嵌入Kalman滤波的Camshift人体跟踪研究

针对复杂背景下Camshift算法跟踪运动人体容易丢失目标的情况,提出了一种Kalman滤波和Camshift算法相结合的改进算法。Camshift算法利用颜色直方图做反向投影得到色彩的概率分布图,利用初始化的搜索窗口和位置并结合上一帧跟踪结果自适应调整跟踪窗口从而跟踪人体。采用Kalman滤波可以对运动人体进行估计以克服复杂背景下色彩的干扰,同时对Camshift的迭代结果进行校正。实验表明,本文方法在复杂背景下能更好地跟踪运动人体目标。     

视颇监控系统中运动目标跟踪算法研究

针对Camshift跟踪算法无法适应目标的高速运动、背景复杂和遮档的情况,提出了一种改进算法.将Kim算法和卡尔曼滤波状态预测引入,用Kim算法提取运动目标区城信息,根据以往目标位置点的信息对当前帧中目标的可能位置预测,解决了传统Camshift算法的一些局限.实验表明改进算法在目标高速运动、遮档情况下,仍能进行有效跟...     

语音识别及其定点DSP实现

介绍了语音识别的基本原理和用定点数字信号处理器ADSP2181实现语音识别算法的一些原则和方法.     

一种Camshift优化的粒子滤波跟踪算法

针对传统粒子滤波目标跟踪算法中用先验转移概率作分布函数时计算量大、粒子退化严重且未考虑最新观察信息等缺点,提出了一种Camshift优化的粒子滤波跟踪算法.算法首先在粒子滤波框架下,利用Camshift算法使粒子向目标状态的最大后验核密度估计方向移动.然后针对目标所处环境的不同,提出了适时调整参与Camshift算法优化的粒子数的方法,既考虑了跟踪算法的效率又考虑了粒子的多样性.跟踪结果表明,该算法的跟踪性能明显优于传统的粒子滤波算法,具有很好的实时性和鲁棒性.     

显著性直方图模型的Camshift跟踪方法

针对在复杂背景下跟踪运动目标的要求,建立了目标的显著性直方图模型,提出了改进的连续自适应均值漂移(Camshift)跟踪方法.通过比较目标区与背景区的色调差异,计算目标不同色调等级的显著性值;基于加权的方式强化显著性色调在目标识别过程中的作用,弱化非显著性色调的作用,从而抑制背景区对目标识别的干扰.利用加权直方图模型反向投影,建立了跟踪图像的概率投影图,利用均值漂移方法完成目标跟踪任务.将该方法分别应用于标准测试库视频图像的跟踪以及实际运动目标的跟踪实验中并与传统方法进行了比较.结果显示,该方法能够利用显著性色调很好地将目标从背景中区分出来,在计算量增加不多、且满足电视跟踪系统实时性要求的情况下,提高了目标识别的准确性和稳定性,目标定位的最大偏差与被跟踪目标区的尺寸比小于25%,能够确保被跟踪目标不丢失.     

基于N-LBP纹理与色度信息的Camshift跟踪算法

基于颜色特征的运动目标跟踪算法容易受到光照非均匀变化或阴影的影响,如何利用多种特征联合构造目标模型以提升跟踪性能是一个关键问题.提出了一种新的特征融合运动目标跟踪算法,该算法基于局部二值模式(Local Binary Pattern,LBP)纹理特征,引入光照自适应的局部标准差构造二值模式门槛值,采用统一模式下的N-LBP纹理描述子构造特征直方图,并结合色度信息建立联合直方图,在Camshift算法框架内进行目标跟踪.实验证明,与传统Camshift算法相比,该算法在保证跟踪算法实时性能的同时,可以更好地克服阴影遮挡等导致的非均匀光照变化带来的影响,具有良好的跟踪效果.     

一种面向城市复杂路网最短路径提取的定向收敛算法*

为提高城市复杂路网最短路径提取的效率,针对路网数据量大、结构密集等特点,研究了路网节点之间最短路径的分布特征,通过引入收敛点方式,设计并实现了一种面向复杂路网最短路径快速提取的定向收敛算法。为检验该算法的有效性,利用某城市道路交通网络进行了实验和分析,并与Dijsktra算法、A*算法等比较,证实了该算法能够提高路径搜索效率,且随着城市路网规模的扩大定向收敛算法的高效性将愈加明显。     

一种时空域联合的机动视频目标精确跟踪方法

提出一种采用Bhattacharyya系数最大化并联合时空域信息的视频目标跟踪方法。时域通过卡尔曼滤波预测目标的运动信息,空域用Camshift算法精确匹配视频目标。由于运动目标机动性比较强,卡尔曼滤波预测的位置和真实位置存在较大的误差,容易导致下一步跟踪失败。采用基于Bhattacharyya系数的由粗到精的核匹配搜索方法,在卡尔曼滤波预测的位置基础上适当扩大搜索范围,通过Bhattacharyya系数最大化确定初始匹配窗口,再用Camshift算法精确匹配视频目标。实验证明该方法对机动快速运动目标具有很高的跟踪精度。     

基于Camshift和Particle Filter的小目标跟踪算法

Particle Filter算法有较好的跟踪鲁棒性,但实时性差;Camshift算法计算速度快,但它属于半自动跟踪,所以都无法有效避免复杂背景的干扰。为了解决上述问题,提出了基于Camshift和Particle Filter的融合算法。该算法首先利用Particle Filter来自动搜索小目标的初始位置,接着采用Camshift跟踪小目标,然后通过度量因子自适应切换Camshift和Particle Filter来跟踪短时丢失的目标。利用复杂背景下的飞行小目标图像序列,与序贯相似性检测算法（SSDA）、Camshift和Particle Filter做对比实验。结果表明算法不仅能实现小目标的全自动跟踪,而且还降低了跟踪效果受目标形变和部分遮挡的影响,对小目标跟踪具有较高的鲁棒性和实时性。     

基于OpenCV的人脸检测与跟踪

随着社会公共安全体系的逐步完善,基于人脸的智能视频监控技术在安全监控、视频分析以及人机交互等场合发挥出越来越重要的作用。传统的Camshift算法虽然能快速地跟踪运动目标,但它不仅需要手动设定跟踪的对象,而且当跟踪对象遇到遮挡和相同颜色障碍物干扰时很容易丢失目标。针对上述问题,在OpenCV的基础上,采用Adaboost,Camshift和Kalman滤波相融合的方法,实现了快速、自动和准确的人脸检测与跟踪。