基于Mean Shift算法跟踪视频中运动目标

针对Mean Shift算法在视频中跟踪目标与背景的像素差值不明显时跟踪效果不佳,提出了Mean Shift改进算法.实验表明,该算法能有效、准确地跟踪视频中的运动目标,计算量小,可以满足实时性要求高的场合.     

基于Mean Shift方法的视频车辆检测与分割

提出了一种基于Mean Shift方法的视频车辆检测和分割方法.首先将交通场景图像与路面区域所对应的二值掩模图像进行“与”运算以排除无关背景干扰,并对所得的结果图像用Mean Shift聚类方法进行分割以得到原始的分割图像.然后根据区域的面积、分布以及颜色的均匀性和相似性等特征有效过滤出路面区域.进一步基于颜色的不相似度量,将路面区域置“黑”,所有其他区域置“白”,对路面区域图像进行二值化.最后通过特定的后处理过程可把路面区域中所存在的动、静态车辆检测出来.     

基于Mean Shift算法的卡尔曼滤波红外摄像头的目标跟踪系统设计

红外图像具有被动成像、抗干扰性强、目标识别能力强和全天候工作的特点,已经被广泛应用于军事侦察、监控和制导等领域.在背景干扰或者遮挡情况下传统的Mean Shift跟踪算法的跟踪存在不连续的问题.针对人体目标的活跃性和特殊性,设计一种在Mean Shift算法基础上结合卡尔曼滤波和Bhattacharyya系数遮挡判定因子的目标跟踪系统.当遮挡发生时,通过滤波器预测目标下一帧的位置,继续实现跟踪.测试结果表明：在背景干扰或者遮挡的情况下该跟踪系统可以有效地对目标进行准确跟踪.     

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.     

Mean Shift跟踪算法创新实验项目设计

视频跟踪算法是计算机视觉实践课程中比较受关注的实验项目。针对突变情况下传统Mean Shift跟踪算法无法实时准确跟踪的问题,设计了基于模板更新和线性预估的Mean Shift跟踪算法创新实验项目。在模板更新策略下,引入背景模板,通过将原目标模板和背景模板与设定的阈值进行比较来对干扰因素进行判定,当干扰因素判定目标受到遮挡时,引入线性预估方程进行目标位置预测,有效解决目标在遮挡情况下跟踪丢失的问题。通过对测试视频的跟踪效果和性能进行对比分析,验证了算法在突变情况下相较于传统算法具有更好的抗干扰能力。以算法创新设计为核心,通过开放性创新实验项目的选题、设计、答辩、反馈的闭环实验过程,有效提高了学生算法创新设计能力。     

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.     

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.     

粒子滤波器与Mean Shift算法在人脸跟踪中的应用

目的针对背景复杂的彩色视频图像序列,提出了一种梯度和颜色直方图相结合的双线索人脸跟踪算法。方法首先利用颜色确定肤色区域,再根据人头的椭圆形状利用梯度确定头部轮廓,从而获取人脸区域。在跟踪过程中采用粒子滤波方法得到人脸初始粒子与位置;然后用Mean Shift算法进行粒子更新,判断目标运动方向。结果与结论该方法对复杂背景下人脸旋转、遮挡及背景肤色干扰下的跟踪,具有较强的鲁棒性,能够更好地克服在视频跟踪中的遮挡问题。对于丢失目标的跟踪情况进行改进还有一定的困难,这也是以后研究的重点。     

一种改进的Mean Shift目标跟踪算法——针对视频对象部分遮挡和光照变化

针对经典的Mean Shift算法在目标部分遮挡或者场景光照变化时容易出现跟踪目标丢失的问题,文章运用一种基于分块权重的方法处理目标部分遮挡问题,每一部分的权重系数由来自不同的块和背景颜色信息共同决定.为了适应场景光照的变化,提出快速并且稳定的更新机制.实验分析,该方法可实现快速有效的跟踪.     

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.     

一种融合改进MeanShift和SIFT的跟踪算法

针对传统Mean Shift（ MS）跟踪算法易受遮挡,复杂背景和光照变化等因素影响,导致不准确跟踪或跟踪丢失,提出了一种融合改进MS和SIFT的跟踪算法。改进的MS算法根据目标对象的最新外接矩形尺寸,确定对象的分块方法,根据各块的Bhattacharyya系数值,确定各块的权重系数,获得初步的跟踪结果;采用SIFT特征匹配和校正的方法对其初步跟踪结果进行调整;采用线性加权的方法融合改进的MS跟踪结果和SIFT校正结果,得出最终的跟踪结果。实验表明,提出的方法比传统的MS算法和固定分块的MS算法都具有更好的跟踪性能。     

基于均值漂移聚类算法的背景重构

针对传统的基于像素点进行背景重构的算法中运算复杂、背景图像失真等缺点,提出了一种基于像素点均值漂移聚类算法的背景重构方法。首先通过变化率的判断省略一部分不存在运动对象的像素点,然后对其余大部分像素点需要通过典型样本点的均值漂移算法迭代运算,最后对结果进行聚类得到背景点值。仿真结果表明,该方法在复杂运动目标视频序列中能够快速、完整地重构背景。     

基于Mean Shift的大车车型分类特征提取

针对车流量大的多车道路面,从可实现的角度出发根据统计分析提出了以车体结构区间和颜色为基础的3个能有效区分大客车和大货车的特征,并提出了一种以Mean Shift与抗干扰边缘检测相结合的特征提取方法.该方法首先在色度域和空域的5维联合空间中用Mean Shift进行图像分割,然后以分割所得区域的边缘提取结构区间的分界线,进而获得特征的表示.实验结果表明,该方法能有效克服由反光和运动而导致的车体颜色失真和边缘模糊的现象,特征提取率超过90%,因此该方法鲁棒性强、准确率高.     

序列图像运动目标检测的一种快速算法

研究了序列视频图像中运动目标的检测与跟踪快速算法．研究基于Kalman滤波理论的渐消记忆最小二乘法,用该方法重建背景图像;采用图像差分算法提取运动目标;提出简化的等效灰度投影算法来计算目标的质心;采用记忆外推跟踪算法实现图像目标的跟踪,并且对全部算法做了仿真．仿真结果表明算法简单、有效、执行速度快、具有很强的适应性,能够用于单镜头序列图像中运动目标的检测与跟踪．     

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。