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.     

一种3D点云分割改进型边缘特征提取网络

针对点云分割中边缘特征提取不足导致局部特征信息不完整、整体分割精度下降的问题,提出一种3D点云分割改进型边缘特征提取网络.为提升边缘特征表达能力,对深层边缘特征提取层做出改进,引入基于残差结构改进的多层感知机结构,形成边缘特征提取单元,该单元将原始点云特征与多层感知机提取边缘特征相融合,获取更加丰富完整的边缘信息,提高3D点云分割网络模型精度.在Shapenet数据集上的实验结果表明,提出的3D点云分割改进型边缘特征提取网络优于现存同类方法,相较于LDGC-NN链接动态图网络,点云分割准确率提升了1.17％.     

基于Mean Shift的运动人体骨架重构方法

本文提出一种基于Mean Shift的方法来追踪并重构运动人体的骨架结构。首先,手动的将运动目标的部分肢体标识出来,为每一部分都设定Mean Shift跟踪模板,由于单纯的应用原始Mean Shift没有利用人体信息,本文提出一种结合肤色模型和边缘信息的Mean Shift算法将运动人体的骨架运动准确的跟踪,最后利用上面跟踪的结合各运动区域的运动信息,将人体骨架完整的重构出来。实验结果表明,本文方法能够实时的有效的对运动人体的骨架进行重构。     

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...     

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.     

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.     

一种基于图的彩色图像分割算法

为了解决图像分割中容易出现的过分割问题,提出了一种基于图的彩色图像分割算法.该算法在区域合并的基础上,首先用Mean shift方法进行预处理,得到初始过分割区域后对其构造邻接图,然后计算邻接区域的颜色、纹理及边缘特征相似性以判断区域是否需要合并直到所有满足条件的区域都被合并.为了保持图像的全局属性,文中通过查找最优合并成本的方式进行区域合并.实验结果表明:即使在图像目标和背景区域颜色比较相似时,文中算法也能较好地实现对目标区域的完整分割;与其他4种算法相比,文中算法具有更好的分割性能.     

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.     

适于路面破损图像处理的边缘检测方法

根据路面图像存在的背景不均、损坏比例低和损坏方向不规则的问题,提出了适于路面损坏图像处理的边缘检测方法.在传统边缘检测方法的基础上,引入了预处理和边缘增强.其中预处理包括背景校正、高斯平滑、灰度直方图变换,并提出有效灰度区间的概念;边缘增强则采用了数学形态学的膨胀运算和中值滤波.针对路面损坏图像实例,采用8方向Sobel算子和最大类间方差分割算法,按照上述流程进行边缘检测.结果表明,该方法能有效降低噪声对路面图像处理的影响并最大限度地保留图像中的损坏特征,而背景校正和基于有效灰度区间的灰度直方图变换则是该方法的关键.对经过预处理的边缘图像,最大类间方差法可取得理想的分割效果.     

非参数Mean Shift方法在计算机视觉中的应用

Mean Shift算法是一种密度梯度的无参数估计方法,是目前为止特征空间分析的最好技术之一;介绍了核密度估计技术,讨论了核函数的构建方法及窗口尺度的合理选择准则,给出了通用Mean Shift算法的原理及算法步骤;阐述了对Mean Shift图像滤波与图像分割的思路;通过数据聚类实验,展示了MeanShift算法的有效性。     

复杂环境下运动摄像机稳定跟踪运动目标算法

在复杂环境中,运动摄像机跟踪运动目标是一项相当困难的工作。在基于目标颜色特征的Mean Shift跟踪算法中,引入感兴趣区域（ROI,Region of Interest）,减少背景干扰及降低计算消耗。提出基于目标强度和目标面积的目标危机判别函数,对强干扰、遮挡情况进行识别;采用直方图维数和量化等级数自适应选取策略解决强干扰,采用子区域搜索选优策略解决目标遮挡和重新捕获的问题。为使被跟踪目标锁定在摄像机视野中央区域,采用基于速度调节的闭环控制模型,驱动PTZ摄像机,跟踪运动目标。实验结果表明,算法对背景干扰和遮挡具有较强的适应性,摄像机可以平滑稳健地跟踪快速运动目标,而且系统计算代价小,完全达到了实时的运行速度。     

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.     

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。     

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。     

基于Mean Shift的视频图像检测与跟踪

在复杂背景的视频图像中,实时、准确、连续、长距离的跟踪以人为对象的目标,是一件很困难的任务。人体对象在跟踪目标图像位置的变化时,一直随着姿态的变化而改变,因此这是一个非常典型的非刚体目标,对这类目标采用简单的模板匹配的方法进行目标跟踪,无法达到准确的跟踪。均值漂移（Mean Shift）是现今最受欢迎的对象跟踪方法之一,广泛的运用于人脸的跟踪,文章提出了一种基于均值漂移算法的复杂背景视频图像检测与跟踪算法。在运动目标跟踪中,提出了以直方图为模式特征,以均值漂移算法为核心算法的目标跟踪算法,通过实验表明该跟踪算法能对候选目标进行运动检测,完成实时跟踪,同时有效抑制了局部遮挡、背景混乱等,过滤了伪目标,保证了跟踪的可靠性。     

一种基于算法融合的运动目标跟踪算法

为了提高目标跟踪算法在复杂环境下的稳健性,提出了一种将基于颜色特征的均值漂移算法和SURF(Speeded UpRobust Features)特征匹配算法相融合的目标跟踪方法。该算法首先采用颜色特征和SURF特征分别描述目标模板,利用均值漂移算法快速估计目标局部最优解。但仅采用单一颜色特征来估计目标位置,跟踪误差逐渐累积;采用SURF算法精确估算目标位置和尺度,及时修正累积误差。最后根据相似性度量Bhattacharyya系数选择较优的结果作为当前帧跟踪结果,且更新目标模板。实验结果表明,算法在目标发生较大形变、尺度变化、周边具有表观相似目标时具有很强的稳健性,且满足跟踪实时性要求。     

运动目标检测与跟踪算法的研究

运动目标检测与跟踪的算法一直以来是计算机视觉领域中的核心课题,也是智能视频监控中的关键技术。它主要是包含了图像处理、模式识别、人工智能等领域内的成果。着重研究运动目标检测与跟踪的算法[13],并通过编程实现方法的有效性。在运动检测方面,主要应用的算法包括背景差分法、帧间差分法以及光流法,指出了这些算法的优缺点以及适用范围。在运动目标跟踪方面,主要研究了特征匹配跟踪算法中的Mean Shift算法[19]。     

多特征博弈的目标跟踪算法

针对视觉目标跟踪领域中,采用单一特征的跟踪算法鲁棒性较差的问题,提出一种基于博弈论思想的多特征融合目标跟踪算法。在Mean Shift视觉跟踪框架下,将目标的颜色特征和运动特征作为两个博弈者,通过寻求二者博弈的纳什均衡,使不同特征对跟踪结果的贡献达到最佳平衡,进而更好地体现特征融合的优势。实验结果表明,该算法对目标剧烈运动、遮挡和背景多运动物干扰有较强的鲁棒性。通过基于博弈论的多特征融合方式在传统Mean Shift算法的基础上提出新算法,算法具有较好的跟踪性能。     

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.