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。     

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...     

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。     

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。     

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.     

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.     

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。     

运动序列图像中目标点的自动定位与跟踪研究

目标跟踪是视频运动图像数据分析前期的一项关键技术,通过对目标点的定位跟踪,以便研究人员在跟踪过程中提取运动目标的相关参数,有助于对视频图像中目标的运动技术进行分析。结合模板匹配快速定位算法与Mean Shift算法,研究了运动图像序列中目标点的自动定位与跟踪问题。实验结果显示,算法具有良好跟踪效果。     

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。     

基于稳像技术的飞艇监控视频目标追踪

一般的目标追踪算法提取目标的颜色或轮廓特征,在图像区域内使用匹配算法完成对目标的追踪。由于飞艇容易受到气流影响,艇载相机平移误差会造成目标在视频的相邻帧间运动距离过大,传统目标追踪算法容易陷入到局部最优解而造成目标跟错或者丢失。该文提出了一种基于视频稳像的追踪方法,使用基于运动估计和混合滤波算法,首先处理视频使之平滑稳定,在此基础上利用人机交互选择目标并应用基于MeanShift的算法实现追踪。比较本文提出的算法和一般算法在飞艇视频目标追踪中的效果,结果表明:该方法在目标追踪中具有更高的准确率,同时满足实时性要求。实验证明了本文提出算法可以准确有效地处理飞艇视频目标跟踪问题。     

基于Mean Shift的视频图像检测与跟踪

在复杂背景的视频图像中,实时、准确、连续、长距离的跟踪以人为对象的目标,是一件很困难的任务。人体对象在跟踪目标图像位置的变化时,一直随着姿态的变化而改变,因此这是一个非常典型的非刚体目标,对这类目标采用简单的模板匹配的方法进行目标跟踪,无法达到准确的跟踪。均值漂移（Mean Shift）是现今最受欢迎的对象跟踪方法之一,广泛的运用于人脸的跟踪,文章提出了一种基于均值漂移算法的复杂背景视频图像检测与跟踪算法。在运动目标跟踪中,提出了以直方图为模式特征,以均值漂移算法为核心算法的目标跟踪算法,通过实验表明该跟踪算法能对候选目标进行运动检测,完成实时跟踪,同时有效抑制了局部遮挡、背景混乱等,过滤了伪目标,保证了跟踪的可靠性。     

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。     

一种改进的Mean Shift跟踪算法

在复杂背景的图像中,用直方图作为目标的特征模板,依据颜色分布进行匹配,具有较好的稳定性.Mean Shift算法是计算最优解的一个高精度算法,能在良好的目标初始化的前提下跟踪到无遮掩的目标.但其新目标由手工标定,特征模板计算量很大,且容易丢失遮掩情况下的目标,所以对Mean Shift算法进行了四处改进.改进后的算法能够准确地初始化、并快速精确地跟踪目标.     

基于Camshift和Kalman滤波的仿人机器人手势跟踪

对仿人机器人MIR-1的双目视觉系统实现实时手势跟踪.通过颜色直方图反投影,将每帧RGB输入图像转换为二维的肤色概率分布图像,基于Camshift算法计算手势跟踪窗口的位置和大小,并用Kalman滤波预测手心位置,有效地解决了背景中大面积肤色干扰和手势部分被遮挡等问题.在仿人机器人MIR-1上完成的手势跟踪实验,验证了此方法的实用性和有效性.