基于非参数聚类和多尺度图像的目标跟踪

提出了一种基于非参数聚类和多尺度图像的目标跟踪算法.在利用改进的非参数颜色聚类进行自适应划分目标颜色空间的基础上,定义了目标模型和候选目标模型,该模型利用高斯函数建模颜色直方图中的每一个颜色特征位的空域分布; 根据Bhattacharyya系数的定义得到了目标模型和候选目标模型之间的相似性函数.跟踪算法利用高斯金字塔得到的多尺度图像进行从粗到细的目标空间定位;同时通过利用推导的核函数自动带宽选择公式,实现了目标尺度定位.实验结果表明该方法优于典型的均值漂移跟踪方法,从而验证了该方法的有效性.     

改进局部二值模式算法与Camshift结合的目标跟踪方法

为解决视频实景监视系统中因场景光照、阴影及远距离小目标跟踪易丢失问题,提出一种改进局部二值模式(local binary patterns, LBP)算法与Camshift结合的目标跟踪方法。利用LBP算子纹理和颜色对阴影不敏感的特性,采用改进的LBP算子与高斯混合模型结合进行背景建模和目标检测,以抑制阴影的干扰;同时将LBP算子的纹理和颜色融入Camshift算法中,结合Kalman滤波进行目标运动状态的预测,最终实现对监视场景中运动目标的可靠、稳定跟踪。采集行人、车辆及航空器等不同类目标进行实验,验证了本文方法不仅能够稳定、精确地跟踪运动目标,同时可适用于场景雾天低能见度条件下的目标跟踪。     

基于Kalman滤波和边缘直方图的实时目标跟踪

为提高光照变化和背景混淆下的实时跟踪效果,提出了基于Kalman滤波和边缘直方图特征(edge orientation histogram, EOH)的实时目标跟踪方法.边缘方向直方图对光照变化不敏感,且对颜色变化依赖程度低,适合背景混淆和光照变化场合下跟踪.Kalman滤波用于预测目标位置和角度,通过预测调整边缘方向直方图的计算得以快速找到跟踪目标,提高边缘方向直方图的匹配能力.经过实际复杂背景和光照场景下与颜色直方图的多组对比测试,颜色直方图很快会失去跟踪目标, EOH能快速正确跟踪,说明EOH和Kalman滤波能在这种场景下快速正确跟踪目标.     

基于递推估计和上下文更新的鲁棒单目标跟踪方法

针对杂乱背景和光照变化等容易使目标跟踪产生漂移的问题,提出一种基于递推估计和上下文更新的鲁棒目标跟踪方法,该方法是颜色粒子滤波目标跟踪的有效扩展.通过建立颜色粒子滤波跟踪的通用框架,利用上下文信息分配目标外观变化的置信度,在重采样阶段,采用递推估计从其外观相似度分数计算的权重选择粒子,并初始化异常粒子.形变和光照变化的视频测试表明,该方法可以克服光照变化和背景的影响,递推估计可以处理偏离整体估计的异常粒子.相比于标准颜色粒子滤波、粒子随机搜索法等方法,该方法在跟踪框中心误差和平均重叠方面均优于其他方法,在鲁棒性和准确性方面具有明显优势.     

基于颜色和边缘特征自适应融合的人脸跟踪算法

针对传统的基于颜色直方图跟踪算法不能精确跟踪的缺陷,提出了一种基于粒子滤波的自适应融合多特征的人脸跟踪算法.该方法首先在视频序列中提取人脸的肤色和边缘特征,并以加权颜色直方图和边缘直方图描述人脸特征;然后采用自适应融合方法计算粒子集权重.这种自适应融合方法,有效地增强了人脸跟踪的可靠性.实验结果表明,在视频人脸存在类肤色以及光照变化等复杂背景下,该方法改善了跟踪效果并且具有较强的鲁棒性.     

基于多特征融合的目标跟踪算法

针对单一特征的目标跟踪算法鲁棒性较差的情况,利用目标的多种观测信息通过D-S证据理论进行融合跟踪.在粒子滤波的总体框架下,嵌入Mean-Shift算法产生更加逼近真实后验分布的粒子,同时采用颜色和运动边缘特征作为观测模型,有效地避免了单一颜色特征在光照突变、姿态变化以及背景相似情况下的跟踪稳定性较差的问题.实验表明,该...     

一种基于多特征融合的粒子滤波目标跟踪算法

针对采用单一图像特征进行目标跟踪时鲁棒性不高的问题,提出一种基于多特征融合的目标跟踪算法.该方法利用颜色特征和纹理特征描述目标,并将二者融合于粒子滤波框架中,提高了目标跟踪的稳定性,同时也在一定程度上克服了目标跟踪中光照变化时跟踪效果较差等缺点.实验结果表明,该文算法不仅提高了目标跟踪精度,而且具有较强的鲁棒性.     

基于梯度和颜色直方图相融合方法的人脸跟踪

利用长短轴比例固定为1.4的椭圆模型模拟人脸,并融合梯度模型和颜色直方图模型进行人脸跟踪,给出了梯度模型和颜色直方图匹配度计算方法.因为两种模型之间在考虑的点集和利用的信息上具有互补性,所以提高了系统的鲁棒性.带加速度的运动预测则有效地减小了检测区域,提高了系统的速度.为降低光照变化的影响,使用一种简单的自适应亮度补偿算法,在光照较弱的条件下对待测图像进行补偿,从而提高了系统的适应性和实用性.实验表明:该方法在复杂背景中甚至在较暗的光照条件下都能取得较好的效果, 可以跟踪人脸任意方向的运动,速度可以达到20帧/s以上.     

基于小区域匹配的运动人体跟踪

为解决在复杂场景(光照变化、物体移动,增减以及遮挡等干扰)下运动人体跟踪的难题,提出了一种新的跟踪方法.该方法通过背景减除提取人体目标的多个小区域,利用模糊推理评价出它们在相邻两帧间的匹配可靠度;通过跟踪各个可靠度高的小区域,并对可靠度低的小区域进行邻域搜索、位置纠正和估计,完成整个人体目标的跟踪.实验结果表明,该方法能解决遮挡和其他物体的干扰,并能适应光照等环境因素的变化.     

基于密度聚类的彩色图像分割方法

针对已有的基于聚类的彩色图像分割存在的问题,提出了一种基于IHLS颜色空间和密度聚类的彩色图像分割方法.利用IHLS颜色空间改善光照敏感和颜色一致性问题.由于DENCLUE聚类算法聚类速度较慢且需要提供2个用户参数,因此对于DENCLUE算法的迭代策略和参数优选方面进行了改进.实验结果证明此方法具有较好的准确度和鲁棒性...     

一种自适应颜色特征的目标识别与跟踪法

文中提出了一种自适应颜色特征的目标识别和跟踪方法,该方法结合图像颜色特征和形态特征对图像进行处理.首先依据颜色特征对帧图像进行初步处理,利用图像数学形态学的运算特点,对初步处理的结果进行修正补偿.在识别跟踪过程中,作为识别依据的颜色特征会根据目标颜色特征的改变自适应地进行更新.在类人足球机器人比赛中取得了比较理想的识别跟踪效果,应用证明该方法可以提高视觉子系统的实时性和精确性.     

一种采用排名机制的分块在线压缩跟踪算法

基于分类学习的目标跟踪在面对环境中光照变化、目标姿态变化以及遮挡等复杂环境下容易出现漂移问题,为此提出一种基于分类器融合的压缩感知目标跟踪算法。使用压缩感知理论分块提取目标压缩特征,根据贝叶斯后验概率对特征进行筛选以构建目标模型,并提出一种二阶段样本搜索方法,通过粗搜索缩小样本的搜索范围,利用基于分类器排名的细搜索方法精确地找到目标的位置。实验表明,该算法与当前主要的算法相比具有较高的跟踪精度,以及良好的鲁棒性和实时性。     

Efficient and Robust Feature Model for Visual Tracking

Long duration visual tracking of targets is quite challenging for computer vision,because the environments may be cluttered and distracting.Illumination variations and partial occlusions are two main difficulties in real world visual tracking.Existing methods based on hostile appearance information cannot solve these problems effectively.This paper proposes a feature-based dynamic tracking approach that can track objects with partial occlusions and varying illumination.The method represents the tracked o...     

基于多特征自适应融合的目标跟踪

针对传统的基于单一特征的跟踪方法在复杂场景和光照变化下易导致跟踪失败的缺点,提出了一个基于多特征自适应融合的目标跟踪算法。首先选取具有互补性的目标颜色和纹理特征构造目标的多特征模型;然后根据特征子模型对目标与背景的可分性,对目标特征子模型的权值进行自适应调节;最后利用颜色和纹理特征对所提的算法进行了验证。试验表明同基于单个特征的核函数目标跟踪方法相比具有更好的鲁棒性。     

基于特征融合的改进粒子滤波目标跟踪算法

针对复杂背景下单一的颜色特征不能准确跟踪目标的问题,提出了一种改进的目标跟踪算法。该算法利用跟踪目标的颜色特征和运动边缘特征来表示目标。在粒子滤波的框架下融合特征信息从而进行目标跟踪,能够有效地避免单一颜色特征在跟踪过程中受到相似背景、遮挡等问题的干扰。通过与基于单一颜色特征跟踪实验误差数据的分析,实验结果表明该算法在复杂背景以及目标遮挡等情况下能达到较好的目标跟踪效果,实现目标的准确跟踪。     

自适应运动目标跟踪系统及其性能研究

提出利用非线性联合变换相关器作为核心实现自适应运动目标跟踪识别系统,给出了自适应跟踪系统对目标的跟踪原理,并对跟踪系统的跟踪性能进行了实验研究。     

基于视觉显著性特征的自适应目标跟踪

为解决运动目标跟踪过程中候选目标信息描述单一的问题, 提出一种基于视觉显著性特征融合的自适应目标跟踪算法。提取目标颜色、颜色的变化、强度和运动信息构建目标四元数模型, 采用相位谱重建算法检测目标的显著图(Saliency Map), 并根据特征相似度大小自适应调整权值, 融合视觉显著性特征和颜色特征实现目标跟踪。实验结果表明, 该算法能有效克服部分遮挡和背景融合干扰, 从而实现复杂背景下目标的准确跟踪。     

改进的Camshift目标跟踪算法的研究

Camshift算法是一种常用的跟踪算法,使用传统的Camshift算法追踪目标时,在目标与背景色调一致,或者目标与镜头相距较远的情况下可能会跟踪失败。通过分析Camshift算法的不足,从目标初始化和阈值筛选这两方面做出了改进;将原算法中的单框圈定目标改进为双框取定目标,阈值不变改进为自动调整阈值。实验结果证明,该算法具有一定的先进性,在目标较小或者目标移动迅速的情况下也能准确地进行跟踪,提高了算法对背景的适应能力以及跟踪的成功率和准确率。     

一种基于运动目标检测的视觉车辆跟踪方法

针对复杂交通场景中动态光照变化、阴影和遮挡等因素带来的影响,提出了一种基于运动目标检测的高效、鲁棒的车辆跟踪方法. 采用自适应背景建模获取动态场景中的运动信息,通过阴影去除获得准确的运动区域,并针对场景中的遮挡问题提出了相应的遮挡检测与处理策略,最后通过区域匹配获得跟踪结果,同时使用Kalman滤波器建立车辆的运动模型,对跟踪结果进行了约束和优化. 实验结果表明,提出的视觉车辆跟踪方法可以在复杂多变的室外场景下有效地解决场景中的阴影和遮挡问题,得到鲁棒的车辆跟踪结果.