基于改进Camshift算法的视频对象跟踪方法

针对Camshift算法限于简单背景下跟踪特定颜色目标的局限性,提出一种改进的Camshift算法.首先在HSV色彩空间建立目标的背景加权三维直方图,将视频图像转化成颜色概率图,然后结合颜色概率分布图与差分图像,根据目标运动速率大小自适应的赋予两者不同的权重,实现了复杂背景下的目标跟踪.实验结果表明,该方法是十分有效的.     

基于CamShift的目标跟踪算法

CamShift是一种应用颜色信息的跟踪算法,在跟踪过程中,CamShift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.在CamShift算法基础上对搜索窗口进行简单运动预测,并增加二次搜索方法,提高跟踪的稳定性.实验结果表明,在图像背景复杂且目标不规则运动的情形下,仍能有效地跟踪到目标.     

改进的Camshift跟踪算法研究

Camshift是使用颜色直方图作为特征的一种跟踪算法。它利用目标的颜色直方图模型得到每帧图像的颜色投影图,初始化一个搜索窗的大小和位置,并根据上一帧得到的结果自适应调整搜索窗口的位置和大小,定位出当前图像中目标的中心位置。从准确预测目标位置及缩小目标搜索范围入手对Camshift算法进行了改进。实验结果表明,改进的Camshift有效地克服了Cam-shift算法自身的缺陷,即使在图像背景复杂且不规则的情形下,仍然能有效的跟踪到目标。     

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。     

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%。     

基于多个颜色分布模型的Camshift跟踪算法

视角变化往往会引起目标外观特征的变化, 传统的基于单一颜色直方图模型的 Camshift 跟踪算法往往不能适应这种变化. 为此, 本文从提高模型描述能力入手, 提出利用目标外观的先验知识, 为目标建立多个颜色模型, 在此基础上设计目标函数, 通过对目标函数的优化, 实时地为每帧跟踪从多个模型的凸组合中选取最优模型. 另外, 在对 Camshift 算法深入研究的过程中, 发现了概率图平均亮度和图像块颜色分布之间的一种定量关系, 这种关系为进一步理解多模型算法的工作机理提供了帮助. 头部跟踪的实验结果表明, 与单一固定模型以及自适应单模型算法相比, 多模型 Camshift 算法对目标外观的快速变化适应性很强, 而且计算代价不大.     

基于帧间差分和背景差分结合的Camshift目标跟踪算法

Camshift算法需要手动标定目标区域,且具有无法适应目标的高速运动、相似颜色背景和遮挡等情况的局限性。针对这些情况提出结合帧间差分法和背景差分相结合的方法对Camshift算法进行改进。首先利于帧间差分和背景差分相结合检测出运动目标区域。然后用该区域初始化跟踪目标窗口。当有相似颜色背景干扰或遮挡情况发生时,利用检测出的运动目标区域对搜索窗口进行限制。同时,使用Kalman滤波对下一帧的搜索窗口进行预测,从而使该算法适合高速运动目标的跟踪。实验表明该算法能够准确对目标窗口进行初始化,且在目标高速运动、遮挡、和相似颜色背景干扰情况下,仍能进行适时实时有效跟踪。     

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。     

基于阈值判断的CamShift目标跟踪算法

针对CamShift算法只利用目标的颜色信息,在跟踪过程中,易受目标相似物、遮挡以及光照等复杂背景影响导致目标搜索窗口发散,跟踪稳定性能降低,提出了一种基于阈值判断的目标跟踪方法。该方法将OTSU法和Snake模型结合,利用OTSU法以最佳阈值对图像进行分割,分离前景区域和背景区域,初步提取目标轮廓作为Snake模型的初始轮廓,经收敛得到目标的精准轮廓,利用轮廓外接最小矩形框内的像素计算目标质心,判断与CamShift算法中目标搜索窗口质心之间的欧式距离,如果未超出阈值,则直接使用CamShift算法跟踪目标,反之,则将计算出的目标质心作为CamShift算法中当前帧目标搜索窗口的质心跟踪目标。实验结果表明,该算法跟踪目标具有较好的实时性,跟踪性能稳定、可靠。     

多特征融合的Camshift运动目标跟踪算法

传统的Camshift算法以颜色直方图为特征对目标进行跟踪,对刚性目标的跟踪具有较强的鲁棒性。当目标受到颜色相近的干扰物干扰或者部分遮挡时,其跟踪效果和准确度不太理想。为此,提出一种多特征融合的Camshift目标跟踪算法。首先,对目标的颜色特征、边缘特征和空间信息进行提取和处理,得到颜色空间直方图和空间边缘方向直方图;然后,分别在Camshift算法框架下得到目标匹配中心位置,采用每一帧图像的相似度向量得到权值系数,通过自适应加权融合的方法得到最优中心位置。实验结果表明,相较于传统的Camshift目标跟踪算法和改进的复杂特征融合的Meanshift算法,所提方法能够更有效地克服颜色干扰、目标重叠遮挡对跟踪效果的影响,避免了 目标 在跟踪过程中丢失的问题,突破了传统方法的局限性。     

粒子滤波的视频目标跟踪算法研究

目标跟踪是计算机视觉和图像处理的一个重点课题,在视频监控、机器人视觉导航以及智能交通控制中具有广泛的应用前景.通过粒子滤波技术,研究了如何整合颜色特征、前景信息和积分图运算等技术实现视频目标跟踪的粒子滤波算法.在对目标进行分割中采用了混合高斯背景建模方法;同时结合积分直方图的计算方法对颜色特征进行分段统计及相互遮挡的判断,实现基于粒子滤波的目标跟踪算法的优化,解决跟踪中诸如遮挡、光照变化、背景干扰、尺寸变化等难以解决的问题.实验结果表明提出的方法达到了预期目标.     

基于相关滤波与颜色概率模型的目标跟踪算法

针对地面战场环境下相似背景对目标跟踪器产生的干扰，提出了一种基于相关滤波与改进颜色概率模型的目标跟踪算法。首先，在传统颜色概率模型的基础上，利用前景目标直方图与背景直方图的差异性提出了一种突出前景的颜色概率模型；然后，根据相关滤波器响应置信度和最大响应位置生成空间惩罚矩阵，用该矩阵惩罚相关滤波器判定的背景像素的似然概率，利用积分图的方法得到颜色概率模型响应图；最后，将相关滤波器和颜色概率模型得到的响应图进行融合，融合响应图的最大响应位置即为目标的中心位置。与核循环结构滤波器(CSK)、核相关滤波器(KCF)、判别式尺度空间跟踪（DSST）、SAMF、Staple等5种算法在跟踪性能上进行比较，在OTB-100标准数据集上的结果表明，所提算法的整体精度提高了3.06%至55.98%，成功率提高了2.24%至54.97%；在相似背景干扰下，其精度提高了10.28%至43.9%，成功率提高了8.3%至48.29%。在36段战场视频序列上的结果表明，所提算法的整体精度提高了2.2%至45.98%，成功率提高了3.01%至58.27%。该算法能够更好地应对地面战场环境下相似背景的干扰，为武器平台提供更精确的位置信息。     

基于局部抠像技术的融合图像精确跟踪算法

为了提高跟踪精度,提出一种基于局部抠像的融合图像全自动精确跟踪算法。首先采用帧间差分法获取运动目标的大致区域,并自动生成局部抠像框,由此采集目标、背景代表颜色集合;在此基础上自动生成抠像所需的草图,实现对目标的抠像;最后对抠像产生的前景映射图进行边缘检测即可获取精确的目标轮廓,并可根据跟踪结果对模型进行更新。对于实验的图像序列,与目标实际中心相比较,抠像跟踪误差均值为0.9像素,传统均值漂移跟踪误差均值为5.2像素。实验结果表明,该方法跟踪结果能完整、清晰地表示目标轮廓,很好地解决了跟踪中的漂移问题,提升了跟踪精度     

具备重检测机制的融合特征视觉跟踪算法

结合图像梯度特征和颜色特征,在相关滤波器跟踪框架基础上,提出一种改进的 视觉跟踪算法。对颜色特征进行统计建模,结合由稠密目标后验概率积分得到的目标置信积分 和梯度特征相关滤波输出作目标跟踪。同时,还对目标跟踪的结果作质量评估,在跟踪质量非 可靠时启动目标重检测过程,采用基于稠密目标后验概率的置信积分来确定备选目标。对跟踪 质量不可靠且未重检测到可靠目标的视频帧,不进行跟踪模型的在线更新。实验表明,该算法 可以有效避免因遮掩等原因而引起的跟踪不可靠和模型漂移的问题,跟踪性能和几个主流的相 关滤波类跟踪器相比有明显改善。     

结合置信度加权融合与视觉注意机制的前景检测

目的 在视频前景检测中,像素级的背景减除法检测结果轮廓清晰,灵活性高。然而,基于样本一致性的像素级分类方法不能有效利用像素信息,遇到颜色伪装和出现静止前景等复杂情形时无法有效检测前景。为解决这一问题,提出一种基于置信度加权融合和视觉注意的前景检测方法。方法 通过加权融合样本的颜色置信度和纹理置信度之和判断前景,进行自适应更新样本的置信度和权值;通过划分子序列结合颜色显著性和纹理差异度构建视觉注意机制判定静止前景目标,使用更新置信度最小样本的策略保持背景模型的动态更新。结果 本文方法在CDW2014（change detection workshops 2014）和SBM-RGBD（scene background modeling red-green-blue-depth）数据集上进行检测,相较于5种主流算法,本文算法的查全率和精度相较于次好算法分别提高2.66%和1.48%,综合性能最优。结论 本文算法提高了在颜色伪装和存在静止前景等复杂情形下前景检测的精度和召回率,在公开数据集上得到更好的检测效果。可将其应用于存在颜色伪装和静止前景等复杂情形的视频监控中。     

采用帧差法和相关滤波改进的TLD跟踪算法

针对TLD (tracking-learning-detection)算法实时性和鲁棒性差的问题,提出一种改进的FD-CFTLD (foreground detection-correlation filter TLD)目标跟踪算法。以TLD算法为基本框架,在检测模块采用帧差法进行前景检测,减小检测区域,提高检测速度;在跟踪模块采用核相关滤波(kernelized correlation filter,KCF)算法,并采用新的更新策略,使用检测模块修正后的跟踪结果更新跟踪器中的滤波器模型,提高跟踪的鲁棒性和精确度。实验结果表明,FD-CFTLD算法的成功率和精确度优于TLD算法,在应对光照变化、尺度变化和遮挡等场景时表现出良好的鲁棒性和实时性。     

融合前景判别和圆形搜索的目标跟踪算法

针对运动目标在发生遮挡、形变、旋转和光照等变化时会导致跟踪误差大甚至丢失目标以及传统跟踪算法实时性差的问题,提出了一种融合前景判别和圆形搜索（CS）的目标跟踪算法。该算法采用了图像感知哈希技术来描述与匹配跟踪目标,跟踪过程使用了两种跟踪策略相结合的方法,能够有效地解决上述问题。首先,根据目标运动方向的不确定性和帧间目标运动的缓慢性,通过CS算法搜索当前帧局部（目标周围）最佳匹配位置;然后,采用前景判别PBAS算法搜索当前帧全局最优目标前景;最终,选取两者与目标模板相似度更高者为跟踪结果,并根据匹配阈值判断是否更新目标模板。实验结果表明,所提算法在精度、准确率和实时性上都比MeanShift算法更好,在目标非快速运动时有较好的跟踪优势。     

前景判别的局部模型匹配目标跟踪

目的 在复杂背景下,传统模型匹配的跟踪方法只考虑了目标自身特征,没有充分考虑与其所处图像的关系,尤其是目标发生遮挡时,易发生跟踪漂移,甚至丢失目标。针对上述问题,提出一种前景判别的局部模型匹配(FDLM)跟踪算法。方法 首先选取图像帧序列前m帧进行跟踪训练,将每帧图像分割成若干超像素块。然后,将所有的超像素块组建向量簇,利用判别外观模型建立包含超像素块的目标模型。最后,将建立的目标模型作为匹配模板,采用期望最大化(EM)估计图像的前景信息,通过前景判别进行局部模型匹配,确定跟踪目标。结果 本文算法在前景判别和模型匹配等方面能准确有效地适应视频场景中目标状态的复杂变化,较好地解决各种不确定因素干扰下的跟踪漂移问题,和一些优秀的跟踪算法相比,可以达到相同甚至更高的跟踪精度,在Girl、Lemming、Liquor、Shop、Woman、Bolt、CarDark、David以及Basketball视频序列下的平均中心误差分别为9.76、28.65、19.41、5.22、8.26、7.69、8.13、11.36、7.66,跟踪重叠率分别为0.69、0.61、0.77、0.74、0.80、0.79、0.79、0.75、0.69。结论 实验结果表明,本文算法能够自适应地实时更新噪声模型参数并较准确估计图像的前景信息,排除背景信息干扰,在部分遮挡、目标形变、光照变化、复杂背景等条件下具有跟踪准确、适应性强的特点。     

基于改进高斯混合模型的实时运动目标检测与跟踪*

为提高运动目标检测与跟踪的可靠性,提出了一种基于改进高斯混合模型的实时运动目标检测与跟踪算法。该算法建立可自动调节分布数目的高斯混合背景模型,通过背景减除获取前景图像;利用目标相邻帧的连续性分割运动目标;在此基础上将传统的颜色直方图模型进行改进,提高目标颜色分布的可信度,进而根据目标的位置、大小和颜色构造运动目标全局匹配相似度函数,实时完成运动目标检测与跟踪。利用大量的监控视频数据进行验证,结果表明,与传统的检测跟踪算法相比,该算法减少了计算量,提高了复杂背景情况下运动目标检测与跟踪的可靠性。     

A Nonparametric Adaptive Tracking Algorithm Based on Multiple Feature Distributions

This paper presents an object tracking framework based on the mean-shift algorithm, which is a nonparametric technique that uses statistical color distribution of objects. Tracking objects through highly similar-colored background is one of the problems that need to be addressed. In various cases where object and background color distributions are very similar, the color distribution obtained from single frame alone is not sufficient to track objects reliably. To deal with this problem, the proposed algorithm utilizes an adaptive statistical background and foreground modeling to detect the change due to motion using kernel density estimation techniques based on multiple recent frames. The use of multiple frames supplies more information than single frame and thus it provides more accurate modeling of both background and foreground. In addition to color distribution, this statistical multiple frame-based motion representation is integrated into a modified mean-shift algorithm to create more robust object tracking framework. The use of motion distribution provides additional discriminative power to the framework. The superior performance with quantitative results of the framework has been validated using experiments on synthetic and real sequence of images