基于KF和MS算法的神经丝蛋白质自动跟踪性能比较

跟踪研究神经丝在生物医学神经退行疾病领域有重要意义,针对人工标记效率低的现状,提出用计算机自动跟踪神经丝。本文采用Kalman滤波算法和Mean Shift算法对荧光显微下神经丝蛋白质运动视频进行目标跟踪,跟踪结果表明,基于运动模型和估计测量值的Kalman滤波算法在跟踪效果上明显优于基于颜色空间特征的Mean Shift算法。     

基于均值漂移算法的水下视频目标跟踪

鉴于水下的特殊环境,本文利用均值漂移算法对水下视频中的运动目标进行跟踪.首先对水下视频目标对象和候选目标对象分别建立RGB颜色分布加权直方图模型,将这两个模型进行匹配,匹配度用Bhattacharrya系数来表示,搜索出与目标最匹配的候选目标并且更新目标模型,依此类推,从而在视频序列中实现目标跟踪.仿真实验证明,基于均值漂移算法的目标跟踪能够克服水下视频环境中干扰运动目标跟踪的因素:水波、倒影、气泡、游泳池浮标的遮挡等,进一步与基于Kalman滤波器的水下目标跟踪相比(对比),目标跟踪结果表明本文所用的算法能够对水下这种复杂背景的运动目标进行稳定实时的跟踪.     

尺度方向自适应Mean Shift跟踪算法

在分析尺度空间理论和Mean Shift 跟踪算法的基础上,提出了一种尺度方向自适应Mean Shift跟踪算法.根据起始帧图像中目标和背景的差异,分割出目标覆盖区域,并根据尺度空间理论对目标建立最佳描述椭圆.对于后续帧,以上一帧目标的最佳椭圆描述为初始值,根据Mean Shift迭代原理依次更新椭圆参数.实验结果表明,新算法可以有效、稳健地适应目标旋转缩放等复杂运动.     

采用改进Mean Shift算法的移动机器人行人跟踪

为了提高移动机器人目标跟踪系统在复杂环境中的跟踪性能,提出在双层定位机制下采用基于自适应核函数的Mean Shift算法实现目标跟踪.利用射频识别器件(RFID)检测携带标签的目标,实现外层粗定位并确定感兴趣区域(ROI);在内层则根据对视差图的ROI的处理结果确定初始搜索窗口,然后应用基于自适应核函数的Mean Shift算法在从立体相机获得的左图中应用基于自适应核函数的Mean Shift算法实现对目标的精确定位.自适应核函数由目标的区域特征与Epanechnikov函数相融合构成,克服了目标边缘处背景像素对目标颜色概率分布的影响.与传统的Mean Shift算法相比,所提方法在同色背景干扰下仍能准确跟踪目标.另外,RFID限定了图像搜索范围,节省了运算开支,图像处理的平均时间为62.11 ms/frame,满足实时跟踪的要求.实验结果表明,该方法可实现移动机器人在同色背景干扰、遮挡、目标快速移动等情况下的目标跟踪.     

基于组合带宽均值迁移的快速目标跟踪

为了解决传统均值迁移(Mean shift)目标跟踪算法中跟踪窗口容易收敛至局部概率模式的问题,提出一种基于组合带宽Mean Shift的目标跟踪策略,并建立了一种自适应学习率的over-relaxed优化策略以加速收敛过程。根据目标尺度设定了一组从大到小排列的带宽序列,并依次根据每个带宽进行Mean Shift迭代收敛运算,利用大带宽的平滑作用避开局部概率模式的干扰;依靠小带宽进行精确定位,最终使其收敛到真实目标区域。由于组合带宽Mean Shift会造成一定的额外运算量,为此引入over-relaxed优化策略加速迭代过程。在边界优化算法的收敛条件约束下,根据采用over-re-laxed策略前后相关系数的变化,自适应地调整学习率。实验结果表明,组合带宽Mean Shift能够有效地跟踪快速运动的目标,并且当目标短暂丢失时也有一定的恢复能力;实验采用over-relaxed策略后,收敛次数减少了30%～70%。     

关于驾驶员眼睛检测与跟踪的研究

本文采用红外LEDs和CMOS图像传感器获取人脸图像和眼睛候选区域,再用支撑向量机(SVM)眼睛分类器验证并确定眼睛的位置,完成对驾驶员眼睛的准确定位;在眼睛的跟踪上,针对Kalman滤波和Mean Shift理论本身的缺陷,提出Kalman滤波和Mean Shift相结合的跟踪算法,不仅提高了跟踪的效率和跟踪的鲁棒性,还实现了模板的自动更新。     

鲁棒的图像恢复技术在溺水报警系统中的应用

对于一个溺水报警系统.为了将游泳者从背景中分离出来以便分析其运动特征.需要对受各种噪声污染的观测图像进行恢复处理。由于泳池水下图像受水波干扰较为严重.信噪比低.直接使用传统的图像恢复方法对其进行处理.效果较差。本文根据鲁棒估计方法抗噪性能强的特点.将其与图像恢复技术结合起来.提出了一种自适应鲁棒平滑滤波算法。通过泳池水下图像处理实验证明,该算法可以在充分去除噪声的同时.很好地保持原始图像中大部分的边缘结构。因此.本方法具有一定的实用价值。     

基于场景辅助特征的T-S目标跟踪

针对遮挡同时目标附近出现相似目标干扰所导致的错跟问题,本文提出利用场景中辅助特征提升目标跟踪抗遮挡以及抗相似目标干扰性能。首先检测场景强特征及目标附近相似干扰,定义二者为场景辅助特征;其次,建立能够较好描述场景强特征及目标运动规律的动态模型以及相似干扰约束;最后,将场景辅助特征及目标的动态模型以粒子滤波的形式表达,提出T-S跟踪算法。采用SPEVI及OTB100数据库中若干典型测试视频,与近年来6种先进跟踪算法进行对比实验,并采用两种评价体系考量。实验结果表明,本文T-S算法对SPEVI多人脸、红外车辆的跟踪误差分别为24 pixel和8 pixel;对OTB100数据库中8种视频跟踪测试时,在重叠率阈值为0.5时的跟踪成功率为0.51,优于其它对比算法。本文T-S跟踪算法能够较好应对遮挡及相似目标干扰。     

应用Mean Shift和分块的抗遮挡跟踪

针对传统Mean Shift跟踪算法在目标发生遮挡时容易跟偏甚至跟丢的缺陷,提出了一种新的抗遮挡跟踪算法。首先,对跟踪窗口内的目标进行分块;然后,对外围子块分别实施Mean Shift跟踪算法并检测遮挡的发生,当遮挡发生后即对所有子块实施Mean Shift跟踪算法;最后,引入一种子块置信度机制并仅用置信度最高的子块来确定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。对不同的视频序列测试的结果显示,本算法能对发生遮挡的目标进行准确跟踪。当遮挡目标尺寸为70pixel×100pixel时,平均处理时间为38.6ms/frame。结果表明,改进算法能够满足目标跟踪系统稳定性和实时性的要求。     

平稳小波滤波算法在泳池报警系统中的应用

泳池内采集的图像相对于水上一般图像来说有其自身的特点,比如气泡、倒影、水波纹、光斑等干扰因素,若想滤除干扰,采用普通的算法进行滤波平滑处理,往往不尽如人意.针对泳池图像的特殊性以及传统小波存在的不足,提出了利用非采样平稳小波变换对泳池图像进行平滑滤波,首先对图像进行平稳小波多尺度分解,根据泳池图像中干扰与有效信息在不同尺度上传递的差异,运用一种改进的阈值函数进行平滑处理.实验结果证明,此算法对游泳者边缘信息保持良好,并滤除了大量干扰信息,视觉效果性能指标都大大提高.