基于颜色纹理联合特征直方图的自适应Meanshift跟踪算法

传统的meanshift跟踪算法利用图像中的颜色直方图作为目标的代表,其鲁棒性不高,容易受光照,目标缩放等因素的影响,造成定位精度不高,跟踪算法的稳定性不好.鉴于此,文中提出一种基于改进LBP特征描述子的方法,并将其与颜色直方图进行巧妙的融合,构建了一种新颖有效的联合直方图目标外观模型,并将其嵌入到meanshift跟踪框架中;另外,通过有效利用目标候选区域的矩信息,估计跟踪过程中目标的尺度和方向的变化.不同场景的跟踪实验结果表明,与传统的meanshift跟踪相比,文中提出的跟踪算法可以有效克服场景中相似目标的干扰,光照及目标尺度的变化,取得了更好的跟踪结果,具有更高的鲁棒性、稳定性、有效性.     

基于Contourlet和MeanShift的交通视频车辆跟踪算法

提出一种基于Contourlet直方图的MeanShift交通视频车辆目标跟踪算法.首先,利用Contourlet变换提取交通视频中感兴趣区域下跟踪目标的纹理特征和轮廓,并用其直方图统计跟踪目标的纹理特征;然后,通过Kalman滤波技术来进行跟踪目标轨迹的相关性函数计算,并将计算结果迭代到MeanShift跟踪算法中选取最优估计值,进而实现对交通视频车辆在复杂场景中的精确定位.通过与传统的MeanShift跟踪算法以及基于Kalman滤波的MeanShift跟踪算法等比较表明,此算法不仅能够对复杂场景中的视频车辆进行有效跟踪,同时还具有较好的稳定性和抗干扰性.     

基于粒子滤波的变电站内动态目标跟踪技术

为实时智能监控变电站安全生产区域内的移动目标,克服现有视频系统人工切换图像和肉眼判断所造成的漏检和滞后问题,对变电站内运动目标的自动检测与识别跟踪技术进行了研究;基于背景差分法实现了人物动态目标检测,提出了基于颜色直方图的粒子滤波人物动态目标跟踪方法;通过提取目标颜色特征,建立目标状态模型和系统模型,进而准确定位目标;研发了变电站安全事件视频自动识别跟踪系统.系统应用结果表明:算法检测与跟踪的时间性能良好,能够快速识别目标,并准确跟踪目标运动轨迹,有效提升了全天候智能监控站内的安全生产能力.     

基于改进的粒子滤波的红外视频行人跟踪

提出了一种基于改进的粒子滤波的红外视频行人跟踪算法,实现了在传统粒子滤波算法的框架下,使用有向梯度直方图(histograms of oriented gradients,HOG)来描述跟踪目标的特征.算法在粒子权值和相似度计算中使用HOG,替代现有的颜色空间欧式距离测度,克服了红外视频中颜色信息缺失的困难.试验表明,与传统的粒子滤波算法相比,本文算法更能准确有效地跟踪复杂场景中的行人,提高了跟踪的鲁棒性.     

基于综合色度和梯度方向直方图的运动目标跟踪算法

本文在传统的Kalman滤波和Mean-Shift优化框架下提出了一种新的视频运动目标跟踪算法。融合色度直方图和梯度方向直方图,形成了一种新的综合直方图特征.构建运动目标图像区域的金字塔,采用Kalman滤波预测耦合Mean-Shift算法的框架,在尺度、位移空间内进行优化匹配搜索,确定最佳候选目标的位置信息。大量实验结果表明,本文提出的在滤波与优化算法框架下的运动目标跟踪算法,能够很好地解决运动目标的尺度伸缩、旋转和形变等难题,可以取得比基于传统直方图更好的稳定性和跟踪精度。     

基于色彩相关直方图和粒子滤波的目标跟踪

为了提高视频运动目标跟踪的准确性,特别是为了提高在运动目标与背景颜色相近的情况下,或者目标发生了旋转或部分遮挡情况下的跟踪效果,提出一种基于色彩相关直方图和粒子滤波的彩色物体跟踪算法.该算法在粒子滤波基本框架之下,将目标色彩自相关直方图作为目标的描述特征,用于衡量不同预测状态与观测状态之间的色彩相关性.色彩相关直方图将...     

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.     

自适应的免疫粒子滤波车辆跟踪算法

针对真实场景中的车辆跟踪问题,提出一种改进的粒子滤波车辆跟踪算法.通过免疫重采样框架减少粒子退化,保证粒子滤波的有效性,并参照人工免疫算法的思想建立记忆库,使算法可较长时间地跟踪目标;利用背景权重直方图和分块判别机制减少因遮挡导致的跟踪偏离,同时在运动模型和抗体变异过程中加入自适应学习参数,提高算法的鲁棒性.实验结果表明,在光照变化、运动突变、目标遮挡等不同条件下,该算法具有稳定跟踪的能力,验证了算法的有效性.     

多特征联合的尺度和方向自适应meanshift跟踪算法

经典meanshift跟踪算法因其具有计算量小、实时性强等优点而得到广泛应用。但在目标发生缩放、旋转、光照变化以及目标颜色与周围背景颜色难以区分等情况下,经典meanshift算法的鲁棒性不佳,目标定位精度不高,算法稳定性不好。鉴于此,本文提出一种联合颜色和纹理直方图表示的meanshift算法,其中本文用到的局部二值模式LBP是基于分块思想改进的纹理算子,有效地提取边缘和角点等主要目标模式来更加精炼地表示目标;另外,通过有效利用目标候选区域的矩信息,来解决跟踪目标运动中尺度和方向的变化的问题。通过不同场景视频跟踪实验表明,与经典meanshift算法及改进前的联合特征表示方法相比,文中提出的改进算法在上述复杂场景下的目标跟踪具有更高的稳定性和鲁棒性。     

一种改进的Mean Shift目标跟踪算法——针对视频对象部分遮挡和光照变化

针对经典的Mean Shift算法在目标部分遮挡或者场景光照变化时容易出现跟踪目标丢失的问题,文章运用一种基于分块权重的方法处理目标部分遮挡问题,每一部分的权重系数由来自不同的块和背景颜色信息共同决定.为了适应场景光照的变化,提出快速并且稳定的更新机制.实验分析,该方法可实现快速有效的跟踪.