基于帧差法与Mean-shift算法相结合的运动熔滴识别与跟踪方法

为了对焊接视频图像中的运动熔滴进行自动识别与跟踪,针对熔滴图像为灰度图像且背景单一的特点,提出了一种基于帧差法与Mean-shift算法相结合的方法.利用帧差法对视频图像的前2帧进行差分处理,获取目标窗口和中心位置并进行标定,以解决Mean-shift算法需要在起始帧手动框取目标的问题;结合基于灰度直方图的Mean-shift算法确定下1帧的目标模板位置,以实现对运动熔滴的自动识别与跟踪.结果表明,所提出的运动熔滴识别与跟踪方法能够对熔滴图像进行自动识别与跟踪,且具有良好的鲁棒性和实时性.     

运动图像跟踪过程中丢帧误差消除技术

为解决传统方法不能自动对跟踪窗口的大小进行调整,造成跟踪定位误差高,无法有效消除丢帧误差的问题,提出一种新的运动图像跟踪过程中丢帧误差消除方法。通过对帧间差分法进行优化,利用每帧获取的背景部分完成背景模型的更新处理,通过当前帧和背景模型的差分获取运动范围。利用优化的Mean-shift法对运动图像进行跟踪处理,采用改进的帧差法对目标边缘进行提取,完成Mean-shift搜索窗口的更新处理,自适应调整跟踪窗口大小。通过适于P帧幅度能量模型对此刻帧与上一帧图像信息的改变程度进行描述,以体现运动图像序列运动分布情况,对运动图像跟踪中的丢帧误差情况进行描述。在此基础上求得运动图像跟踪状态矩阵,完成对丢帧状态参数的处理,将丢帧误差消除,以增强运动图像跟踪质量。结果表明,所提方法误差消除效果好,运动图像跟踪精度高。可见该方法能够对丢帧误差进行有效消除。     

Mean-shift改进算法在火箭目标跟踪中的应用

针对火箭目标跟踪问题,提出了一种基于改进Mean-shift算法的火箭目标跟踪算法。为克服传统Mean-shift算法难以对快速运动的火箭目标进行跟踪的问题,以及在跟踪过程中的跟踪误差累积问题。采用3帧差分法检测出火箭目标的大概位置,然后在此基础上使用Mean-shift算法实现对火箭目标的精确跟踪。仿真实验表明所提算法能够有效的实现火箭目标的跟踪,并能很好的解决跟踪过程中的跟踪误差累积问题。     

基于ORB特征点匹配的改进Camshift运动目标跟踪算法

在运动目标跟踪方面,当前比较常用的算法就是Camshift算法。针对该算法容易产生目标丢失的情况,在本文中提出一种基于ORB(oriented brief)特征点匹配的Camshift改进算法。原Camshift算法可以从目标的颜色直方图模型得到每帧图像的反向投影图,根据目标的大小自适应地调整搜索窗口尺寸,并迭代计算各目标窗口的质心位置,从而自适应地扩展搜索窗口。但是当发生目标丢失的情况时,缺少重新寻找得到目标的机制。本文通过引入ORB算法对运动目标进行匹配从而解决了这个问题。仿真实验结果表明,改进算法相对原算法具有良好的跟踪效果,可以实现持续跟踪。     

融合速度特征的压缩感知目标跟踪算法

现有基于快速压缩感知的目标跟踪算法采用固定尺寸的搜索框搜索目标,当遇到目标快速移动时容易超出算法的搜索范围,导致跟踪失败.为解决此问题,提出加入目标位移速度特征的快速压缩感知跟踪算法使得搜索目标的范围自适应变化.新方法的思路是首先利用目标在帧间的位移表示出目标的位移速度,然后将当前帧内的目标位移速度与前几帧的平均速度相比较,再根据目标位移速度变化自适应改变搜索范围,即当目标运动速度保持稳定则保持搜索框尺寸,目标运动速度加快则增大搜索框尺寸,目标运动速度变慢则缩小搜索框尺寸,以适应目标移动速度的变化.在目标快速移动的视频集上的实验结果显示,新方法自适应地改变搜索范围,一直都能跟踪到目标,特别是当现有的压缩感知跟踪算法丢失目标时,新方法仍能比较好地跟踪到目标.     

交通车辆轮廓跟踪算法研究及其工程应用

针对模式识别在智能交通领域的实际工程应用,提出了一种提取运动车辆轮廓线的精细跟踪算法．首先,通过冗余离散小波变换法提取运动区域,检测出相邻两帧图像内的运动变化从而确定运动对象的存在及其初始位置;其次,以当前帧运动区域为参考,通过改进的mean-shift算法在后续帧中跟踪运动对象的中心位置;最后,以mean—shift跟踪窗口作为目标初始轮廓线,采用自适应水平集法得到目标轮廓,从而精确定位运动对象位置．实验结果表明本文算法能够以轮廓线的方式以较高精确度跟踪运动车辆目标,目前已被市交通局科研单位采纳,具有一定的工程应用前景．     

核窗口尺寸和目标模型自适应的均值漂移跟踪

在目标大小、方向和颜色发生变化时,传统的均值漂移算法会因为核窗口大小和方向不能动态改变、目标模型不能及时更新而导致目标跟踪偏移甚至丢失.为此,文中提出了一种新的核窗口大小和方向可自适应调整的均值漂移跟踪算法,并构建了目标模型更新机制.首先利用计算得到的目标凸包拟合椭圆并结合卡尔曼滤波模型得到目标大小和方向的最优估计;然后利用目标大小和方向的估计值调整算法核窗口的大小和方向,修正核权重分布;最后联合目标形状和颜色信息构建一种目标更新机制,及时更新目标模型以适应目标的变化.不同场景下人体、非机动车等非刚体目标的视频序列实验结果表明,文中方法可以对大小、方向和颜色变化明显的目标进行准确、稳定的跟踪.     

基于视频的运动目标跟踪算法

为更加准确、 快速地检测与跟踪到运动目标, 将背景差分法和帧间差分法相融合对 CAMSHIFT (Continuously Adaptive Mean-SHIFT)算法进行改进。 首先, 通过背景差分法和帧间差分法相融合确定目标所在 区域, 然后结合 CAMSHIFT 迭代算法实现目标跟踪。 实验结果表明, 该方法改变了传统 CAMSHIFT 算法需手 动选定目标和跟踪窗容易发散的局限性, 并提高了跟踪的准确性与稳定性。     

利用Camshift与TLD框架的多目标视频跟踪算法

由于跟踪器采用的是基于金字塔Lucaks-Kanade光流法,需要在相邻帧之间对目标的运动进行跟踪,运算量较大,因此提出了采用轻量级跟踪算法Camshift作为TLD算法框架中的跟踪器模块,来提高跟踪模块运行效率。而TLD框架的检测器在跟踪器追踪失败时需要检测大量数目的子窗口,因此利用背景差分方法进行前景检测,可以减小检测范围和数目。TLD算法本身是对单目标的长时间跟踪,提出基于多线程机制TLD算法,针对每一个跟踪目标建立相应的线程对其跟踪。经过实验验证,与原算法相比,优化算法使得对多目标实时跟踪性能得到一定提升。     

提高Mean-shift跟踪算法性能的方法

针对Mean-shift跟踪算法,在目标色彩特征不突出,或受到光照、阴影等影响,或有干扰物体靠近目标时,很容易发生跟踪错误等问题,采用色彩融合模版和位置预测来提高Mean-shift跟踪算法的性能.在对图像的RGB三色进行简单的线性融合的基础上,提出了根据前景和背景直方图的相似度函数去选取目标特征最突出的融合图像的算法,并据此建立3个目标模版.对目标的位置先进行卡尔曼预测,再用Mean-shift算法对3个模板分别进行跟踪,最后融合跟踪结果.实验结果证明,提出的方法能在复杂背景下跟踪目标,并能更好地应付阴影、光线等变化.此外,它能有效地避免相似物体靠近目标或者和目标交错引起的跟踪失败.     

基于粒子滤波和Mean-shift的自适应目标跟踪方法

目标跟踪技术一直是计算机视觉的核心内容。本文结合粒子滤波与Mean-shift跟踪方法,提出了一种新的自适应目标跟踪方法,通过利用粒子滤波获取目标的初始位置,进而采用Mean-shift跟踪方法,实现目标跟踪的准确定位,同时,通过抑制背景特征分布,更新目标特征分布,从而在跟踪过程中自适应调整目标的模板表示。实验结果表明了本文提出方法的有效性。     

基于小波模板匹配的目标跟踪

在目标跟踪数学模型的基础上,分析了小波变换在目标跟踪中的技术优势。为将目标跟踪流程中分步实现目标分离、目标特征提取和目标识别的方法并行化,给出了对小波域中系数空间矩阵进行分层匹配目标跟踪算法。在自行设计的基于DSP(DigitalSignalProcesor)的嵌入式跟踪系统中给出该算法快速实现方法。结果表明,在100MHz系统时钟情况下,模板窗口为128×96时,在搜索范围为256×192的跟踪窗口内,可实现实时的跟踪处理。     

基于梯度投影的视频跟踪算法

为实现复杂场景内目标的准确捕获与跟踪, 结合目标特征, 提出基于梯度投影的视频跟踪算法。根据目标先验知识, 对视频流开窗并进行梯度投影, 获取目标区域的位置信息; 通过特征提取和形态学分析提取目标特征参数, 实现目标判定与捕获; 利用目标质心坐标更新跟踪窗位置信息, 实现对目标的跟踪。实验结果表明, 该算法降低了运算量, 实时性强, 实现了对目标的准确、 稳定的跟踪, 对实验场景中的光照变化和疑似目标的干扰具有很强的鲁棒性。     

联合Mean-shift与粒子滤波器的实时视频目标跟踪算法及实现

粒子滤波器由于摆脱了高斯分布的约束条件,已经成为一种主流的、面向目标的非线性运动跟踪算法,广泛应用于视频压缩与检索、智能视频监控、智能人机交互等领域,其缺点是计算复杂度高、计算量庞大,无法满足实时应用的需求。针对粒子滤波器在计算量、实时性及粒子退化方面存在的问题,提出了将Mean-shift算法嵌入粒子滤波器,对重要性采样分布进行优化,以较少的采样粒子实现视频目标跟踪。仿真实验结果显示,联合Mean-shift的粒子滤波算法在目标跟踪过程中具有较好的实时性与鲁棒性。     

基于特征融合的均值偏移目标跟踪算法

均值偏移目标跟踪方法采用颜色直方图对所选择的目标区域进行建模,由于颜色直方图是一种对目标特征比较弱的描述,当有遮挡等干扰因素时,算法效果欠佳,为了有效解决均值偏移目标跟踪算法不足而导致目标定位不准的问题,提出了将颜色特征中融入像素点空间位置特征的算法来实现目标跟踪.实验表明该算法能较好地适应复杂背景视频序列,改进了传统均值偏移算法的不足,提高了算法的鲁棒性和准确性.     

一种动态融合的目标识别与跟踪算法

针对红外图像序列的特点,提出一种动态融合的目标识别与跟踪算法。由图像序列中的运动信息对目标进行提取,得到自适应波门所需的起始波门和灰度双阈值,以及匹配算法所需的基准模板,其后的跟踪, 融各算法为一体,分时机、分场合地给予灵活运用。最后,以实测的红外图像序列对文中提出的算法进行仿真实验,结果表明该融合算法的可行性与有效性。     

一种基于Mean Shift和C-V模型的车辆跟踪算法

针对传统Mean Shift算法跟踪窗口固定不变,无法对不断改变尺寸的车辆目标进行有效跟踪的问题,文中根据车辆跟踪的特点,提出一种基于Mean Shift和C-V模型的车辆跟踪算法.首先利用传统Mean Shift得到初始跟踪窗口,然后根据C-V方法所提取的车辆形状信息对跟踪窗口的中心和大小做进一步修正,在跟踪过程中综合利用了目标颜色、形状等信息,同时对传统C-V方法进行改进,采用一种新的初始化水平集函数表达方法.实验结果表明,文中算法在满足实时性要求的同时,大大提高了车辆跟踪精度.     

基于概率修正的机场场面运动航空器跟踪算法

基于光电设备的航空器识别跟踪是机场场面监视的重要手段。针对机场场面全景视频监视中运动航空器跟踪算法存在的计算效率低、目标丢失等缺点,提出了基于概率修正的场面运动航空器跟踪算法。首先,预先估计出运动航空器目标概率图,降低在搜索区域内搜索目标时的计算量。通过引入干扰项抑制后,降低对真实目标的干扰。其次,在当前搜索区域内滑动窗口依次计算候选窗口是航空器目标的得分,选取得分最高的候选窗口作为新的航空器目标位置。再次,根据航空器目标位置更新概率图。最后,在多个场面监控视频图像序列上进行测试,对比分析了算法对目标周围出现的相似的区域有较好的抵抗力,在跟踪所得目标区域与真实目标区域的重叠面积率方面具有显著优势,验证了算法能够在目标尺度变化较大的情况下较好的实现对运动航空器的连续准确跟踪,能够满足对场面运动航空器跟踪的有效性和稳定性要求。