一种结合颜色纹理直方图的改进型Camshift目标跟踪算法

针对背景中存在颜色相近目标或目标被遮挡时Camshift算法跟踪失败的问题,提出了一种改进的Camshift目标跟踪算法。首先,改进算法模型直方图的计算选用颜色和纹理相融合的直方图概率分布,解决了Camshift算法只使用单一的颜色模型、很难适应物体大范围运动造成的背景变化或遮挡的不足;其次,图像权值采用目标模型与目标候选模型特征概率之比的平方根来计算,并用权值进一步估计目标的位置和方向,克服了原始Camshift算法中图像权值仅依靠目标模型计算的不足,大大减少了背景特征对跟踪的影响;最后,利用粒子滤波对运动目标状态进行估计,以克服目标运动引起的遮挡、交错或重叠,进而提高目标位置跟踪精度。实验结果表明,改进算法的平均每帧成功率达到50%以上,平均中心位置误差低于20%。改进算法能有效改善目标跟踪性能,从而实现目标跟踪的有效性、准确性。     

一种融合LBP纹理特征的多姿态人脸跟踪方法

提出一种改进的Camshift算法,它融合目标人脸的局部二值模式(LBP)纹理特征的T分量,以及肤色的HSV色彩空间的H分量的统计直方图来生成概率分布图像,实现纹理与肤色特征的有效融合;然后,利用Kalman滤波器来预测目标人脸的运动信息,快速地跟踪到目标人脸.实验表明,在复杂的跟踪条件下,这种算法比原始的仅采用颜色直方图信息的Meanshift和Camshift算法,在跟踪速度和精度上有显著的提高.     

改进的Camshift目标跟踪算法的研究

Camshift算法是一种常用的跟踪算法,使用传统的Camshift算法追踪目标时,在目标与背景色调一致,或者目标与镜头相距较远的情况下可能会跟踪失败。通过分析Camshift算法的不足,从目标初始化和阈值筛选这两方面做出了改进;将原算法中的单框圈定目标改进为双框取定目标,阈值不变改进为自动调整阈值。实验结果证明,该算法具有一定的先进性,在目标较小或者目标移动迅速的情况下也能准确地进行跟踪,提高了算法对背景的适应能力以及跟踪的成功率和准确率。     

基于ORB特征点匹配的改进Camshift运动目标跟踪算法

在运动目标跟踪方面,当前比较常用的算法就是Camshift算法。针对该算法容易产生目标丢失的情况,在本文中提出一种基于ORB(oriented brief)特征点匹配的Camshift改进算法。原Camshift算法可以从目标的颜色直方图模型得到每帧图像的反向投影图,根据目标的大小自适应地调整搜索窗口尺寸,并迭代计算各目标窗口的质心位置,从而自适应地扩展搜索窗口。但是当发生目标丢失的情况时,缺少重新寻找得到目标的机制。本文通过引入ORB算法对运动目标进行匹配从而解决了这个问题。仿真实验结果表明,改进算法相对原算法具有良好的跟踪效果,可以实现持续跟踪。     

改进Camshift算法的DSP硬件实现目标跟踪方法

针对Camshift算法只对前一帧预测而导致的目标像素脱靶现象,以及目标像素在帧间位移较大的问题,本文提出一种改进Camshift算法的目标跟踪方法.该算法将加权背景直方图和贪心算法融入Camshift算法,利用贪心算法对前两帧图像信息进行处理,预测出目标在当前帧图像中的位置,再根据目标颜色概率,用Camshift算法找到目标的真实位置,最后在TMS320DM642(数字媒体应用的定点DSP)上对该文算法进行硬件系统的实现,并使用EDMA(增强型直接内存访问)方式和Cache技术对系统进行优化.实验结果表明,与传统Camshift算法相比,该文方法在背景与目标相近的情况下跟踪效果更佳,具有很好的鲁棒性和稳定性,适用于复杂环境下的目标跟踪.在系统实现上,优化后的系统平均帧率提升在3帧/s以上,增强了算法的速度.     

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。     

一种基于Camshift的快速目标识别算法

提出一种基于Camshift的快速目标识别算法,该算法先利用Camshift进行疑似目标区域搜索,再将该区域中物体与目标进行局部尺度不变特征匹配。实验结果表明,改进后的算法能够在复杂背景条件下快速准确地定位出目标在视频中出现的位置,满足视频取证的要求。     

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。     

基于改进YOLOv5s的行人车辆目标检测算法

针对传统的行人车辆目标检测算法因参数量大和计算复杂度高而在现实应用中受限的问题,基于轻量化深度学习网络提出改进的YOLOv5s行人车辆目标检测算法.首先,选用ghost模块替换主干网络中部分卷积模块进行模型剪枝,同时向网络中引入注意力机制,使得网络在减少模型参数量和提升模型性能两方面实现更好的平衡;其次,采用边界框的宽高差值计算代替边界框回归损失函数中宽高比距离的计算,加速网络的收敛;最后,通过构建真实交通场景下的行人车辆目标检测数据集检验模型的准确性和实时性.实验结果表明,在保持原算法较高精度的同时,改进后YOLOv5s算法的参数量下降28%,模型大小降低27%,节省了硬件成本,拓宽了YOLOv5s算法的应用场景.     

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。     

基于改进Camshift算法的移动机器人运动目标跟踪

提出了一种改进的Camshift跟踪算法来获得目标质心的位置,并在此基础上设计了一种采用单目视觉和声纳反馈信息的移动机器人运动目标跟踪系统.改进的Camshift算法通过自适应地扩展搜索窗口,解决了传统Camshift算法在跟踪中因目标加速度而引起的目标瞬间丢失问题.分析了移动机器人对运动目标的搜索、跟踪及避障等3种基...     

基于改进Camshift的蒸汽发生器堵板螺栓视觉定位研究

为缩短强辐射环境下核电站蒸汽发生器堵板操作时间,研制了一种基于改进Camshift算法的核电站蒸汽发生器堵板螺栓视觉定位系统,协同操作机器人实现螺栓的自主定位、拆卸和安装工作。对经典Camshift算法进行了改进,考虑饱和度S分量上的特征信息,建立H-S二维直方图,提出通过颜色相似度的比较,将可分离性好的目标子区域结合机器人本体移动信息和机器人计算出的堵板螺栓信息作为更新Camshift算法的搜索窗口;并利用直方图补偿策略,提高螺栓定位精度。此外,在基于Cortex-M4的STM32高性能处理器平台上,验证了该算法的高效性;并将采集的视频信息及处理信息实时显示在7英寸LCD显示屏上。实验表明,该定位系统具有良好的鲁棒性及快速性,为嵌入式视觉定位工程开发提供了基础。     

基于Kalman 滤波的Camshift 运动跟踪算法

提出将Camshift与Kalman滤波相结合的方法.首先,通过二次搜索来调整搜索窗口的位置和大小,保证Camshift跟踪的可靠性;然后,在Camshift算法的基础上,通过卡尔曼滤波对搜索窗口进行运动预测,保证实时跟踪.实验结果表明,在图像背景复杂且目标不规则运动的情形下,采用此方法仍能有效地跟踪到目标.在真实视频数据上的实验结果表明该方法具有很好的应用前景.     

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。     

基于多变量动态建模的粒子滤波行人跟踪算法实现

对于行人运动模型是线性系统,噪声符合高斯分布,采用边检测边跟踪的卡尔曼滤波算法,试验达到了预期的效果。但在实际中行人的随机行走具有很大的不确定性,不一定是线性系统和高斯分布,此时利用Kalman滤波就会导致跟踪失败。研究了基于先检测后跟踪的加权颜色直方图为匹配模板,基于动态建模的粒子滤波实现对行人的有效跟踪。在初始帧利用AdaBoost算法确定行人的位置、大小等状态信息,以行人矩形框内的加权颜色直方图作为跟踪的目标模板,初始化粒子集。在后续的视频图像中,利用粒子滤波算法实现行人跟踪。结果表明,即使在目标有遮挡、阴影等复杂噪声背景下,提出的方法也能很好地跟踪到视频序列中行人。     

鲁棒车载热成像行人检测的感兴趣区域提取方法

现有的感兴趣区域(RoI)提取方法很难兼顾较高召回率和较少的RoI数量.为了降低计算开销和RoI数量,提高召回率,文中提出了适合车载热成像行人检测的RoI提取方法:首先,根据行人边缘特征存在的方向差异性判断图像中可能的行人竖直边缘,增强其幅值;接着,级联行人尺寸约束和自适应局部双阈值分割方法过滤滑窗产生的边界框,滤除大量的非行人边界框;然后,根据行人的轮廓特征,采用T型模板对过滤后的边界框进行得分评估,在保留可能的行人腿部信息的同时去除边界框内部的无关边缘;最后,利用行人的强尺寸约束重新排序RoI,以便在提取固定数量的RoI时能提高召回率.在热成像行人检测数据集SCUT DataSet上进行对比实验,结果表明:当每幅图像提取400个RoI时,文中方法的召回率达92%,比EdgeBox方法的召回率提高21%,计算时间减少了10%.     

基于多个相关滤波器的行人跟踪尺度算法

外观、尺度变化是行人跟踪的难点，解决行人多尺度跟踪问题是增强算法实用性的关键因素.在KCF(kernel correlation filter)算法的基础上，本文采用多个相关滤波器(如头部、臀部)辅助身体躯干滤波器的匹配跟踪.通过获得图像帧(除第一帧外)与初始帧的行人头部和臀部之间的距离变化率来缩放搜索面积，解决目标定位不准确和时间浪费的问题;通过调整目标框的尺寸，解决目标模板逐渐包括背景特征或者逐渐被局部特征取代的问题.在VOT2016的18个有明显尺度变化的行人场景视频序列上进行了测试，实验结果表明所提算法具有更高的跟踪准确率.     

基于YOLOv3的改进行人检测算法研究

针对将YOLOv3通用目标检测算法应用于行人检测时的检测精度低、定位不准确的问题,提出了一种基于YOLOv3的适用于行人体态特征的目标检测算法.在预处理生成先验框部分,将MSCOCO通用数据集改进为MSCOCO中的person子集来生成仅针对行人体态特征的锚框,并将生成先验框的K-means算法改进为K-means++...     

基于改进YOLOv5的拥挤行人检测算法

针对密集场景下行人检测的目标重叠和尺寸偏小等问题,提出了基于改进YOLOv5的拥挤行人检测算法。在主干网络中嵌入坐标注意力机制,提高模型对目标的精准定位能力;在原算法三尺度检测的基础上增加浅层检测尺度,增强小尺寸目标的检测效果;将部分普通卷积替换为深度可分离卷积,在不影响模型精度的前提下减少模型的计算量和参数量;优化边界框回归损失函数,提升模型精度和加快收敛速度。实验结果表明,与原始的YOLOv5算法相比,改进后YOLOv5算法的平均精度均值提升了7.4个百分点,检测速度达到了56.1帧/s,可以满足密集场景下拥挤行人的实时检测需求。     

基于卷积神经网络的车辆和行人检测算法

针对传统的车辆和行人检测算法在提取特征时鲁棒性较差的问题,提出一种基于深度学习的车辆和行人检测算法。该算法利用更快速的区域卷积神经网络(Faster RCNN)开源框架和Squeezenet网络,通过在线负样本学习(OHEM)算法和可变的非极大值抑制(Soft-NMS)算法来改进算法的检测精度。首先采用Squeezenet网络框架对图片提取特征,然后通过区域提取网络算法(RPN)获取图片中待检测的区域,最后在检测阶段加入OHEM算法对疑难样本进行重新学习和Soft-NMS抑制重叠矩形框,从而得到目标的得分和边界框。结果表明,基于卷积神经网络的车辆和行人检测算法能够获得较好的检测效果。