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.     

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。     

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Mean-shift的粒子滤波算法在遮挡目标跟踪中的应用

针对Mean-shift及粒子滤波对遮挡问题的处理,结合二者的优势做出有效改进。一般情况下利用改进的均值漂移算法跟踪目标,在目标发生严重遮挡情况下,给出一个遮挡因子,采用改进的粒子滤波算法跟踪目标。算法能够对发生遮挡后的目标进行持续、稳健的跟踪,提高算法在遮挡情况下目标跟踪的鲁棒性。     

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.     

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。     

基于神经网络和Mean-shift的目标跟踪方法

提出了一种RBF神经网络和Mean-shift相结合的跟踪算法．此算法采用Bhattacharyya系数度量环境干扰程度,使用不同的比率因子将RBF神经网络对目标位置预测结果与Mean—shift算法跟踪结果加权,得到最终目标位置．实验结果表明,该方法在复杂环境下能对运动目标进行更加准确的跟踪．     

一种基于算法融合的运动目标跟踪算法

为了提高目标跟踪算法在复杂环境下的稳健性,提出了一种将基于颜色特征的均值漂移算法和SURF(Speeded UpRobust Features)特征匹配算法相融合的目标跟踪方法。该算法首先采用颜色特征和SURF特征分别描述目标模板,利用均值漂移算法快速估计目标局部最优解。但仅采用单一颜色特征来估计目标位置,跟踪误差逐渐累积;采用SURF算法精确估算目标位置和尺度,及时修正累积误差。最后根据相似性度量Bhattacharyya系数选择较优的结果作为当前帧跟踪结果,且更新目标模板。实验结果表明,算法在目标发生较大形变、尺度变化、周边具有表观相似目标时具有很强的稳健性,且满足跟踪实时性要求。     

融合视觉与雷达数据的改进粒子滤波车辆目标跟踪

针对视觉跟踪中由于尺寸变化累积误差导致目标丢失的问题,提出一种融合视觉与毫米波雷达数据的改进粒子滤波车辆跟踪算法。首先,引入遗传算法改善标准粒子滤波中的粒子退化与粒子衰退问题,根据退化程度计算动态自适应的遗传交叉概率,并利用高斯分布替代平均分布计算种群适应度。然后,将图像HSV直方图特征与改进粒子滤波算法结合,实现车辆多目标跟踪。最后,通过雷达目标投影点与视觉跟踪框的位置关系实现关联匹配,利用深度信息修正跟踪框的位置与尺寸。实验结果表明,相对于标准粒子滤波,改进的粒子滤波算法可以使平均跟踪准确率与精度分别提高22.1%与21.1%。相对于仅采用视觉跟踪,融合雷达数据的跟踪算法能够使车辆目标跟踪精度再次提高9.2%。     

基于FCTP模型的Mean shift目标跟踪算法

为了解决目标跟踪过程中的定位偏差问题,本文提出Mean shift算法和拟合曲线轨迹预测模型（FCTP）相结合的目标跟踪算法。首先根据目标已知位置信息,从FCTP模型中选取最优拟合曲线来拟合目标运动轨迹,并得出目标预测位置;然后,利用跟踪窗口自适应的Mean shift算法在预测位置邻域内搜索目标最终位置。实验结果表明,该算法能有效地实现快速运动目标的预测跟踪,保证了跟踪精度。     

基于Kalman滤波和改进的MeanShift算法的目标跟踪

MeanShift算法因为简单性和稳定性在目标跟踪中得到广泛应用,但是当目标和背景的颜色模型比较接近时,传统的MeanShift算法由于缺少空间信息,且经典的相似性度量函数不易区别,导致跟踪失败。为了克服上述缺点,采用基于空间颜色特征和新的相似性度量的MeanShift算法,并提出一种融合Kalman滤波器和改进的MeanShift算法的目标跟踪方法。首先,利用改进的MeanShift算法计算出当前帧中目标的准确位置,然后使用Kalman滤波器去预测下一个初始搜索位置,用于下一帧中MeanShift迭代,最后实现对目标的跟踪。实验结果表明,该算法可以准确地跟踪目标,并且跟踪的准确率优于传统的MeanShift算法或者Kalman和传统Meanshift的融合算法。     

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。     

改进ViBe算法与Meanshift结合的目标跟踪方法

为解决视频监控系统中因光照变化、相似颜色干扰及快速动目标而导致的目标易丢失问题,提出一种改进ViBe算法与Meanshift结合的目标跟踪方法。首先采用三帧差分和ViBe算法结合进行前景目标提取和检测,以消除鬼影的干扰,利用色度特征和梯度特征相结合的方法来抑制阴影;同时通过将边缘特征融入到Meanshift算法中,引入运动矢量在当前帧中预测下一帧运动目标的位置,实现场面监视环境中运动目标的持续、准确跟踪。通过在监控视频中行人、车辆及飞行器等不同场面目标做实验,验证了本文方法不仅能够持续、准确地跟踪运动目标,并且可适用于场面雾天低能见度条件下的运动目标跟踪。     

基于尺度自适应和跟踪框自转的视频目标跟踪

在高空运动变焦摄像机视频监控目标的自动识别跟踪中,跟踪目标背景、跟踪目标尺寸和跟踪目标相对背景运动的方位角都在实时变化,为解决常规Mean Shift目标跟踪算法在面临上述快速变化时容易出现的目标跟踪丢失问题,在Mean Shift目标跟踪算法的基础上,考虑跟踪目标的变尺度、长宽比和方位角等因素,提出了改进的基于尺度自适应和自转跟踪框策略的视频目标跟踪算法,实际场景下的实验结果表明:该算法具有较好的准确性和实时性,满足视频目标实时跟踪的应用需求。     

多基地雷达系统中基于距离差测量的目标跟踪分析

分析了用多站雷达系统跟踪近程目标的方法。将速度矢量引入到目标运动模型,从而能更好地描述机动目标。系统量测方程建立在距离差测量的基础上,使跟踪过程与发射机位置无关,因而十分适用于发射机机动的系统布局。仿真结果表明该方法是有效的,具有跟踪速度快、稳态误差小的特点,适用于多瞳雷达系统跟踪近程目标。     

IPNet:帧间预测校验的多域卷积神经网络目标跟踪算法

针对现有卷积神经网络分类预测MDNet算法在线更新机制容易将错误样本引入网络模型,导致跟踪算法失效的问题,提出一种基于帧间预测校验的MDNet目标跟踪改进算法IPNet。该算法运用视频压缩领域的帧间预测方法和聚类算法,在前一帧目标跟踪位置的基础上,计算前后连续两帧中目标的相似度,估计出目标下一帧可能出现的候选区域,实现目标位置预测,达到校验跟踪结果的目的。IPNet算法能有效减少更新样本导致的跟踪失效问题,改善了在目标旋转、快速运动以及背景混杂等情况下的跟踪效果,提升了算法的跟踪性能。     

基于在线多示例学习的协同训练目标跟踪算法

为解决把多示例学习应用到目标跟踪算法而导致的误差积累问题, 结合协同训练方法, 提出一种新的目标跟踪算法。该算法利用协同训练克服分类器自训练带来的误差积累, 同时在线多示例学习提高了跟踪效果的鲁棒性。将跟踪结果中心与理想目标位置中心的误差作为评价标准, 在标准视频序列上将跟踪结果与半监督学习跟踪算法和传统多示例学习跟踪算法进行对比。实验结果表明, 该方法在背景光照变化、目标旋转等复杂条件下, 可很好地跟踪目标, 具有较好的鲁棒性。     

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。     

融合背景信息的改进粒子滤波跟踪算法

为消除传统粒子滤波算法在跟踪目标受到相似背景干扰和遮挡时,容易造成跟踪误差增大或跟踪失效的影响,提出融合背景信息的改进粒子滤波跟踪算法.利用对数似然函数将背景信息融入目标模型,并将目标分为多个子区域增强目标模型的可靠性,有效克服了相似背景对目标的干扰;然后存储一定时间的历史轨迹信息,通过最小二乘法进行拟合并预测下一帧目标出现的位置,有效克服了遮挡对跟踪的影响.实验结果表明,该算法比传统的粒子滤波算法具有更强的抗背景干扰能力,在遮挡情况下也有更好的跟踪精度.