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...     

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.     

Mean Shift自适应步长的改进

Mean shift算法是一种广泛应用于计算机视觉、模式识别等领域的统计迭代算法,它使每一个点"漂移"到密度函数的局部极大值点,均值漂移的方向就是梯度方向,因此,漂移序列总是向着函数值增加最快的方向移动,并且每次移动的步长大小具有自适应性.本文研究了Mean Shift算法移动步长的自适应性,对其进行改进,使其能够通过参数的适当调整得到优于原Mean Shift算法的收敛速度,并从理论上证明了改进的Mean Shift算法能够收敛.本文的实验也进一步验证了改进的Mean Shift算法的收敛性,并对比了改进前后的Mean Shift算法的收敛速度.     

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。     

Mean Shift算法的收敛性讨论

作为一种有效的迭代算法, Mean Shift具有的良好的特性, 在聚类分析、视觉跟踪、图像平滑和图像分割等领域得到广泛应用.李乡儒指出了Comuniciu关于算法收敛性证明中的错误, 并给出了一个算法收敛的间接条件. 但是用什么样的核函数、在什么条件下算法收敛仍然没有直接的结果. 本文首先指出最近发表的一篇文献中关于MeanShift算法收敛条件及证明过程理解上的错误.然后对常用的核函数用于算法时的收敛性进行分析, 得到了几个对算法扩展和应用有意义的结论.     

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.     

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。     

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.      

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.