基于特征融合的改进粒子滤波目标跟踪算法

针对复杂背景下单一的颜色特征不能准确跟踪目标的问题,提出了一种改进的目标跟踪算法。该算法利用跟踪目标的颜色特征和运动边缘特征来表示目标。在粒子滤波的框架下融合特征信息从而进行目标跟踪,能够有效地避免单一颜色特征在跟踪过程中受到相似背景、遮挡等问题的干扰。通过与基于单一颜色特征跟踪实验误差数据的分析,实验结果表明该算法在复杂背景以及目标遮挡等情况下能达到较好的目标跟踪效果,实现目标的准确跟踪。     

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.     

改进局部二值模式算法与Camshift结合的目标跟踪方法

为解决视频实景监视系统中因场景光照、阴影及远距离小目标跟踪易丢失问题,提出一种改进局部二值模式(local binary patterns, LBP)算法与Camshift结合的目标跟踪方法。利用LBP算子纹理和颜色对阴影不敏感的特性,采用改进的LBP算子与高斯混合模型结合进行背景建模和目标检测,以抑制阴影的干扰;同时将LBP算子的纹理和颜色融入Camshift算法中,结合Kalman滤波进行目标运动状态的预测,最终实现对监视场景中运动目标的可靠、稳定跟踪。采集行人、车辆及航空器等不同类目标进行实验,验证了本文方法不仅能够稳定、精确地跟踪运动目标,同时可适用于场景雾天低能见度条件下的目标跟踪。     

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。     

一种结合背景差分的改进CamShift目标跟踪方法

针对传统的CamShift目标跟踪算法在跟踪目标之前需要手动选择目标区域,以及当目标物的颜色与背景色相似时容易跟丢的问题,提出了一种结合背景差分的CamShift改进方法.首先利用背景差分法检测出的目标区域作为CamShift算法的初始搜索窗,以解决手动选择跟踪目标的问题;然后在跟踪的过程中比较CamShift算法每一帧搜索窗的中心横纵坐标与背景差分法检测出的目标区域矩形框中心的横纵坐标,根据设定的阈值来选择CamShift算法下一帧的搜索窗,以解决目标色与背景色相似的问题.仿真实验表明改进方法在目标与背景色相似的情况下也能有效地跟踪目标.     

基于改进的Camshift目标跟踪算法

基于改进的Camshift目标方法跟踪算法是在原始Camshift目标跟踪方法的基础之上加入距离约束和跟踪框大小约束两个约束条件的一种改进的算法。该算法能够有效地解决遮挡和跟踪目标与背景颜色相似时的跟踪失败的问题。实验结果表明,该算法具有较好的鲁棒性和稳定性。     

基于灰度共生矩阵和Mean Shift的目标跟踪算法

针对运用单一颜色特征描述运动目标时抗干扰性较差的问题,提出一种融合灰度共生矩阵和颜色特征的Mean-Shift目标跟踪算法.采用灰度共生矩阵推导的6个纹理特征参数和颜色特征分别表征跟踪目标,引入马氏距离计算纹理特征的相似度,并结合Bhattacharyya系数计算颜色特征的相似度,同时利用Mean Shift算法进行目标定位.实验表明,改进算法能在复杂背景下,有效、准确地实现目标跟踪.     

基于LBP纹理和改进Camshift算子的车辆检测与跟踪

提出了利用背景图像LBP（局部二值模式）纹理和当前帧图像LBP纹理的相似度分析提取前景的方法,克服了车辆检测中常用的帧差法、背景差分法对光照比较敏感的缺点.同时基于H,S,V分量及改进的LBP纹理的联合直方图与金字塔L-K光流法中心跟踪相结合的Camshift跟踪算法,有效地解决了背景目标颜色相近可能会导致跟踪的目标区域加入背景后变大、处理较大帧间位移的视频跟踪上搜索窗口的位置准确度较低的问题.实验证明,该方法具有良好的检测和追踪效果.     

一种改进Harris角点检测的目标跟踪方法

针对传统粒子滤波目标跟踪算法在目标被遮挡或背景色与目标相似情况下出现目标跟踪定位偏差大甚至丢失目标的缺陷,本文提出一种改进的Harris角点检测的目标跟踪方法.该方法首先提出一种改进Harris角点检测算法,利用双阈值法,选定1个大阈值和1个小阈值,从而极大的减少了角点数量,并利用SUSAN思想去除伪角点;然后依据HSV颜色模型对环境光照变化不敏锐的特点,对检测到的角点建立HSV颜色模型,以鼠标所选定的矩形中心,矩形宽度和矩形高度作为状态量,以HSV颜色直方图作为观测值,建立合适的粒子滤波算法数学模型,实现对目标的有效跟踪.实验结果表明:即使在目标与背景颜色相似或被遮挡的情况下,该算法仍然能够准确的跟踪目标,达到降低环境因素对目标跟踪影响的目的.     

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.     

基于CNN的粒子滤波目标跟踪算法研究

针对复杂场景下目标跟踪算法存在的跟踪目标丢失漂移等问题,提出一种粒子滤波框架下基于卷积神经网络（convolutional neural network,CNN）的目标跟踪算法.该算法采用CNN提取跟踪目标的高层语义特征,并引入离线训练方式,提高训练效率以及特征提取的泛化能力;利用粒子滤波算法框架,实现目标运动状态的有效估计;同时采用长时与短时两种更新策略,并引入困难样本挖掘的在线训练方式,以适应目标外观变化与背景干扰等复杂情况.仿真实验结果表明本文算法能有效适应遮挡、光照、剧烈运动等场景.与多个当前的跟踪算法在公开测试样本下进行了结果比较和分析,验证了本算法在解决跟踪目标丢失漂移等问题上的有效性.      

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。     

基于前景策略和场景信息的目标跟踪系统

为解决目标跟踪算法中的某些难点问题,提出以Mean-shift算法为基础,基于高斯混合模型(GMM)前景分割和场景信息的MGSI方法.该方法基于运动预测和前景分割为目标跟踪提供感兴趣区域(ROI),解决了跟踪目标与背景相似情况下目标识别中的误报问题.同时,通过场景信息的预先设定来获取某些先验知识,如屏蔽区域的划分、区域中目标模板更新的频率、遮挡类型的预判等,并根据先验知识来调整跟踪策略,一定程度上解决了遮挡问题.实验证明,基于MGSI方法的目标跟踪系统在一定程度上解决了光照变化、背景干扰、模板更新、遮挡等传统跟踪系统中存在的问题,有效提高了跟踪的准确率.     

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。     

基于多特征融合的目标跟踪算法

针对单一特征的目标跟踪算法鲁棒性较差的情况,利用目标的多种观测信息通过D-S证据理论进行融合跟踪.在粒子滤波的总体框架下,嵌入Mean-Shift算法产生更加逼近真实后验分布的粒子,同时采用颜色和运动边缘特征作为观测模型,有效地避免了单一颜色特征在光照突变、姿态变化以及背景相似情况下的跟踪稳定性较差的问题.实验表明,该...     

基于在线分级特征选择机制的目标跟踪算法

为了提高在复杂背景、光照突变等因素干扰下视频序列目标跟踪算法的鲁棒性,提出了一种新的基于在线目标特征选择机制的跟踪算法。利用目标颜色信息和梯度方向直方图构造目标特征空间,用Gauss混合模型对目标特征集建模,分级选择机制在目标特征集中依据最大化信噪比准则选择最优的特征子集,生成概率权重图像。利用概率权重图像构造观测似然函数,在粒子滤波的框架下,实现目标的跟踪。实验结果表明:该算法可以有效地克服目标旋转、背景复杂、光照突变等因素的干扰。     

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。     

基于NCC匹配的Camshift目标跟踪算法

目标跟踪一直以来都是机器视觉的热点问题,通常目标跟踪主要是通过寻找上下帧的相似特征来确定目标位置。Camshift算法在目标跟踪过程中一般利用的是目标的颜色信息,但在目标受到类似颜色干扰时容易跟踪失败,而NCC算法能够利用目标的结构特征。提出了一种结合Camshift与NCC的跟踪算法,使用Camshift对目标位置进行定位,同时在定位区域利用缩放比例进行NCC匹配得到目标的最终位置。实验结果表明该算法是可行有效的,对比当前传统跟踪算法其跟踪性能有着显著的提高。     

基于在线分级特征选择机制的目标跟踪算法

为了提高在复杂背景、光照突变等因素干扰下视频序列目标跟踪算法的鲁棒性,提出了一种新的基于在线目标特征选择机制的跟踪算法。利用目标颜色信息和梯度方向直方图构造目标特征空间,用G auss混合模型对目标特征集建模,分级选择机制在目标特征集中依据最大化信噪比准则选择最优的特征子集,生成概率权重图像。利用概率权重图像构造观测似然函数,在粒子滤波的框架下,实现目标的跟踪。实验结果表明:该算法可以有效地克服目标旋转、背景复杂、光照突变等因素的干扰。     

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.