一种基于运动矢量分析的Mean shift目标跟踪算法

Mean shift算法作为一种非参密度估计算法,目前已被广泛应用于视频运动目标的跟踪。该算法具有运算效率快,对目标变形、旋转不敏感,在部分遮挡的情况下有一定鲁棒性等特点,但该算法在运动目标速度过快的情况下,由于没有考虑利用目标的运动方向和速度信息,因此在跟踪快速运动目标时容易造成跟踪丢失。针对此问题,提出了一种基于运动矢量分析与Mean shift跟踪算法相结合的新方法,即首先对视频编码过程中产生的运动矢量进行概率统计分析,以获取目标运动方向与运动速度的估计值,再以此修正Mean shift运动候选区域的中心位置,使每次搜索开始时,候选中心位置更接近实际目标中心位置。通过与传统的Mean shift算法的跟踪实验比较可见,新算法不仅提高了快速运动目标跟踪的精度,而且减少了算法的搜索迭代次数,从而提高了运算效率。该算法可适用于智能视频监控设备中的视频编码与目标跟踪同时计算的情况,实验结果表明,该算法是有效可行的。     

模糊自适应运动目标跟踪算法

运动目标在跟踪过程中往往伴随着尺度、形状的变化,Mean shift跟踪算法由于采用固定的核窗宽度进行运动目标跟踪,因而它本身不能适应这种变化。针对Mean shift算法存在的缺点,提出一种基于模糊推理的自适应Mean shift跟踪算法,该算法利用卡尔曼滤波算法对目标当前位置进行预测;设计模糊判定准则在线调整目标尺度值,利用Mean shift迭代运算逐步逼近目标完成跟踪;利用相似度和置信度系数设计模型更新准则,以实现模板的自适应更新。实验结果证明,该算法能够适应目标尺度和背景的变化,较普通的Mean shift跟踪算法不仅跟踪精度提高,而且鲁棒性更强。     

基于Mean shift和轨迹预测的目标跟踪算法

针对目标跟踪过程中出现的定位偏差问题,提出了Mean shift和轨迹预测相结合的运动目标跟踪算法.该算法首先根据目标已知位置信息采用最小二乘法拟合运动轨迹并得到预测位置,然后利用Mean shift算法得到目标最终位置.通过计算搜索误差判断是否发生严重遮挡情况,并给出相应处理策略.进行了一系列实验,验证了算法的有效性,并将实验结果与其他算法比较,表明该算法有效地提高了快速运动目标跟踪的精度,具有较强的鲁棒性.     

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.     

结合粒子滤波与Mean shift的高速运动目标跟踪

Mean shift跟踪算法能够有效跟踪视频序列中的各种运动目标,但是该算法无法准确地跟踪视频中高速运动目标.通过分析mean shift算法的原理,指出mean shift对高速运动目标跟踪失效的原因,提出一种基于mean shift的粒子滤波跟踪的新算法.通过实验比较,该算法能改善了Mean shift算法对高速运动目标的效果,并且在存在干扰目标的情况下具备良好的跟踪效果.     

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。     

一种基于目标和背景加权的目标跟踪方法

Mean shift算法在实际应用中,若目标部分被遮挡或有背景因素干扰,则跟踪精度会降低.鉴于此,将背景和目标本身分别进行加权,通过背景加权改善对目标特征的描述,对目标的不同部位赋予大小不等的权值,有效地提高了Bhattacharyya系数值.从原算法对目标模型的描述出发,将其加入到Mean shift算法的数学模型表达式中.通过算法改进前后的实验结果以及跟踪偏差和迭代次数的比较发现,跟踪效果得到了明显改善.     

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.

     

基于Mean Shift算法的目标跟踪综述

介绍Mean Shift算法及其研究进展,在众多计算机视觉研究和实际应用,尤其是视频跟踪研究中,基于Mean Shift算法的视频跟踪被大量应用。就目前所应用的跟踪算法,Mean Shift算法使跟踪中存在的很多问题得到了解决,例如运动目标的突然加速,背景的干扰,目标和目标以及目标和背景之间的遮挡,背景或者目标外部的变化等。对目前基于Mean Shift算法本身及其改进方法的理论和应用进行分类和比较,详述其各自方法内容和优缺点。     

基于Kinect的手势跟踪概述

综述了当前基于Kinect手势跟踪的几种代表性方法:基于轮廓和特征匹配运动目标跟踪算法、均值漂移跟踪算法、连续自适应均值漂移跟踪算法、卡尔曼滤波跟踪算法以及粒子滤波跟踪算法,分析其特点及相互关系,详细探讨了各方法的优缺点.最后对手势跟踪发展趋势作出了展望.     

基于Mean-Shift和NMI特征的人眼跟踪*

为了减少姿态和光照变化对跟踪造成偏差,并兼顾到实时应用,提出一种级联的二次定位算法用于人眼跟踪。级联的二次定位算法由Mean-Shift迭代的空间定位和NMI特征识别的尺度定位构成。该算法较传统的人眼跟踪算法对姿态和光照变化有更好地适应性和健壮性。实验结果验证了该方法的有效性。     

基于梯度特征与彩色特征相融合的mean shift跟踪方法

针对mean shift跟踪方法中存在的光照变化不稳定问题,提出了基于梯度特征与彩色特征相融合的mean shift跟踪方法。首先分别提取目标的梯度特征和彩色特征,利用多尺度的相似度计算方法进行特征的匹配,然后通过最大化相似度对目标进行跟踪。通过物体和人体等运动目标的跟踪,验证了改进的跟踪算法在光照变化情况下的鲁棒性优于原有的算法,显著降低了跟踪位置误差。     

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。     

基于改进型LTP的均值漂移目标跟踪算法

提出一种使用改进型LTP特征与颜色特征融合的均值漂移(Mean Shift)目标跟踪算法,该算法解决了均值漂移目标跟踪算法在变化的光强场景下跟踪难的问题。首先针对LTP模式过多的问题引入旋转不变的LTP模式,然后提出动态计算LTP算子阈值的方法,之后将改进的LTP特征与颜色特征通过自适应函数融合起来并嵌入均值漂移算法中。在变光强场景下与传统目标跟踪算法相比较,此算法跟踪结果明显优于其他算法,且鲁棒性较好。     

基于自适应阈值Kirsch-LBP纹理特征的均值漂移目标跟踪算法

针对以颜色特征建立概率模型的Mean Shift目标跟踪算法在光线变化时存在的缺陷,提出了一种融合 改进型纹理特征与HSV颜色特征的Mean Shift目标跟踪算法。首先,设计一种具有抗光性能的自适应阈值Kirsch-LBP纹理特征算子,该算子利用Kirsch算子的8个方向模板所求的差值,并采用LBP模板均值作为自适应阈值,再按照旋转不变LBP原理提取局部纹理特征;其次,利用不同特征相似性系数间的关系作为加权准则来构建新的权重;最后,将其嵌入到Mean Shift算法中以实现目标跟踪。对比实验结果表明,本算法在光线变化场景中也具有良好的目标跟踪特性,广泛适用于光照变化和姿态变化等复杂场景下的目标跟踪领域。     

基于达芬奇平台的运动目标跟踪算法

在运动目标跟踪过程中,考虑到达芬奇平台的数据处理能力,结合Vibe算法和Mean Shift算法的思想提出一种改进的运动目标跟踪算法,同时为了解决Vibe算法在目标由运动变为静止后遗留在前景图像中的鬼影难以消除的问题,对视频图像序列中的每个像素点建立前景计数器,根据前景计数器的值判断背景模型的更新速度。针对达芬奇平台对算法进行优化,把改进的运动目标跟踪算法移植到TMS320DM6467T达芬奇平台下进行处理,实验结果表明改进的算法具有良好的跟踪效果。     

基于双特征的多模块目标跟踪算法

针对运动目标在受到严重遮挡时难以被精确跟踪的问题,提出一种融合颜色和LBP (local binary pattern)纹理特征的多模块跟踪算法.综合考虑目标与背景的特征显著性和相似性两个因素建立比值关系进行量化分析,选取了能够最大程度区分前景目标和背景的颜色空间特征,并结合LBP纹理特征建立概率分布直方图.利用卡尔曼滤波器预测均值漂移算法的初始迭代位置.引入相似度因子来定义新的遮挡判决准则,自适应采用多模块模型进行跟踪.仿真实验结果表明了该算法的有效性.     

均值漂移目标跟踪的两级窗宽更新算法

目标尺度发生较大变化时,固定窗宽的均值漂移(Mean shift)目标跟踪算法不能进行有效跟踪。为此,提出一种两级更新的自适应窗宽计算方法。采用Mean shift跟踪算法对目标中心进行初次定位,并确定窗宽的大小,设置感兴趣区域,结合已建立的背景模型,在感兴趣区域内利用背景减除技术二次确定目标的中心及窗宽大小,通过比较2次目标区域与目标模型之间的Bhattacharyya系数,选择系数较大的区域作为最终跟踪窗口。实验结果表明,该方法能够对尺度变化明显的运动目标自适应确定跟踪窗宽,并减小传统Mean shift跟踪方法背景目标颜色对目标特征提取的影响。     

自适应均值漂移算法目标跟踪检测仿真研究

研究运动物体目标跟踪精确度问题,由于存在遮挡和多光源的噪声影响检测精度,而且运动目标的跟踪是在连续的图像帧间创建位置、速度、形状等存在匹配问题。传统的目标跟踪算法由于目标的动态移动速度大,而容易导致跟踪丢失目标。为了解决上述问题,提出了一种改进的基于自适应均值移动(Cam Shift)目标跟踪新算法。主要难点技术问题是提取了多运动目标视频图像,进行了背景分离。算法是一种颜色跟踪算法,根据多次迭代的计算结果,自适应调整图像,实现对运动目标的实时跟踪。仿真结果表明,提出的改进目标跟踪算法的跟踪精度和滤波效果有了较大提高,同时具有较强的鲁棒性能。