网络视频监控中运动目标跟踪方法改进

针对传统的基于Kalman滤波的MeanShift跟踪算法目标运动速度突然改变时跟踪丢失的问题,在Kalman滤波器中引入加速度项使跟踪保持稳定;为了提高Camshift跟踪算法的实时性,使用简化的Camshift算法自适应调整跟踪窗口尺寸。实验结果表明2种改进分别提高了速度突变时跟踪准确性和目标跟踪的实时性,适合网络视频监控场景。     

基于图像处理的三峡库区水域水华检测算法及预警研究

针对传统水华监测方法存在的过分依赖人工操作、实时性差、成本高、普及性差、主观性大、劳动强度大等缺陷,提出了一种可以自动检测三峡库区水域水华现象的图像处理算法,并将该算法应用于库区水域水华预警。即利用历史数据建立颜色先验模型,运用改进的Camshift算法检测水华区域,通过区域面积的变化分析水华灾情趋势,并建立水华预警模型进而对水华预警。实验结果表明该算法应用于水面视频监控可以自动检测出水华区域并有效地对水华实时预警。     

基于Camshift的多特征自适应融合船舶跟踪算法

基于航道内船舶监控图像序列的多目标跟踪技术是开展船撞主动预警,提升桥区船舶通航安全的前提.基于颜色直方图的Camshift跟踪算法在复杂气象条件下无法得到准确的跟踪结果,本文提出了一种多特征自适应融合的多目标跟踪算法.该算法的目标模型由颜色、形状及纹理多特征自适应融合实现,增加了描述目标模型的可靠性和鲁棒性;在跟踪目标...     

基于无线多媒体传感器网络的目标定位方法

根据无线多媒体传感器网络(WMSN)多节点合作处理的特点,提出简化定标场景的单节点和双节点目标定位方法.通过使用带颜色的辅助定标物标定特殊点位置,采用CamShift算法实现辅助标定物的颜色追踪,获得特殊点的像素坐标.利用节点监控区域特殊点的位置坐标获取摄像机的参数矩阵,通过布置2个具有平移特性的节点,获取运动目标的三维坐标.实验表明,单节点平面定位最大误差为1216 cm,双节点平面定位最大误差为1369 cm,双节点高度定位误差为3～5 cm.通过观察二维平面误差曲面,大多数节点的定位误差能够满足无线多媒体传感器网络目标跟踪的需要,算法复杂度低,实现过程简单.     

基于改进Camshift算法的视频对象跟踪方法

针对Camshift算法限于简单背景下跟踪特定颜色目标的局限性,提出一种改进的Camshift算法.首先在HSV色彩空间建立目标的背景加权三维直方图,将视频图像转化成颜色概率图,然后结合颜色概率分布图与差分图像,根据目标运动速率大小自适应的赋予两者不同的权重,实现了复杂背景下的目标跟踪.实验结果表明,该方法是十分有效的.     

多特征融合的Camshift算法及其进一步改进

基于颜色核的Camshift算法可以有效实现简单场景下的目标跟踪,但在光线变化明显或目标与背景颜色相近的场景下易受干扰。为此,采用颜色、边缘梯度、纹理等多个特征自适应融合的方式改进算法,提高算法应对光线变化的能力;并通过修正特征直方图、设置合理搜索范围对算法进行进一步改进,解决相似背景的干扰问题。实验结果显示,在光照变化明显或目标与背景特征相近的场景中,改进的算法与传统算法相比具有更高的跟踪精度。     

基于NMI特征的Auto-Camshift算法及其应用

基于NMI特征及Camshift算法，提出了扩展Auto-Camshift算法，该算法分割得到目标物体，分别对每个物体进行Camshift运算，同时结合了物体归一化转动惯量特征对物体进行学习和辨认。该算法同Camshaft相比，增加了归一化转动惯量NMI这一以目标不变特征为识别基础的特征，同时实现了多物体识别、自主学习。在“富莱德”机器人系统上的试验结果证明所提供的算法在学习和识别系统中有很好的鲁棒性和实时性。     

基于Camshift自适应多特征模板的视频目标跟踪

Camshift算法实时性高,计算量小,在目标跟踪领域应用效果良好。但其仅依靠颜色模型的特点使得在噪声大、照度不均的井下视频目标跟踪中易造成目标丢失。通过在Camshift基础上建立多特征融合的模板自适应更新算法,实现边缘、纹理等特征的融合,制定特征贡献度规则,在环境变化时根据不同特征贡献度的不同自适应分配权重,更新模板。实验结果表明：新算法抗干扰能力强,特征间互补不足,跟踪准确,在煤矿复杂环境井下视频目标跟踪中有良好应用前景。     

A comparative study on face detection and tracking algorithms

Face localization is the first stage in many vision based applications and in human-computer interaction. The problem is to define the face location of a person in a color image. The four boosted classifiers embbeded in OpenCV, based on Haar-like features, are compared in terms of speed and efficiency. Skin color distribution is estimated using a non parametric approach. To avoid drifting in color estimate, this model is not updated during the sequence but renewed whenever the face is detected again, that gives the ability to our system to cope with different lighting conditions in a more robust way. Skin color model is then used to localize the face represented by an ellipse: connected component segmentation and a statistical approach, namely the coupled Camshift of Bradsky, are compared in terms of efficiency and speed. The pursuit algorithms are tested on various video sequences, corresponding to various scenarios in terms of illumination, face pose, face size and background complexity (distractor effects).     

基于Camshift与Kalman的目标跟踪算法

针对目标跟踪复杂的难点,提出了一种比较实用的跟踪方法。采用基于颜色概率分布的Camshift算法进行目标跟踪的同时,引入卡尔曼滤波,并给出模型参数。在目标发生遮挡时,使用卡尔曼滤波对目标运动状态进行估计。实验表明,算法能够对目标进行持续、稳定的跟踪。