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DM642的嵌入式实时车辆跟踪系统

提出了一种基于DM642的实时车载车辆跟踪系统,该系统采用实时的Mean Shift作为跟踪器.为了提高系统跟踪的准确性,利用车辆的颜色分布和外型特征同时作为跟踪器的输入特征;为了提高跟踪的鲁棒性,利用卡尔曼(Kalman)滤波器对Mean Shift的跟踪系统进行预测和滤波.实验显示,该实时车载车辆跟踪系统具有良好的鲁棒性和实时性.     

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.     

基于均值漂移和粒子滤波相结合的水下运动目标跟踪

泳池是一个变化较大的动态场景,会受到气泡、光照强度和水波等因素的干扰,针对泳池环境的复杂性特点,本文提出一种基于均值漂移和粒子滤波相结合的水下运动目标跟踪算法。首先,结合Mean Shift算法中的核函数原理和目标模型,以RGB颜色直方图为核心建立水下运动目标模型,然后在粒子滤波跟踪水下目标的过程中,利用Mean Shift算法对粒子进行收敛,使粒子的分布更加接近目标的真实位置。仿真试验结果表明,本文提出的算法能够克服水波、阴影、气泡、遮挡等因素的干扰,实现了水下复杂背景下的实时稳定的目标跟踪。     

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.     

基于改进 Mean－shift算法的铲斗目标跟踪

针对挖掘机器人铲斗目标实时跟踪问题,提出了Kalman＋Mean－shift算法的铲斗目标跟踪算法。与Mean－shift算法以及Camshift 算法相比,该算法通过Kalman滤波器对目标位置的预测,解决了跟踪过程中出现干扰时无法跟踪目标的问题。运用OpenCV进行跟踪程序设计,对挖掘机模型的铲斗目标进行跟踪实验,对算法的可行性进行验证。实验结果显示,结合Kalman滤波器的Mean－shift算法能够准确地实施对铲斗目标的跟踪。     

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%。     

基于DM6437的运动目标跟踪系统研究

基于DM6437开发板和Mean Shift算法设计出一个目标跟踪系统.DM6437是TI公司推出的一款高性能适于图像处理的DSP芯片.Mean Shift算法采用核函数直方图建模,对目标遮挡、变形以及背景的变化都不敏感,而且它的算法实时性好,有利于在DSP上的实现.该系统对PC机上的选定目标实现了较好的跟踪效果.     

基于机器视觉的驾驶疲劳检测方法

针对基于机器视觉技术的驾驶防瞌睡装置,讨论了当前的发展状况和应用情况,提出了基于红外光源、差分图像、Kalman滤波的系统方案.在红外光照射下,利用视网膜对不同波长红外光吸收率的显著差别,引起图像处理区域改变,同时利用神经网络辅助Kalman滤波器对眼部位置进行跟踪预测,实现司机在一定范围内活动时跟踪眼睛、测量眼睑和眼球状态的分析技术.该方法为检测司机在驾驶中是否困倦提供了关键的技术,实验表明该方法是有效的.     

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。     

跟踪窗口自适应的Mean Shift跟踪算法

目的：针对传统Mean Shift跟踪算法中当目标发生形变时因跟踪窗不能动态改变导致跟偏甚至跟丢的缺陷,提出了一种新的跟踪窗口大小和方向自适应的改进算法。方法：首先采用跟踪窗口内协方差矩阵的主分量分析方法来计算跟踪目标的方向和尺寸大小;然后联合相似性度量和卡尔曼滤波器来更新跟踪窗口。结果：实验证明,本算法针对不断旋转和缩放的运动目标仍能对其进行准确实时的跟踪。结论：改进算法能够满足非刚体目标跟踪系统的要求。     

尺度方向自适应Mean Shift跟踪方法

经典核窗口宽度固定的mean shift跟踪算法不能很好地对尺寸逐渐增大的目标进行有效地跟踪。一些改进的mean shift算法虽然在一定程度上解决目标缩放这个问题,但是对于目标旋转仍然无能为力。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。实验表明,对于初始帧,本文算法可以较为准确地获得目标最佳描述椭圆;对于后续帧图像,本文的新跟踪算法可以较好地适应目标旋转缩放等复杂运动。     

基于Mean Shift和灰色预测的快速运动行人跟踪

针对MeanShift跟踪算法在跟踪快速运动的行人时往往不能持续跟踪的不足,提出了一种基于GM（1,1）灰色预测的MeanShift运动行人跟踪算法。依据行人衣装颜色分布建立了目标模板,利用GM（1,1）模型预测行人可能出现的位置并作为搜索目标的起始点,在该点邻域内利用MeanShift迭代求取行人的实际位置。实验结果表明,本算法对于快速运动行人和被遮挡行人均能给出较为良好的跟踪效果,并减少了MeanShift的迭代次数。     

基于电子稳像跟踪技术的运动滤波算法

为了在摄像机平台不稳的情况下获取稳定的图像序列,实现基于电子稳像的目标跟踪,对摄像机主动扫描运动与随机抖动分离方法进行了研究,提出了用均值偏移和粒子滤波结合的运动滤波算法(MSPF)来实现运动分离.算法通过粒子滤波预测粒子,然后利用单次均值偏移迭代移动粒子,使粒子更接近于目标真实位置区域,削弱了计算结果精度对粒子数的依赖.对于现实中的复杂背景,利用MSPF算法分离摄像机的主动扫描运动和随机抖动,采用运动补偿图像差分法检测出运动目标,从而实现图像的稳定跟踪.实验结果表明,MSPF算法使用50%的粒子就能起到传统粒子滤波算法同样的效果,缩短了计算时间,有利于实现实时稳像跟踪,适用于车载、船载、机载等稳定跟踪系统中.     

基于BP神经网络的Kalman滤波算法的改进

针对传统的Kalman滤波算法在机动较强的目标跟踪中误差变大甚至发散的缺点,考虑到BP神经网络具有较强的非线性逼近能力,提出了用BP神经网络辅助Kalman滤波的新算法,仿真表明该算法优于传统的Kalman滤波算法.     

一种改进的粒子滤波跟踪算法的应用研究

粒子滤波跟踪算法计算量大且存在严重的粒子退化现象,因此提出了将均值漂移算法嵌入到粒子滤波的跟踪框架中的算法,该算法可以改善粒子滤波的退化现象,大大减少了算法的运行时间,同时克服了均值漂移算法容易陷入局部最大且无法恢复的缺点。监控系统应用的仿真实验结果表明,该方法具有较强的实时性和鲁棒性。     

MSMC跟踪算法在目标跟踪中的应用

针对序贯蒙特卡罗（Sequential Monte Carlo,MC）算法存在的计算量大的缺点,提出了一种新的MSMC（Mean Shift Monte Carlo）目标跟踪算法。算法在传统的MC算法中采取Mean Shift这种梯度最优下降法来寻找局部最大样本值,这样,就可以用较少的样本来保持对目标运动状态预测的多样性,有效地克服了MC算法收敛速度较慢的弱点,大大减少了算法的计算量,实现稳定且实时的目标跟踪,并使算法应用于实际工程中成为可能。