结合Mean-Shift和Particle Filter的鲁棒跟踪算法

Mean-Shift算法在图像跟踪领域得到广泛应用．但有遮挡情况发生时．算法容易陷入局部最大值．Particle Filter作为一种基于贝叶斯估计的算法．在处理非线性运动目标跟踪问题上具有特殊的优势,但该算法计算量大,实时处理能力差。鉴于此,将两种算法相结合,提出一种以重要性函数为切入点将Mean-Shift和Particle Filter相结合的跟踪算法．首先利用Mean-Shift算法跟踪目标,利用目标与模板的相似性系数实时判断,当有遮挡发生时,算法转向Particle Filter进行后续跟踪。实验结果表明,该算法实时性强．跟踪效率高,具有很强的实用性．     

改进的单尺度Retinex及其在人脸识别中的应用*

为了提高在光照条件变化下的人脸识别率,提出一种改进的单尺度Retinex算法并用于人脸识别的光照预处理中.该算法通过非线性全局对比度增强对原图像增强,并利用Mean-Shift平滑滤波代替传统单尺度Retinex中的高斯滤波对光照估计,能够明显地消除单尺度Retinex算法中不能解决的光晕现象.在人脸库的实验表明,该算法不仅比直方图均衡化、Gamma校正、单尺度Retinex、多尺度Retinex算法具有更好的光照预处理效果,而且能够有效提高人脸识别率.     

万向椭圆描述的Mean-Shift算法

传统的Mean-Shift算法在目标跟踪过程中,由于跟踪窗口尺度固定而不能很好适应目标的尺度变化,当目标尺度减小时,目标区域所提取的特征向量包含过多的背景干扰信息,目标尺度增大会使跟踪窗口偏离目标的质心,降低跟踪的鲁棒性。为此文中采用万向椭圆的方式对目标区域进行描述,减少背景干扰信息以突出目标模型,提取椭圆区域的加权颜色直方图为目标特征,采用尺度加减法自适应调整椭圆区域的大小,并在跟踪过程中根据运动轨迹动态调整椭圆方向,以增强跟踪的准确性。实验结果表明万向椭圆能够更好地描述跟踪目标的尺度和方向,在目标尺度变化比较平稳的情况下,尺度加减法能自适应调整跟踪窗口的尺度,可以取得良好的跟踪效果。     

基于两步跟踪算法的海关车辆监控研究*

针对实时性和鲁棒性要求比较高的海关卡口车辆视频监控问题,提出了一种基于改进的均值漂移算法和粒子滤波算法的两步跟踪算法。对海关车辆监控的目标图像采用YCbCr颜色空间建立初始帧目标模型,利用改进后的均值漂移算法找出候选目标,在跟踪相似度小于设定的阈值时再利用改进后的粒子滤波算法进行后续的跟踪。通过实验分析,验证了提出的算法既能保证均值漂移算法跟踪的实时性,也能保证粒子滤波算法跟踪的鲁棒性,具有较好的应用价值。     

基于UKF的窗口自适应Mean-Shift算法

传统的Mean-Shift跟踪算法窗口固定,不能对尺度任意变化的目标进行有效跟踪.为此,提出一种多尺度理论与无味卡尔曼滤波器(UKF)相结合的视频跟踪改进算法.利用多尺度理论统计跟踪窗内的信息量,使用UKF对得到的信息量进行预测,通过修正后的信息量计算窗口变化比例系数,对尺度任意变化的目标进行跟踪.实验结果证明,该算法...     

一种新的Mean-Shift对象跟踪方法

由于存在外点干扰,传统的Mean-Shift对象跟踪方法不能有效的跟踪尺寸逐步变大的目标.猜想利用对象初始模型能有效排除外点对跟踪结果的干扰,在此基础上本文提出了一种利用对象初始模型的候选目标模型和相似度测量方法;为了使内核窗口中心及大小与对象形心及大小一致,根据内核窗口外一定宽度子带内像素分布情况,动态调整内核窗口大小和位置.通过对尺寸逐渐变大的汽车进行跟踪,验证了算法的有效性,同时试验结果也证明新算法具有更低的计算复杂度.     

4-D尺度空间中基于Mean-Shift的目标跟踪

在基于Mean-Shift的目标跟踪算法中,尺度自适应机制是算法研究的一个重要方向。一种典型的方法采用Lindeberg的尺度空间理论以获取目标尺度信息。但现有算法中将尺度由2-D矢量压缩为1-D量,未能精细地刻画目标仿射变换时的尺度变化,从而限制了算法的适用范围。为此,该文将尺度维1-D滤波推广至2-D,构造得到了相应的4-D尺度空间,并利用空间维和尺度维的Mean-Shift交替迭代,实现了同时在空间位置和尺度方向对目标的有效跟踪,提高了算法在目标尺度变化时的自适应性,并扩大了算法的适用范围。     

基于Mean-Shift算子的多尺度视频跟踪算法研究

为了提高靶场光测设备视频跟踪算法的稳定性、准确性以及抗干扰性,开发了基于Mean-Shift算子的多尺度视频跟踪算法,对该算法所采用的小波变换、小波包及Mean-Shift目标跟踪算法进行了研究。阐述了整个跟踪算法的原理及多分辨率图像选择依据;介绍了小波变换和小波包原理,说明了利用小波包将视频图像分解为多分辨率图像的方法;介绍了Mean-Shift算子的原理以及对目标特征进行归一化表示;最后说明了利用Mean-Shift算子对归一化目标的搜索区域进行预测的算法。实验结果表明,本算法跟踪过程平稳、准确,且抗干扰能力强,收敛速度快。试验数据表明,经过小波变换的Mean-Shift算法的收敛速度提高约66%,搜索准确性提高约34%。基本满足了靶场测量中对视频跟踪算法更高的要求。     

基于二次加权Mean-Shift的目标实时跟踪

针对经典Mean-Shift跟踪算法需要多次迭代才能达到收敛的缺点,提出一种高效的Mean-Shift跟踪算法。在使用颜色空间作为目标特征的跟踪系统中,目标本身往往可以表征为区别于背景的颜色特征,而颜色特征的分布则与偏移向量的权值相对应。通过分析跟踪算法中不同的权值对收敛速度的影响,对加权系数进行了二次加权,使改进的算法只需要一次粗定位和一次精确定位2次迭代便可准确地对目标进行定位。试验结果表明,该算法在保证了经典算法准确性的同时,大大加快了向目标收敛的速度。     

采用Mean-Shift算法的目标跟踪系统设计

为了提高对目标的精确识别和稳定跟踪,在深入分析研究Mean-Shift算法及跟踪原理的基础上,提出一种基于Mean-Shift算法的目标跟踪系统设计思想.通过对海上及陆上目标的实际跟踪验证,表明该设计能够有效地太除海浪散射等背景干扰,实现对目标的稳定跟踪,验证了在复杂背景下基于Mean-Shift算法的目标跟踪系统设计...