视频序列图像中的人脸检测与跟踪

目标检测与跟踪是计算机视觉领域最普遍和关键的问题之一。基于级联结构的AdaBoost算法和基于色彩的Camshift算法,目前被认为是较有效的检测和跟踪算法,结合AdaBoost、Camshift算法和Kalman滤波器实现,对视频序列图像中多角度人脸的实时检测与跟踪,并针对AdaBoost训练耗时问题提出了改进。     

基于预测型人脸跟踪的人机接口

实现了一种新颖人机接口方法。首先,利用Adaboost算法进行快速人脸检测和定位,然后通过Canny滤波获取精确的人脸区域建立肤色直方图模型。其次,使用Camshift算法计算人脸跟踪窗口的位置和大小。然后用二维Kalman滤波预测人脸的位置,增加跟踪速度。最后,人脸的三维自由度运动分别被用作控制电脑游戏角色的6种运动。通过实验,验证了此方法的实用性和有效性。     

视频序列中运动目标的检测与跟踪方法

提出了一种视频序列中运动目标的检测与跟踪算法,该算法采用基于码本背景建模的减背景法与差分法相结合的算法,实现对运动目标的快速精确的检测与提取,也能够在存在前景运动的过程中提取背景,使用卡尔曼滤波对运动目标在下一帧中最可能出现的位置进行估计,在此基础上利用Camshift跟踪算法进行较小范围的搜索和目标匹配,减少了运算量、节约了搜索和匹配的时间、提高了跟踪的速度。实验证明该方法具有一定的实用性。     

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Camshift和SIFT线性融合的目标跟踪算法研究

Camshift算法是对MeanShift算法的改进,它可以解决目标尺度缩放、持续跟踪等问题。但是当目标颜色与背景颜色接近或者目标遇到旋转问题时,Camshift算法容易失效。而SIFT算子对旋转、亮度变化保持不变性,对颜色相近也保持一定的稳定性,所以本文提出一种Camshift与SIFT算子线性融合的目标跟踪算法。首先利用Camshift算法来对目标进行初步的跟踪,得到跟踪区域,再利用SIFT特征向量来匹配目标区域与跟踪区域,得到SIFT的匹配和校正结果,再将两种算法的结果进行线性融合,得到最终的跟踪结果。实验结果表明,本文提出的方法可以有效地解决跟踪过程中出现的旋转、颜色相近等问题。     

基于状态分割的运动目标实时跟踪

针对基于云台的移动式摄像头视频监控系统,为准确、实时地对运动目标实施检测、跟踪,提出了一种基于状态分割思想的运动目标实时跟踪方法。该方法将运动目标检测跟踪过程按摄像头的运动状态分为静止、运动2个阶段。在摄像头静止阶段,采用基于混合高斯模型的背景差法检测运动目标,提取目标的颜色特征信息;在摄像头运动阶段,采用Camshift算法对运动目标进行跟踪。开发了基于 OpenCV 开源库的算法程序。实验结果表明,在目标颜色特征显著的情况下,该方法实现了移动式摄像头对运动目标的精确跟踪,并具有较好的鲁棒性和实时性。      

联合YOLO和Camshift的目标跟踪算法研究

为了解决传统目标跟踪算法在有遮挡后无法准确跟踪的问题,提出了将YOLO和Camshift算法相联合的目标跟踪算法.基于YOLO网络结构来构建目标检测的模型,在模型构建之前,采用图像增强的方法对视频帧进行预处理,在保留视频帧中足够图像信息的同时,提高图像质量,降低YOLO算法的时间复杂度.用YOLO算法确定出目标,完成对目标跟踪的初始化.根据目标的位置信息使用Camshift算法对后续的视频帧进行处理,并对每一帧的目标进行更新,从而可以保证不断调整跟踪窗口位置,适应目标的移动.实验结果表明,所提的方法能够有效地克服目标被遮挡后跟踪丢失的问题,具有很好的鲁棒性.     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

基于改进的Camshift运动目标跟踪算法的研究

针对基于颜色概率分布的连续自适应均值漂移算法(Camshift)跟踪算法在背景中出现相同颜色干扰时容易致使跟踪目标失败的问题,提出了一种改进的Camshift跟踪算法。首先对Camshift跟踪目标前进行目标检测,通过帧差法、光流法、背景差分法三种检测算法对比,采用背景差分法得到的运动目标区域矩形特征参数作为Camshift的初始化参数,取代一般Camshift算法利用颜色特征的跟踪。最后对改进的算法和一般Camshift进行仿真对比实验。实验结果表明,结合背景差分法和连续Camshift算法的运动目标跟踪在一定程度上满足了实时性与稳定性的要求。     

直线段与B样条曲线的一种新的双向裁剪迭代求交算法

本文根据B样条曲线的性质与线段的半平面方程的特性,研讨了B样条曲线与直线段的相交性问题,提出了有关这类线段相交性的判别准则及其求交新算法。该方法能避免大量的无效求交计算,并大大提高了求交效率。