基于改进Mean Shift的实时闯红灯车辆跟踪算法

针对传统的Mean Shift目标跟踪算法存在无法自动设置目标窗口的问题,设计了一种可以自动初始化窗口的Mean Shift算法,同时结合Kalman滤波,将其应用到违章车辆的跟踪上。仿真实验表明,该算法可以很好地实现跟踪效果。     

基于ICLBP的多特征自适应加权融合目标跟踪算法

针对Mean Shift跟踪算法中使用单一的特征对目标进行描述而导致跟踪算法鲁棒性不高的问题,提出了一种多特征融合的目标跟踪算法.该算法选取HSV颜色特征和ICLBP纹理特征,建立目标模型的概率密度.根据目标区域确定背景区域,计算不同特征对目标和背景的区分性度量值,并以此设定和更新特征融合权值.使用特征融合权值系数建立多特征描述的目标模型,在Mean Shift算法框架上实现目标跟踪.结果显示,该算法对背景干扰和部分遮挡具有较好的鲁棒性.与传统的Mean Shift跟踪算法相比,跟踪效果有所提高,鲁棒性更好.     

一种组合核函数的自适应目标跟踪算法

分析了传统Mean Shift跟踪算法在外观模型对光照变化敏感以及外观模型更新上容易积累误差等缺点,结合了传统Mean Shift 跟踪算法计算速度快和易于组合的优点,设计了两种不同外观建模的Mean Shift跟踪算法。第一种Mean Shift跟踪算法采用传统的RGB颜色模型提取外观模型,第二种采用对光照变化不敏感的非色彩与梯度信息提取外观模型。结合这两种跟踪算法,通过这两种跟踪算法跟踪的目标进行加权得到的目标位置,以及根据协同更新的原理对这两种跟踪器的外观模板进行更新。这样不仅使得跟踪准确率得到了一定的提高,而且对外观变化的适应能力也大大的提高。     

带宽自适应的MeanShift目标跟踪算法

针对传统均值漂移(Mean Shift)目标跟踪算法中核函数带宽缺乏良好自适应调整的缺点,提出了自适应调整核函数带宽的Mean Shift目标跟踪算法.该算法首先采用核函数计算目标颜色特征值的概率密度,在视频当前帧目标的最优位置区域由目标颜色特征概率投影生成目标概率密度分布图;然后根据概率密度零阶矩值调整下一帧跟踪窗口...     

结合卡尔曼滤波和Mean Shift的抗遮挡跟踪算法

针对卡尔曼滤波和Mean Shift算法结合后对严重遮挡和遮挡后复出失效且实时性差的问题,提出一种基于卡尔曼滤波和Mean Shift动态结合的改进算法. 通过在算法中加入Bhattacharyya系数进行遮挡程度判断,并根据遮挡系数的阈值选择使用卡尔曼滤波或线性预测法更新Mean Shift迭代起点. 实验结果表明,该方法能成功实现大范围连续遮挡和目标复出情况下红外目标的跟踪,并且迭代次数和跟踪时间分别减少了9.68%和17.58%,提高了跟踪的鲁棒性和实时性.      

基于Mean Shift的运动人体骨架重构方法

本文提出一种基于Mean Shift的方法来追踪并重构运动人体的骨架结构。首先,手动的将运动目标的部分肢体标识出来,为每一部分都设定Mean Shift跟踪模板,由于单纯的应用原始Mean Shift没有利用人体信息,本文提出一种结合肤色模型和边缘信息的Mean Shift算法将运动人体的骨架运动准确的跟踪,最后利用上面跟踪的结合各运动区域的运动信息,将人体骨架完整的重构出来。实验结果表明,本文方法能够实时的有效的对运动人体的骨架进行重构。     

一种MEAN SHIFT跟踪改进算法研究

Mean Shift算法在视频序列中的目标跟踪已经广泛被应用于计算机视觉研究以及应用中。该算法应用于跟踪中,具有计算量低,可实时跟踪等优点,但有时会出现漂移问题。本文针对传统Mean Shift算法的实现进行了研究和总结。并提出了基于分块的改进方法,在Mean Shift跟踪算法中加入了空间信息。实验证明改进算法与原始算法比较具有更好的跟踪精度。     

基于Mean Shift算法的卡尔曼滤波红外摄像头的目标跟踪系统设计

红外图像具有被动成像、抗干扰性强、目标识别能力强和全天候工作的特点,已经被广泛应用于军事侦察、监控和制导等领域.在背景干扰或者遮挡情况下传统的Mean Shift跟踪算法的跟踪存在不连续的问题.针对人体目标的活跃性和特殊性,设计一种在Mean Shift算法基础上结合卡尔曼滤波和Bhattacharyya系数遮挡判定因子的目标跟踪系统.当遮挡发生时,通过滤波器预测目标下一帧的位置,继续实现跟踪.测试结果表明：在背景干扰或者遮挡的情况下该跟踪系统可以有效地对目标进行准确跟踪.     

基于改进型Camshift和卡尔曼滤波器的车辆跟踪算法

针对车辆跟踪过程中跟踪目标丢失或者失败的情况,提出一种改进型Camshift(Continuously Adaptive Mean Shift)算法和卡尔曼滤波相结合的跟踪方法。首先,利用卡尔曼滤波器实现跟踪目标的位置估计,以克服目标被遮挡造成的跟踪失败的问题,然后再利用改进型Camshift算法依据目标距离搜索中心的位置,对H分量创建的颜色直方图中的每个像素位进行高斯模型核函数的加权处理,并自适应计算得到最优的搜索窗口,从而改善了传统Camshift不能直接抵制噪声干扰的缺点,解决了因跟踪目标在同色背景噪声干扰下出现的丢失问题。最后通过仿真实验表明:改进型Camshift算法和卡尔曼滤波的结合有效地提高了车辆跟踪的准确性和连续性。     

一种尺度和方向适应性的Mean Shift跟踪算法

针对原始的Mean Shift跟踪算法虽能准确地估计目标位置,但对目标尺度和方向不能实现自适应估计,结合目标模型与候选目标区域的候选模型得到了反向投影图,此反向投影图可表示图像中像素点属于目标的概率,将反向投影图的矩特征应用到原始Mean Shift跟踪算法框架,实现了目标尺度和方向适应性Mean Shift跟踪.实验结果表明:该算法能有效跟踪尺度和方向变化的目标.     

基于颜色和边缘特征CAM Shift目标跟踪算法

针对连续自适应均值漂移(CAM Shift)目标跟踪算法只适用于特定颜色目标跟踪且容易受到光照变化影响和背景色干扰的缺点,提出了一种改进的CAM Shift目标跟踪算法。该算法采用颜色空间三基色权重直方图建立目标模型,并用目标边缘特征增加目标权重。首先通过颜色空间三基色均匀量化获得特征值,建立基于核函数概率密度估计的目标模型;然后用Sobel算子检测目标边缘特征,结合颜色特征,分别赋予不同的权重投影生成概率密度分布图;最后用MeanShift算法迭代寻找目标,并通过矩运算调整跟踪窗口大小和方向。实验结果表明:该算法可以有效跟踪多色彩目标,并能够抵御一定光照变化和大面积同色干扰的影响。     

复杂行车环境下基于视频的目标跟踪算法

在复杂行车环境下,如果视频中只有目标和背景时,C-V模型可以取得很好的分割效果,然而需要从复杂背景中提取目标信息时,该模型往往无法得到正确的结果。针对这一问题,C-V模型与均值平移算法能很好的解决。并且该文结合图形处理算法,根据车辆轮胎的数目,得出车辆相应的情况。     

基于均值移动和椭圆拟合的人脸跟踪算法

为了解决均值移动跟踪算法对目标的尺度变化自适应能力差的缺点,针对人脸跟踪具体问题,提出了一种基于均值移动和椭圆拟合的人脸跟踪算法.根据当选择较大核窗进行均值移动跟踪时一般可以准确定位目标的事实,以及人脸形状椭圆近似性的特征,利用一个较大核窗的均值移动跟踪器对人脸目标进行粗略定位,在此基础上再用一种高效鲁棒的直接最小二乘椭圆拟合方法来自动调整人脸尺度的大小.实验表明,该改进算法能有效地解决均值移动人脸跟踪中的目标尺度自适应调整问题,其跟踪效果明显优于原均值移动目标跟踪算法.     

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。     

基于自适应特征融合的均值迁移目标跟踪

提出了一种基于自适应多特征融合的目标跟踪算法.分别利用RGB颜色和LBP纹理特征建立目标模型,通过线性加权将两类目标子特征模型代入目标相似性函数并用均值迁移算法进行目标位置优化计算.在跟踪过程中,引入S igmoid函数动态调整两类子特征权重,并利用子特征相关系数和可靠性指数对目标特征模型选择性自适应更新.实验结果表明,该算法能在跟踪场景和目标外观变化时自适应调整两种子特征权重,避免了特征失效导致的跟踪失败;特征模型选择性更新策略有效抑制了模型漂移.与单一特征和模型直接更新的跟踪方法相比,该算法在复杂跟踪环境更具有鲁棒性,能进行准确稳定的实时跟踪.     

帧差法和Mean-shift相结合的运动目标自动检测与跟踪

传统的Mean-shift算法简单快速,但存在半自动跟踪缺陷,在起始帧需要手动确定搜索窗口来选择目标,且核窗宽固定不变,不能实时地适应目标尺寸大小变化,容易跟丢目标。接合帧差法,首先通过帧差法检测目标,并获取目标窗口和中心,再结合Mean-shift跟踪,并通过设定ρ^(y)相对改变量r来确定目标模板是否需要重新获取,实现Mean-shift算法全自动跟踪,并能适应目标尺寸大小改变的情况。实验表明,该方法跟踪准确,实时性高。     

一种改进的移动机器人视觉跟踪算法研究

运动物体的实时跟踪是移动机器人视觉的关键技术之一.为了实现对目标快速有效的跟踪,本文提出了一种改进的移动机器人视觉跟踪算法,该算法在mean shift算法的基础上,利用颜色特征作为视觉跟踪依据,并且引入Kalman滤波进行迭代窗口的预测.实验仿真结果表明,本文算法一定程度上消除了光照条件的影响,而且很好的解决了当目标被遮挡时发生目标跟踪偏差或丢失的问题,具有实用价值.     

两阶段混合粒子滤波的目标跟踪

基于粒子滤波的目标跟踪,跟踪的成功率和精度与目标运动速度和算法的粒子数密切相关.较大的粒子数能够跟踪速度更快的目标,同时提高跟踪的精度,但会降低算法的实时性.为了解决这个问题,提出一种两阶段混合粒子滤波算法,在第一阶段中,利用少量粒子基于距离角度模型对目标的位置进行粗略估计.在第二阶段中,利用均值偏移算法对目标位置进行精确估计,同时利用粒子滤波对均值偏移的窗口进行自适应调整.实验表明,提出的两阶段混合粒子滤波算法,不仅能够实时地跟踪尺寸变化的目标,而且能够跟踪运动速度快的目标.     

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。