基于Mean Shift 滤波的织物疵点检测方法

为了实现自动织物疵点检测,提出了一种基于Mean Shift滤波的织物疵点检测方法。该算法首先求取织物样本的熵图像,反映原始图像信息的变化程度,然后对熵图像进行Mean Shift平滑滤波,达到去除噪声和增强织物疵点部分的目的,从而利于疵点的分割,最后对滤波后的图像进行阈值分割,得到二值化检测结果。对6种纹理织物进行处理,共检测出18种疵点,92.5%的疵点可以被成功检测并定位。另外,实验中还将Mean Shift滤波与Gabor滤波的检测结果进行了比较,结果表明Mean Shift滤波对某些类型的疵点的检测效果更为理想。     

基于目标跟踪的交互多模型kalman滤波算法研究

针对运动目标跟踪的过程中,运动轨迹发生改变或运动过程出现目标遮挡时,传统的跟踪算法容易出现跟踪丢失或跟踪效果较差等情况,文章提出了一种基于交互多模型Kalman滤波算法和Meanshift滤波算法的融合方法,对运动目标进行位置预测估计,解决目标遮挡问题,提高目标跟踪精度。实验结果证明,该改进算法能够有效地进行目标定位跟踪,并且具有快速性。     

基于显著特征区域和条件随机场的目标跟踪

针对目标跟踪中的遮挡问题,提出一种基于局部显著特征区域和条件随机场模型(CRF)的跟踪算法。利用目标区域中的显著特征区域相互之间的空间位置关系以及时间域上相邻区域的影响,并结合各个显著特征区域自身的局部信息建立目标的CRF模型;利用CRF模型对 Mean Shift算法的跟踪结果进行概率推断,融合各个显著特征区域的权重,精确定位运动目标的最终位置。在多个视频序列上的实验结果表明,与改进的 MS算法、粒子滤波算法以及分块跟踪方法相比,文中算法具有较高的跟踪精度;尤其是当目标被遮挡时,该算法具有较好的跟踪鲁棒性。该算法充分利用了显著特征区域自身的局部特征和区域之间的空间结构信息以及各个显著特征区域在时间域上的约束条件,能够实现复杂情况下的运动目标的鲁棒跟踪。     

遮挡情况下基于卡尔曼滤波的运动目标跟踪

传统的Camshift算法在跟踪的目标发生遮挡时容易导致跟踪失败,针对这种情况提出将Kalman滤波与Camshift相融合的算法.在运动的跟踪目标出现遮挡的情况下,根据Camshift算法得到的运动目标在上一帧的运动参数,利用卡尔曼滤波对当前帧运动目标的参数进行预测,从而保证了实时跟踪.实验对动态遮挡和静态遮挡两种情...     

一种尺度自适应的Mean shift跟踪算法

随着人工智能、数字图像处理、模式识别等领域的突飞猛进的发展,智能视频监控日益成为一门应用广泛的综合性学科,其中目标跟踪技术该领域中一个具有重要研究意义的课题。基于传统Mean shift跟踪算法尺度变化易受干扰情况。本文采用一种尺度自适应的Mean shift算法,提出了通过相似度比较更新带宽的新方法。分别计算当前帧和前一帧中中心像素点、边缘像素的相似度函数ρ12,ρ′12,通过比较两者大小判断出目标尺度变化情况,以实现尺度更新。通过试验证明该种方法对于目标尺度更新有更好的效果。     

结合SURF与Kalman滤波的CAMShift跟踪算法

针对传统的CAMShift目标跟踪算法,在出现颜色干扰,遮挡等复杂背景中容易跟丢的问题,提出了一种结合SURF特征匹配与Kalman滤波的CAMShift跟踪算法。该算法利用CAMShift算法跟踪得到的候选目标与模板目标的色度和梯度方向的综合直方图比较计算得到的Bhattacharyya系数作为判定依据,当系数大于给定阈值时,采用SURF算法对搜索窗口和上一帧跟踪结果进行特征匹配,重新计算目标的大小和位置。同时为了避免目标快速运动时跟踪失败和减少SURF匹配的计算量,利用Kalman滤波对运动目标窗口进行预测更新以确定下一帧搜索窗口的中心位置。实验表明,该算法在图像背景复杂,出现颜色干扰以及部分遮挡时能够稳定跟踪,其跟踪速度与结合SURF的CAMShift算法相比有显著提高。     

基于K-S检验的直方图匹配目标跟踪算法

为了快速准确跟踪运动目标,提出了基于K-S（kolmogorov-smirnov）检验的直方图匹配目标跟踪算法。将直方图信息作为模板,通过Kalman滤波原理预测出目标下一时刻的可能出现位置,以该位置为中心确定一个搜索范围,在搜索范围内判别直方图的相似性并进行模板匹配,在当前图像中跟踪目标。结果表明,基于K-S检验的直方图匹配方法可减小搜索范围,利用Kalman滤波预测目标的位置,在预测位置附近进行模板匹配,可有效减少模板匹配的遍历时间,提高目标实时跟踪效率。     

一种扩展带权值的Mean shift跟踪算法

随着人工智能、数字图像处理、模式识别等领域的突飞猛进的发展,智能视频监控日益成为一门应用广泛的综合性学科,其中目标跟踪技术该领域中一个具有重要研究意义的课题。基于传统Mean shift跟踪算法易受到遮挡、背景信息干扰等情况。提出一种扩展的Mean shift算法,它是将纹理和背景权重相结合,采用LBP8,1中5种特征来表示目标纹理,再引入背景加权因子,使得跟踪精度提高明显。通过试验证明该种方法对于目标跟踪有很好的效果。     

基于改进TLD的运动目标跟踪算法研究

针对TLD目标跟踪算法在实际跟踪过程中会受到遮挡、旋转、运动模糊等问题的影响,提出了一种改进的TLD算法,在跟踪模块中引入改进FAST角点算法,并在检测模块中建立随机切块的数据增强方法下的正样本库,引入旋转不变LBP算法,设计了一个旋转不变性的分类器。跟踪模块的改进不仅保证了算法的准确度,还提升了算法的实时性。检测模块的改进使得TLD算法即使在运动目标部分被遮挡或发生形态改变的情况下依旧有很好的跟踪效果。对数据集OTB 2013进行实验验证发现,本文算法与其他5种算法相比,不仅跟踪精确度高、运行速度快,还能有效提高运动目标被遮挡时的跟踪效果。     

基于拟蒙特卡洛滤波的改进式粒子滤波目标跟踪算法

单摄像机视觉跟踪过程中,常发生目标被遮挡或背景复杂的情况,此时容易跟丢目标,为了提高跟踪的准确性。从目标表现和背景的不确定性入手,以协方差特征对目标表现以及背景进行建模,应用到到粒子滤波的框架中,优化采样粒子的分布,在估计粒子的权重时,不仅考虑目标的真实状态和可能状态的相似性,还考虑了目标可能的状态和背景的差异.将提出的算法与粒子滤波,均值漂移,基于协方差概率跟踪算法进行比较,通过MATLAB2010编程平台,比较了几种算法的处理速度以及跟踪误差,试验结果表明,提出的算法每秒处理速度为60帧/s,优于上述3种跟踪算法平均误差值也高于另外3种算法。所提出算法在目标存在遮挡和背景较为复杂时,能够保证对目标进行准确,连续的跟踪。     

基于循环相关滤波算法的复杂背景目标跟踪方法研究

为了实现在复杂情况中对特定目标的路线跟踪,主要研究了基于循环相关滤波器的目标跟踪算法,并针对复杂环境情况下影响跟踪性能的条件进行分析比较。该算法是一种基于线性分类器的监督学习算法,通过添加空间正则化分量减少边界效应,提取准确目标。在OTB-50和OTB-100数据集上进行算法验证,实验表明,该算法的跟踪结果优于其他算法,在快速移动、背景杂乱、光照变化、遮挡、移出视线和运动模糊6种复杂情况下跟踪准确度比传统算法均高出0.1以上。     

基于改进Camshift与Kalman滤波融合的领航车辆跟踪算法

针对智能车辆在对前方领航车辆进行视觉跟踪时,传统的Camshift算法容易受目标突然变速、相似颜色背景或目标干扰的问题,提出一种基于改进Camshift与Kalman滤波融合的领航车辆跟踪算法.该算法通过提取目标模板的色度、饱和度和Canny边缘梯度幅值3个特征分量,建立三维直方图并对其反向投影进行跟踪,同时采用Bha...     

一种快速运动目标检测与跟踪算法

运动目标的检测与跟踪是计算机视觉和图像编码研究的主要内容,有着广泛的应用领域。基于光流场的检测与跟踪是其常用的方法之一,但其计算结果和效率是不能令人满意的。提出了基于帧间差阈值法和光流场相结合的快速运动目标检测与跟踪算法,计算结果表明该算法简单实用、运算速度快,克服了单纯光流场方法的不足。     

基于强跟踪UKF的视频目标跟踪算法

针对无迹卡尔曼滤波（unscented Kalman filter ,UKF）在非线性系统状态估计中存在的跟踪缓慢和稳态偏差问题,提出一种基于强跟踪UKF的视频目标跟踪算法。该算法以无迹变换（unscented transform ,UT）为基础,结合强跟踪滤波器和UKF滤波器的优点,在状态预测协方差矩阵中引入时变渐消因子调节卡尔曼增益,强迫输出残差序列保持正交,并提取残差序列的有效信息,提高滤波器对状态变化的跟踪能力。仿真结果表明,利用强跟踪UKF算法对视频中的运动目标进行跟踪,具有更高的跟踪精度,状态滤波均方误差更小。     

基于信息融合的运动目标跟踪算法

针对复杂背景下目标遮挡后跟踪不稳定的问题,提出了一种在粒子滤波框架下融合异类信息进行目标跟踪的算法.该方法建立了声源特征模型和颜色特征模型,在此基础上将声音信息和图像的颜色信息融合到粒子滤波跟踪算法中,通过粒子更新策略实现跟踪.实验结果表明与基于单一特征的跟踪算法相比均方误差降低了18.3%.在低信噪比情况下,该算法更...     

基于改进粒子滤波的空间红外小目标跟踪方法

为有效跟踪空间红外小目标,常采用基于粒子滤波的检测跟踪算法。粒子滤波中,防止粒子退化的两个关键因素是选择合理的建议分布和重采样算法。在对重采样算法研究的基础上,提出了以有效粒子数作为阈值进行模型切换,分别利用残差重采样和系统重采样的优势,将两种采样模型有机结合,从而得到一种自适应的残差系统重采样（RSR）算法。实验结果表明,所提出的改进重采样算法在时间和跟踪精度上均优于经典重采样算法,有效地提高了空间红外小目标跟踪的效率和稳定性。     

基于FPGA的动态目标识别与跟踪系统设计

为满足动态目标识别与跟踪系统对实时性、低功耗和小型化的要求，设计了一种以FPGA为核心的电路系统，辅以OV7670视频采集模块和VGA接口显示器，实现对视频图像进行采集、处理、矩形框标识，最终实现对动态的识别、跟踪和显示。其中，对图像的处理部分由FPGA完成，包括缓存、灰度处理、改进的位运算中值滤波、背景前景分离、帧间差分法与背景差分法融合进行运动目标检测与跟踪等，充分利用FPGA的高速并行处理的特点，结合片内RAM高速处理和片外SDRAM大容量特性，实现对视频数据的处理和存储。同时，系统具有抗干扰性较强、小巧、灵活、低功耗、通用性及可扩展性强等特点，既适合工业领域，又适合家居使用。     

多特征融合与卡尔曼预测的车辆跟踪算法

为了解决道路中背景光照变化和部分遮挡条件下单特征跟踪失败的问题,提出了一种基于多特征融合与卡尔曼预测的车辆跟踪算法。多特征融合包括：跟踪车辆的颜色、边缘、纹理,使用颜色直方图描述颜色分布情况,使用具有旋转不变性的局部二值模式(LBP)描述纹理分布特征,使用改进的Canny算子计算边缘分布信息,建立特征融合函数,利用平均峰值相关能量构造本次跟踪的最佳特征描述。在车辆跟踪过程中相邻两帧之间的特征匹配大于设定阈值时,判定有遮挡,跟踪中断,使用卡尔曼滤波预测当前位置,最后通过不同的实验证明了算法的有效性。     

一种基于特征融合的点特征目标跟踪算法

联合目标的颜色和纹理特征,构造了由目标的颜色和纹理特征联合表示的特征点目标表示模型,利用Mahalanobis距离构造特征点匹配函数,利用自适应kalman滤波(AKF)算法预测特征点在下一帧图像中的位置,通过特征点匹配准确定位目标,达到实时、准确跟踪的目的。实验表明,该方法对于光线变化,目标形状相似以及目标被部分遮挡时的跟踪是有效和稳健的。