基于SIFT特征的Mean Shift目标标定算法

提出一种基于尺度恒定特征转换（SIFT）的偏移均值向量（Mean Shift）算法,用于视频监控场景中的目标标定。SIFT特征可以实现不同帧图像之间的匹配,Mean Shift算法可以通过色彩直方图进行相邻帧图像的相似度搜索。用期望最大化（EM）机制来评价这两种度量方法之间的概率分布,由此获得相似区域的最大可能性估计。即使这两种机制中的一种不稳定,那么这种相互支撑的跟踪机制也能使跟踪性能保持不变。实验表明本文提出的SIFT-Mean Shift策略改善了经典Mean Shift和SIFT跟踪方法在复杂场景下的性能。     

混合目标模型的Mean Shift跟踪算法

但固定目标模型的Mean Shift算法采用直方图进行匹配,而直方图是一种比较弱的目标特征,当背景和目标的颜色分布较相似时其跟踪效果欠佳。针对这一缺点,提出了一种采用混合目标模型的Mean Shift算法。该算法在匹配过程中使用的目标模型包含了初始帧和前一帧的信息,克服了固定目标模型难以对与背景相似目标以及旋转目标进行准确描述的缺点,获得了较好的跟踪效果。     

多颜色直方图自适应组合Mean Shift跟踪

经典Mean Shift跟踪算法使用单一颜色直方图跟踪目标,导致其对目标外观的变化鲁棒性较差。为了解决该问题,提出一种多颜色直方图自适应组合Mean Shift跟踪算法。该算法利用多个视图的颜色核函数直方图的加权组合作为目标模型进行Mean Shift跟踪;为了适应目标外观的变化,利用目标区域对每一颜色直方图的概率图均值和方差的比值评价每一颜色直方图的可靠性,并自适应地计算其组合权值。实验结果表明,与现有Mean Shift跟踪算法相比,提出的跟踪算法对目标的外观变化具有更强的鲁棒性。     

基于SIFT特征度量的Mean Shift目标跟踪算法

传统的Mean Shift算法,在诸如跟踪目标出现尺度变化、旋转、噪声干扰等复杂情况下,无法得到准确的跟踪结果。提出了一种基于尺度不变特征变换SIFT(Scale Invariant Feature Transform)特征度量的Mean Shift目标跟踪算法,首先根据SIFT算子计算跟踪目标附近的关键点位置和尺度,并获取该尺度空间下关键点邻域的特征向量,然后用跟踪目标区域内的特征向量的模值-方向分布直方图表示该目标,最后使用Mean Shift算法进行跟踪。实验结果表明,该算法在跟踪目标出现尺度变化、旋转、噪声干扰和遮挡等情况下能够准确地跟踪物体,鲁棒性好。     

基于均值漂移—连通域标记的多目标跟踪算法*

提出一种基于Mean Shift改进算法与连通域标记的多目标跟踪算法。在多目标跟踪过程中,对目标瞬间丢失、目标遮挡或重叠时目标跟踪失败等情况有较好的改进。在跟踪过程中,当目标丢失时,基于改进的Mean Shift算法能自适应调整搜索窗口尺寸和方向。通过自适应扩展搜索窗口,利用连通域标记算法搜索目标并计算其矩特征来获得跟踪目标的重心和大小信息,并将获得的位置和尺度信息作为下一帧Mean Shift算法跟踪初始坐标和尺度,统计目标区域颜色直方图作为Mean Shift算法目标模型,从而解决了因目标速度过快而引起的目标瞬间丢失问题。最后研究结果显示,这种改进的目标跟踪算法可以有效改善多目标跟踪的性能,实现目标连续跟踪。     

基于帧差法和Mean Shift融合的浮选中颗粒跟踪方法

为了准确地跟踪浮选视频序列中的絮体颗粒,提出一种结合帧差法与Mean Shift的多运动目标跟踪方法。首先使用帧间差分法对视频文件中的初始两帧图像进行差分处理,进而检测得到运动目标,并确定跟踪窗口和跟踪目标的中心位置;然后结合数学形态学处理优化差分图像,滤除噪声干扰;最后利用求得的核直方图模型在下一帧图像内进行搜索,通过Mean Shift算法找到最佳匹配区域,达到对颗粒位置跟踪的目的。结果表明,该算法可以迅速并高效地跟踪浮选过程中的多个絮体颗粒,具有优越的鲁棒性和实时性。     

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。     

粒化的Mean Shift行人跟踪算法

Mean Shift行人跟踪采用颜色特征直方图作为跟踪特征,存在易受背景颜色干扰等问题。基于此,在传统的Mean Shift行人跟踪算法中引入粒计算的思想,提出粒化的Mean Shift行人跟踪算法,对图像目标区域作粒层分块来提取块颜色特征信息,并在颜色特征表示上作不同粒度的粒化,最后在Mean Shift迭代框架下实现行人跟踪。该方法相比传统的跟踪方法具有计算复杂度更低、稳健性更好的优点。在PETS2009和CAVIAR数据库上的实验表明,这种方法跟踪正确率更高,在颜色干扰下稳健性更好,能够实时有效地跟踪行人。     

基于背景加权的联合颜色纹理直方图跟踪算法

针对在背景与目标颜色相近以及复杂场景中跟踪不准确的问题,提出一种改进的背景加权Mean Shift(均值漂移)跟踪算法,在目标颜色直方图中加入纹理特征,并将局部背景信息引入目标特征直方图中,以排除复杂背景的影响。实验证明,本文提出的算法在应对复杂背景及遮挡时比经典的Mean Shift算法以及背景加权Mean Shift算法更有效,且拥有不错的运行效率。     

基于改进Mean Shift视频目标跟踪算法的研究

针对传统的Mean Shift目标跟踪算法计算量大,难以实现对目标的实时跟踪,并且容易造成目标丢失,降低了目标跟踪的精确度;鉴于此,提出了一种改进Mean Shift的视频目标跟踪算法;首先,建立视频运动速度的系统动态模型,以便减少粒子维数粒子的数量;其次,在Mean Shift算法中核函数在目标特性的直方图表示的基础上来构建系统的观测值的获取;最后,利用Mean Shift算法的聚类作用,将粒子聚集在真实位置的区域以便更加靠近其跟踪目标;实验结果表明,验证了该算法在视频目标跟踪中,能够有效跟踪运动目标,满足实时性要求,明显优于传统的Mean Shift目标跟踪算法,减少了计算量,有助于提高其跟踪精度。     

Object tracking using SIFT features and mean shift

A scale invariant feature transform (SIFT) based mean shift algorithm is presented for object tracking in real scenarios. SIFT features are used to correspond the region of interests across frames. Meanwhile, mean shift is applied to conduct similarity search via color histograms. The probability distributions from these two measurements are evaluated in an expectation–maximization scheme so as to achieve maximum likelihood estimation of similar regions. This mutual support mechanism can lead to consistent tracking performance if one of the two measurements becomes unstable. Experimental work demonstrates that the proposed mean shift/SIFT strategy improves the tracking performance of the classical mean shift and SIFT tracking algorithms in complicated real scenarios.     

基于运动目标特征的关键帧提取算法

针对运动类视频特征不易提取且其关键帧结果中易产生较多漏检帧的问题,提出基于运动目标特征的关键帧提取算法。该算法在强调运动目标特征的同时弱化背景特征,从而防止由于运动目标过小而背景占据视频画面主要内容所导致的漏检和冗余现象。根据视频帧熵值将颜色变化明显的帧作为部分关键帧,对颜色未发生突变的帧根据运动物体的尺度不变特征变换（SIFT）获得帧内运动目标的特征点;最后分别根据帧熵值及运动物体SIFT点分布提取视频关键帧。实验表明该算法所得关键帧结果集不仅漏检率较低且能够准确地表达原视频内容。     

A robust multimedia surveillance system for people counting

Closed circuit television cameras (CCTV) are widely used in monitoring. This paper presents an intelligent CCTV crowd counting system based on two algorithms that estimate the density of each pixel in each frame and use it as a basis for counting people. One algorithm uses scale-invariant feature transform (SIFT) features and clustering to represent pixels of frames (SIFT algorithm) and the other uses features from accelerated segment test (FAST) corner points with SIFT features (SIFT-FAST algorithm). Each algorithm is designed using a novel combination of pixel-wise, motion-region, grid map, background segmentation using Gaussian mixture model (GMM) and edge detection. A fusion technique is proposed and used to validate the accuracy by combining the result of the algorithms at frame level. The proposed system is more practical than the state of the art regression methods because it is trained with a small number of frames so it is relatively easy to deploy. In addition, it reduces the training error, set-up time, cost and open the door to develop more accurate people detection methods. The University of California (UCSD) and Mall datasets have been used to test the proposed algorithms. The mean deviation error, mean squared error and the mean absolute error of the proposed system are less than 0.1, 16.5 and 3.1, respectively, for the Mall dataset and less than 0.07, 5.5 and 1.9, respectively, for UCSD dataset.

     

基于改进SIFT算法的粒子滤波目标跟踪

为解决传统尺度不变特征变换(SIFT)算法在光照变化和遮挡的情况下,不能快速准确跟踪目标的问题,提出一种采用粒子滤波和SIFT建立目标模型的方法,利用粒子滤波预测目标在当前帧中可能的位置。计算目标可能存在的区域SIFT特征点,构建特征描述向量,进行目标匹配。根据目标模型和目标候选区域中SIFT特征点的匹配情况,在跟踪过程中更新特征描述向量,实现目标跟踪。实验结果证明,该算法可提高目标检测和跟踪的速度以及准确性。     

均值漂移算法中的目标模型更新方法研究

均值漂移(Mean shift)是一种鲁棒的快速模式匹配算法, 但该算法框架下现有的整体模型更新策略不足以对场景中目标外观变化、遮挡等情况进行有效处理. 为此, 本文提出了一种Mean shift框架下的选择性子模型更新策略, 将特征模型中的每个分量作为单独个体, 基于每个分量的匹配贡献度, 分别选择当前帧中需要更新的子模型分量及其更新权值. 实验结果表明本文算法具有比整体模型更新策略更好的跟踪鲁棒性.     

一种结合ORB特征匹配的均值漂移目标跟踪算法

针对传统的mean-shift跟踪算法基于单一颜色特征空间,在复杂背景下难以对目标进行准确跟踪这问题,提出了一种结合ORB特征匹配的mean-shift目标跟踪算法。该算法在mean-shift算法的基础上利用改进的ORB特征匹配算法修正目标跟踪窗口并实时更新目标特征模板,通过计算前后两帧图像中目标中心的欧式距离与色彩模板的巴氏距离来判定跟踪是否失败,当目标跟踪失败时,不改变目标模板,继续搜索下一帧图像中的目标。实验结果表明,与均值漂移算法和基于其他同类特征的改进算法相比,该算法提高了在复杂背景下目标跟踪的精度,并能满足实时性要求。     

基于KCF和SIFT特征的抗遮挡目标跟踪算法

为了解决KCF目标跟踪中由于目标遮挡和目标尺度的变化造成跟踪目标丢失的问题,对核相关滤波器(KCF)目标跟踪的框架进行了研究,提出了一种基于KCF和SIFT特征的抗遮挡目标跟踪算法,引入了一种目标跟踪丢失后重新搜索定位目标的策略。利用尺度金字塔估计出目标的尺度,实现跟踪框自适应目标尺度大小,通过核相关滤波器(KCF)跟踪算法对目标进行跟踪。跟踪过程中对目标遮挡情况进行判断,当目标遮挡时,对当前帧跟踪框内的目标提取SIFT特征,生成模板特征。提取下一帧视频图像的SIFT特征并与模板特征进行匹配,框出与模板特征相匹配的目标,对目标继续进行跟踪。通过TB数据库标准视频序列和实际环境拍摄的视频序列进行测试。实验结果表明,跟踪框能适应目标的大小,在目标发生遮挡的情况下,能够重新找到目标并进行准确跟踪。     

基于SIFT特征目标跟踪算法研究

在尺度不变特征变换(Scale invariant feature transform, SIFT)特征匹配算法的基础上, 提出了一种基于累积特征的多目标的跟踪算法, 通过对目标的SIFT特征进行实时更新来去除由噪声(或形变)带来的``过时'特征信息, 保证了特征的稳定, 提高了匹配准确度. 实验结果表明, 本算法能够有效处理目标由于旋转、 形变而导致跟踪性能下降甚至跟踪目标丢失的问题, 同时对跟踪过程中多目标的关联, 也具有较好的鲁棒性.     

基于特征点的视频流拼接帧选择优化算法

提出了一种具有公共视野的视频流拼接中视频帧的选择优化算法,算法计算候选帧与基准帧特征匹配对的特征向量差值的算术均值,选择均值最小的候选帧作为最佳拼接帧,与基准帧进行拼接.实验结果表明,基于该算法拼接的视频流全景视图效果较好,算法很好地解决了视频流拼接中最佳拼接帧的自动选择问题.