保持在图像的中心区域。实验表明,该算法具有较好的可行性。     

基于颜色的快速人体跟踪及遮挡处理

为了对被跟踪到的运动员进行运动姿态以及运动参数的分析,给运动员的训练提供科学合理的参考,提高比赛成绩,研究了面向体育视频的运动目标跟踪技术,提出了一种基于Mean Shift的综合算法.首先,根据背景加权直方图选择跟踪目标与背景图像的差别最显著的部分作为跟踪特征,以减少背景信息对跟踪效果的影响;其次,针对Mean Shift算法需要对图像进行穷举匹配的问题,利用Kalman滤波对目标的状态进行有效预测,减少了匹配运算次数,改善了快速运动目标的跟踪效果,提高了跟踪算法的稳健性;最后运用基于核的Mean Shift算法对运动目标进行跟踪,同时进行目标模板的实时更新,实现了对体育视频中运动员的稳定实时的跟踪.该方法成功地解决了部分遮挡、背景混乱以及目标尺寸变化等问题.     

基于DESO的Mean Shift目标跟踪算法研究

将基于DESO的运动预测算法和Mean Shift算法相结合,形成一种新的基于Mean Shift的快速目标跟踪算法.该算法以DESO预测位置作为Mean Shift算法下一帧候选模型的计算中心,实现了对快速运动目标的跟踪,并通过DESO对目标运动轨迹进行预测,较好地解决了目标完全遮挡时的跟踪问题.实验结果表明,该算法具有预测精度高,实时性好,抗遮挡能力强的优点.

     

一种复杂背景下的实时目标跟踪算法

鉴于现有的均值漂移跟踪算法不能适应目标运动速度过快和全部遮挡,并且由于存在开方、除法等大量浮点运算,在定点DSPs数字信号处理器中应用难于满足实时跟踪要求。本文在核密度估计,均值漂移算法迭代权值,Bhattacharyya系数等方面进行改进,给出优化的算法流程。不仅增强了目标与背景相似时搜索目标的能力,而且全部使用整点运算,计算时间满足实时跟踪要求。通过将优化算法与卡尔曼轨迹预测相结合,解决了目标运动速度过快和全部遮挡问题。目前该算法已经成功嵌入TMS320C6416硬件平台,实验结果表明,在混乱背景、目标发生旋转、遮挡、形状变化、运动速度过快等情况下,该算法能够保持连续稳定的实时跟踪。     

针对融合图像的均值位移跟踪方法

提出一种针对融合图像的均值位移跟踪方法。运用加权平均融合和基于动态目标检测的多源动态图像融合体系,对可见光与红外图像进行像素级动态图像融合,利用Mean Shift算法进行目标跟踪。采用真实数据进行实验,并对实验结果进行稳态的位置均方根误差评价。结果表明,在跨背景区域及复杂背景下,采用该方法对目标进行运动跟踪,能满足鲁棒性及实时性要求。     

嵌入Mean Shift 的粒子滤波目标跟踪算法

传统的粒子滤波算法通常使用大量粒子表示目标状态的后验概率密度函数,算法的计算量较大,跟踪的实时性较差,且无法对快速、遮挡目标进行准确跟踪．针对以上问题,提出了一种嵌入MeanShift（均值偏移）的粒子滤波算法,该方法充分利用了MeanShift聚类作用,使得粒子分布更加合理,不但提高了粒子的多样性,而且有效减少了描述目标状态的粒子数目．实验结果表明,改进的目标跟踪算法具有较强的鲁棒性和较好的实时性．     

遮挡情况下的多目标跟踪算法*

在视频监控系统中,由于背景的复杂变化,运动目标经常会出现部分或全部被遮挡的情况。为了在遮挡条件下进行多目标跟踪,针对运动目标发生遮挡情况下的Mean Shift跟踪问题进行了研究,提出一种新的抗遮挡算法。利用卡尔曼滤波器来获得每帧Mean Shift算法的起始位置,再利用Mean Shift算法得到目标跟踪位置,通过目标遮挡判定机制和目标搜索机制来解决遮挡问题。实验表明,该算法较好地解决了运动目标的遮挡问题。     

基于均值漂移和卡尔曼滤波的跟踪算法研究

为了寻找一种可以实际运用到学校监控系统的目标跟踪算法,文中对基本MeanShift算法进行描述,并阐述算法的实际意义。MeanShift虽然以其不需要参数、不需要穷尽搜索区域等特性可以较好地实现目标跟踪,但是同时其也有不足,让其在某些跟踪条件下达不到很好的效果。为了使MeanShift目标跟踪算法满足实际应用需求,通过添加核函数和增加权重的方式对基础MeanShift算法进行扩展,并在分析MeanShift算法的不足之后,提出一种MeanShift与Kalman滤波相结合的目标跟踪算法。通过学校的视频监控平台对提出算法进行验证,实验结果表明,该算法可以有效地对目标进行跟踪。     

基于灰度触发的Mean Shift自动跟踪算法

为实现道路交通的车辆自动跟踪,提出一种基于灰度触发的Mean Shift自动跟踪算法。利用改进的高斯混合模型进行前景检测,有效抑制光照突变对于目标检测的影响,保证触发区域的灰度干扰降低到最少。设计基于虚拟区域灰度变化的触发方式,通过捕获虚拟触发区域内的灰度局部峰值,扩展目标搜寻区域进行运动车辆的锁定,进而实现核函数宽度自适应调整的Mean Shift跟踪。实验结果表明,该方法能准确实现自动触发跟踪,触发精度较高,具有较好的实用价值。     

基于改进的Mean Shift鲁棒跟踪算法

Mean Shift跟踪算法在目标尺度变化大和被遮挡时存在较大的缺陷。针对这一问题,提出了一种基于多级正方形匹配的自适应带宽选择和分块抗遮挡的目标跟踪算法。该算法采用目标中心点的离散程度和增量试探法计算出可能的变化尺度,然后采用多级正方形匹配法预测目标的运动趋势,将巴氏系数最大者的尺度作为Mean Shift核函数新的带宽。同时,对前景目标进行分块,根据子块的遮挡程度自适应改变子块权重并按一定准则融合有效子块的跟踪结果。实验结果表明,该算法具有很好的鲁棒性。