复杂背景下一种有效的Mean Shift目标跟踪算法

提出了一种改进的Mean shift目标跟踪算法,该方法能够有效的排除非目标点对跟踪结果的影响,并且得到新的权值,增强了该像素属于目标的可能性,削弱了背景信息对目标模型的影响,提高了在复杂背景下对运动目标跟踪的鲁棒性.实验表明该方法能够有效实现复杂场景下的目标跟踪.     

基于特征学习与特征记忆模板更新机制的粒子滤波跟踪

目标运动的多样性以及背景环境的复杂性是影响目标跟踪鲁棒性的主要原因.受背景颜色、光照以及姿态尺度变化等因素的影响,目标模板更新精度不高、目标跟踪鲁棒性差.针对此类问题,提出了一种基于特征学习与特征记忆的模板更新机制,通过构建目标模板库,保存丰富的运动目标信息,采用粒子滤波跟踪算法,将候选模板与模板库中的目标信息进行匹配,确定目标状态实现跟踪.实验结果表明,该算法以更丰富的目标信息进行跟踪,比传统目标模板更新策略的粒子滤波算法具有更高的跟踪精度和更强的鲁棒性.     

红外序列图像目标的高效跟踪

针对Mean shift算法中仅使用灰度特征难于实现对红外序列图像目标准确跟踪的问题,提出了利用边缘-灰度特征相融合的目标跟踪算法.为了实现红外序列图像中目标的高效跟踪,在研究Mean shift灰度特征的基础上,根据红外序列图像的边缘方向信息与灰度信息构建了边缘-灰度目标模型,将此模型应用到目标跟踪算法中,提高了Mean shift算法在红外序列图像目标跟踪过程中的运算能力.实验证明,该方法能够增加灰度直方图对目标模型的描述能力,提高了目标跟踪算法的鲁棒性.     

基于前景概率函数的目标跟踪

针对不规则目标跟踪中初始窗口内包含背景像素导致特征模板不准确的问题,提出前景概率函数以及基于前景概率函数的目标跟踪算法.首先根据目标所在区域与背景区域的颜色分布建立前景概率函数,并以此计算目标区域中像素的前景概率,削弱背景像素的干扰,得到更准确的目标特征模板.将目标区域像素的前景概率引入均值迁移跟踪框架中,实现目标的迭代定位;在跟踪收敛后重新计算收敛区域中的前景概率分布,根据其反向投影图的尺度变化调整跟踪窗宽;最后利用Bhattacharyya相关系数对目标特征模板进行自适应更新.实验表明,该算法能够有效抑制背景像素的干扰,在目标尺度变化时能够准确调整跟踪窗宽,减少迭代次数,满足实时跟踪的需要.在复杂背景中跟踪性能也始终优于传统的均值迁移跟踪算法.     

颜色自适应与相关滤波互补目标跟踪

针对相关滤波(Correlation Filter,CF)算法在目标跟踪中严重依赖目标及背景的颜色在空间中布局,对目标变形极其敏感,且因背景颜色分布的变化导致目标中心计算不准确问题,提出了颜色自适应(Color Adaptive,CA)与相关滤波互补的跟踪策略.跟踪过程中,首先根据前面帧学习的滤波模板和颜色模板,通过两种算法分别计算目标中心坐标;其次,由相关滤波产生的响应图中目标区域数值的占比,分配两种算法计算的中心坐标相应权值,得到最终的跟踪坐标.跟踪实验表明,本文方法(CACF)应对跟踪过程中各种干扰问题具有更强的鲁棒性,优于近几年一些主流的跟踪算法,且跟踪速度可达到实时性.     

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。     

一种抗遮挡的运动目标跟踪算法

针对当前目标跟踪算法受环境干扰大、抗遮挡能力差等不足,设计一种抗遮挡的运动目标跟踪算法.首先分析经典运动目标跟踪算法——均值漂移算法的局限性,然后从目标候选特征中选择对跟踪贡献最大的显著特征,并采用自适应的模板更新策略提高运动目标精度.仿真实验结果表明,该算法能对运动目标进行准确、实时跟踪,加快了运动目标跟踪速度,且对遮挡目标具有良好的鲁棒性,可获得更理想的运动目标跟踪结果.     

基于颜色纹理直方图的meanshift目标跟踪算法

Mean shift算法是一种重要的目标跟踪方法.在充分研究Mean shift算法的基础上,提出一种基于颜色纹理直方图的改进Mean shift跟踪算法.该方法首先计算目标图像区域中基于局部二值模式(local binary pattern,LBP)的主要纹理特征,通过提取主要特征消除背景和噪声等因素的干扰.另一方面,联合颜色和信息建立目标表示模型,可以为目标建模提供更丰富的纹理信息,目标表示更为准确,目标特征更明显区别于目标附近邻域内的背景特征.通过实验表明,改进的跟踪算法能有效提高目标跟踪精度,因此该目标跟踪具有较好的鲁棒性.     

基于视觉显著性的突变运动目标跟踪

针对突变运动下的目标跟踪问题,提出一种基于视觉显著性的粒子滤波跟踪算法.该算法将基于视觉注意机制的视觉显著图引入粒子滤波框架中,根据视觉显著图的显著性区域,按"胜者为王"和"返回抑制"机制进行目标检测,并以检测结果为全局建议分布进行粒子采样,从而完成全局状态空间的搜索,有效地避免了陷入局部极大值.同时,为增强目标区域在视觉显著图中的显著性,将自底向上和自顶向下的计算模型相结合,根据目标模板对各个特征显著图进行自适应权值计算,并按权值融合产生视觉显著图.实验结果表明,针对不同类型的突变运动跟踪场景,该算法均能表现出较好的鲁棒性.     

用于实时跟踪的模板匹配神经网络算法

研究复杂背景下运动目标的识别和跟踪.提出了一种新的基于模板匹配的神经网络结构,将模板与跟踪窗内待匹配区域的像素按环形排列,分别作为神经网络的阈值和输入,选择跟踪窗内与模板相对应的各环差值均较小的区域作为识别结果.由于模板匹配过程中像素按环形排列,因此对于目标的平移和旋转均具有不变性,同时,算法计算量比最小绝对差累加和算法略小.将该算法应用到实时跟踪系统中,实验结果表明该算法可满足跟踪系统实时性要求,验证了算法的有效性.