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.     

改进反向投影的Camshift人脸跟踪算法

对人脸进行检测与跟踪是诸如人机交互、视频监控等众多应用的基础.在众多方法当中,连续自适应均值偏移(Con-finuously Adaptive Mean Shift,简称Camshift)算法在兼具良好跟踪性能的同时做到了较低的计算成本.然而在经典Camshift算法中,反映像素类肤色概率的"反向投影图"会受到初始搜索框内背景像素的影响,是几乎所有基于经典Camshift的算法中普遍存在的一个问题.针对反向投影图的原理进行分析,并采用人脸检测结果作为替代方案,从而对传统Camshift算法进行改进.同时,对YCrCb色彩空间中的人脸检测进行多时段分析,并借此自动确定初始跟踪区域,较传统Camshift算法具有更好的效果.     

基于Camshift的人脸跟踪算法

Camshift跟踪算法具有很好的实时性,但是也存在不能实现自动跟踪,跟踪过程中鲁棒性不强,遇到遮挡问题跟踪失效,只能进行单人脸跟踪等问题。针对这些问题,提出了基于改进Camshift的人脸跟踪算法,该算法结合了Adaboost人脸检测算法并改进了原算法中的颜色直方图模型。以实际人脸检测与跟踪实验为例,证明了该算法在人脸自动检测跟踪过程中具有速度快、准确度高,同时可以跟踪多个人脸,能有效克服跟踪过程中遮挡问题等。     

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。     

基于图割理论的尺度自适应人脸跟踪算法

针对连续自适应的Mean-Shift（Camshift）算法跟踪人脸时尺度过度放缩这一问题,提出了一种基于图割的Camshift人脸跟踪算法。首先,在每一帧图像的Camshift迭代结果内建立图割区域,使用高斯肤色模型作为图割权值分割出图割区域内肤色团块;然后,计算该肤色团大小得到目标真实尺度,并比较与上一帧图像跟踪框内肤色团的尺度来判断是否需要重新跟踪目标;最后,再以该团块作为下一帧跟踪目标。实验结果表明,基于图割的Camshift人脸跟踪算法有效地克服了跟踪时其他肤色区域的干扰,能有效地反映人体快速运动中人脸真实尺度变化,同时防止Camshift算法丢失跟踪目标而陷入局部最优解,具有较好的可用性和鲁棒性。     

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。     

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。     

一种深度图像中人体的实时跟踪算法

针对深度图像中的人体目标跟踪问题,提出一种基于深度图像的改进Camshift算法。利用人体目标的深度信息计算概率分布,结合人体形态学特征,对深度的概率分布赋予不同的权重,通过Camshift算法进行迭代,从而寻找目标,使用卡尔曼滤波器在三维空间中对运动人体目标的位置实现预测和更新。采集1200帧图像进行测试,结果表明,该算法能实时准确地跟踪深度图像中的运动人体目标,有效克服遮挡等干扰,单人和双人跟踪准确率均在95%以上,高于传统Camshift算法。