Target Tracking Algorithm Based on Meanshift and Kalman Filter

Directed at the problem of occlusion in target tracking,a new improved algorithm based on the Meanshift algorithm and Kalman filter is proposed.The algorithm effectively combines the Meanshift algorithm with the Kalman filtering algorithm to determine the position of the target centroid and subsequently adjust the current search window adaptively according to the target centroid position and the previous frame search window boundary.The derived search window is more closely matched to the location of the target,which improves the accuracy and reliability of tracking.The environmental influence and other influencing factors on the algorithm are also reduced.Through comparison and analysis of the experiments,the modified algorithm demonstrates good stability and adaptability,and can effectively solve the problem of large area occlusion and similar interference.

基于CamShift与Kalman相结合的目标跟踪算法研究

目标跟踪是机器视觉领域的一项重要技术。传统的CamShift目标跟踪算法具有时间复杂度低、运算速度快的优点,在简单背景下具有良好的跟踪效果。但当跟踪目标处于部分遮挡的复杂情况下时,容易出现目标丢失的情况,从而影响后续的跟踪。Kalman滤波算法在目标跟踪任务中,能够有效地预测跟踪目标下一时刻可能出现的位置,且算法简单方便。现将CamShift算法与Kalman滤波算法相结合来优化传统的CamShift算法,实验结果表明:优化后的算法不但保留了传统CamShift算法的优点,而且在一定程度上可以预测跟踪目标的行动轨迹,更好地实现目标跟踪任务,解决了传统CamShift算法在目标被部分遮挡的情况下容易出现的目标丢失的情况;同时,运算结果准确,基本没有预测误差。

基于多尺度Meanshift图像去噪算法

针对图像噪声类型未知、Meanshift平滑窗口难以确定致使图像细节被模糊的问题,提出多尺度Meanshift图像去噪算法。结合小波的'数字显微镜'的优点与Meanshift较强无参概率密度估计及快速模板匹配的特点,非常有效地去除了一组实际夜间远程拍摄图像中的未知噪声。算法执行过程中,首先,将图像进行二维离散小波变换,分解出低频子图和承载细节的高频轮廓子图;然后,区别于传统处理方式,高频子图保护不变,对低频子图进行Mean shift分析窗平滑,最后合成高频子图与低频滤波后图像形成去噪声后图像。该方法不仅弥补了单一Meanshift算法由于平滑窗口难以确定致使图像细节被过滤的缺陷,而且解决了一类实拍高噪声图像的去除,信噪比SNR为34.29。结果表明:本文提出的算法可以去除不同类型噪声图像,并可得到较高的信噪比。

基于Meanshift与摄像机标定的无人机定位方法

针对在全球定位系统信号失效的情况下,提出一种利用机载相机拍摄的移动物体轨迹及其与无人机的相对位置解算无人机的绝对位置的方法.将Meanshift目标跟踪算法与摄像机标定技术相融合进行位置解算,即根据获得的摄像机内外参数、移动物体的图像像素坐标和无人机与移动物体的相对位置确定无人机的世界坐标.经多组实验数据验证,位置解算值绝对误差均不超过真实值的1%,分析结果证明了本方法在无人机自主定位领域的可行性.

一种基于Meanshift和RANSAC的车道识别方法

为满足车辆行驶时能对各种车道线(实线、虚线、直道、大弯道)准确识别,提出一种基于Meanshift原理和RANSAC(Random Sample Consensus)算法的车道识别方法;该方法首先利用改进的最大熵阈值分割方法和图像灰度概率密度特征对左右车道线目标进行初定位,动态地建立车道线ROI(Region of Interests),然后运用Meanshift算法对左右车道线进行精确定位,最后利用RANSAC算法对各搜索框中候选车道线的重心进行筛选,并采用最小二乘法对左右车道线进行拟合;实验结果表明,该方法可以识别各种车道线型,并具有较好的鲁棒性;车道检测平均时间为80ms/f,车道跟踪平均时间为40ms/f。

基于Contourlet和MeanShift的交通视频车辆跟踪算法

提出一种基于Contourlet直方图的MeanShift交通视频车辆目标跟踪算法.首先,利用Contourlet变换提取交通视频中感兴趣区域下跟踪目标的纹理特征和轮廓,并用其直方图统计跟踪目标的纹理特征;然后,通过Kalman滤波技术来进行跟踪目标轨迹的相关性函数计算,并将计算结果迭代到MeanShift跟踪算法中选取最优估计值,进而实现对交通视频车辆在复杂场景中的精确定位.通过与传统的MeanShift跟踪算法以及基于Kalman滤波的MeanShift跟踪算法等比较表明,此算法不仅能够对复杂场景中的视频车辆进行有效跟踪,同时还具有较好的稳定性和抗干扰性.

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。

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。

融合边缘特征的MeanShift跟踪算法

经典MeanShift跟踪算法通常用颜色特征进行跟踪,算法简单、速度快、跟踪效果较好,但用单一的颜色特征描述跟踪目标,当背景颜色和目标颜色接近时易受干扰,导致跟踪失败,鲁棒性较差.文中提出了一种融合边缘特征的MeanShift跟踪算法,用颜色和边缘特征来共同描述目标,根据特征对目标与背景的区分能力进行自适应特征选择跟踪.实验结果表明:文中提出的算法抗干扰性能更强,具有更好的鲁棒性.

基于相关区域分层的改进Meanshift目标跟踪算法

针对背景图像阴影、物体遮挡等对目标跟踪干扰的问题,提出一种基于相关区域分层的改进Meanshift目标跟踪算法。Meanshift跟踪算法搜索匹配问题,采用一种相关区域分层匹配搜索方法,提高在跟踪过程中重新搜索匹配的快速性,并结合自适应Kalman滤波算法提高目标跟踪的准确性。实验结果表明了该算法的可行性及有效性。

基于meanshift的目标跟踪系统设计与实现

目标跟踪是指在一段视频序列中寻找和指定目标最相似的部分,是计算机视觉的重要研究内容之一。本文针对视频中运动目标的跟踪问题,提出了一种基于meanshift的目标跟踪方法。在跟踪过程中,先确定出目标窗口并建立目标模型,再在视频序列的第N帧对应位置处计算候选目标模型,根据Bhattacharyya相似度,利用meanshift算法在后续帧中迭代地搜索目标模型的最佳候选区域。最后,在MATLAB平台上搭建了基于meanshift的目标跟踪系统,通过一系列实验表明,该方法具有很好的跟踪性能,且具有较低的时间复杂度,可满足实时处理的需要。

基于扩展MeanShift算法的移动目标跟踪研究及实现

为克服时间差分法、模板匹配法、背景去除法以及光流法等传统移动目标跟踪方法的缺点,研究了MeanShift算法及扩展MeanShift算法,然后以LabVIEW为软件平台,实现了基于扩展MeanShift算法的移动目标跟踪程序,并用实验验证了扩展MeanShift算法在移动目标跟踪中的应用具有实时性、实用性、准确性和稳定性。实验结果表明,扩展MeanShift算法能很好地跟踪移动目标,甚至在移动目标被部分遮挡时也能对目标进行准确跟踪。

基于Kalman滤波和Meanshift算法的目标跟踪

如何实现移动目标被其他物体遮挡后,预测其所处位置,并能够实现遮挡结束后恢复目标的跟踪是视频目标检测与跟踪研究方面的一个热点问题。文章将Kalman滤波器对目标位置估计能力与Meanshift跟踪算法相互结合实现视频序列中移动目标检测与跟踪。利用遮挡因子对目标进行遮挡判断,如果没有发生遮挡则使用Meanshift算法进行直接目标跟踪,一旦检测出遮挡则利用Kalman的预测值进行目标新位置的确定,最终实现对运动目标进行跟踪,并通过MATLAB编写程序实现对运动目标的检测与跟踪。

一种基于MeanShift算法的目标跟踪系统的设计与实现

因被动接收信息,现有安防监控系统在工厂仓库管理、流水线监控等应用场合经常会产生监控死角。为消除这些死角,研究设计了一套基于MeanShift算法的目标跟踪系统。该系统由以嵌入式平台S3C2440处理器为核心的下位机和上位机监控软件构成,两者间通过无线进行连接。下位机负责实时拍摄并无线传输视频图像,同时处理上位机发送的角度信息以驱动摄像头旋转合适的角度跟踪目标;上位机负责目标物体的圈定,通过改进的MeanShift算法、角度计算和跟踪策略给出下位机摄像头的旋转角度。该系统经过测试,性能良好,反应及时。

自适应HLBP纹理特征的Meanshift目标跟踪算法

结合Haar型特性局部二元模式(HLBP)的图像纹理特征提取方法,提出一种新的目标跟踪算法,并将其运用到Meanshift框架中。将Visual Studio 2010和opencv2.4.9作为实验平台,将所提算法的实验结果与传统Meanshift跟踪算法、基于局部二元模式(LBP)纹理特征的Meanshift跟踪算法进行对比分析。实验结果表明,所提算法在背景复杂或背景简单的情况下都表现出了稳健而准确的跟踪特性,且在部分遮挡的情况下仍可以正确地跟踪目标。

一种基于Meanshift算法的目标跟踪改进

针对遮挡及相似干扰问题,在Meanshift算法的基础上提出了一种新的改进算法.该算法有效地将Meanshift算法与Kalman滤波算法结合,准确确定目标质心位置,并根据目标质心位置及前一帧搜索窗口边界自适应地调整当前搜索窗口,使其与目标位置更匹配,跟踪结果更加准确、可靠,同时也减小了环境等因素对算法的影响.实验对比结果表明,改进算法具有良好的稳定性和自适应性,可有效解决大面积遮挡和相似干扰问题.

基于改进的MeanShift算法的选煤厂人员目标跟踪方法

针对采用传统的MeanShift算法进行智能视频监控易受背景干扰而丢失目标的问题,提出了一种将MeanShift算法与卡尔曼滤波算法相结合的选煤厂人员目标跟踪方法。该方法首先通过运动检测方法分割出跟踪目标区域,然后通过卡尔曼滤波算法预测下一帧跟踪窗口的起点,在此基础上采用MeanShift算法跟踪目标区域;由于选煤厂环境较复杂,为了防止跟踪失败,采用跟踪与检测相结合的方法来进一步保证跟踪的鲁棒性。实验结果表明,该方法能很好地消除背景中相似颜色区域的影响,具有较好的跟踪效果。

基于改进Meanshift算法的刀闸实时状态的精准跟踪

以变电站中的双柱式水平刀闸为例,基于传统Meanshift算法和局部二元模式(LBP)编码增强结构特征,提出改进的Meanshift算法,用该算法解析刀闸工作视频信息,实现刀闸实时状态跟踪.通过对87个刀闸开合视频的跟踪实验可知,改进算法在X方向的跟踪精度提高了120%,Y轴方向的跟踪精度提高了800%.因此,该算法为刀闸状态的准确识别提供了新的手段.

基于SVM与Meanshift跟踪算法的运动视频目标跟踪

文中提出基于SVM与Meanshift跟踪算法的视频运动目标跟踪方法,在体育视频初始图像中选取跟踪目标所处位置,获取跟踪目标周围目标与背景两部分特征向量,使用目标和背景特征向量训练SVM二分分类器,使用分类器分类下一帧视频图像跟踪目标位置与所处背景图像,获取置信图;使用Meanshift跟踪算法在置信图范围内获取当前跟踪目标中心位置,移动目标框和背景框的中心位置到达目标位置,以10%的比例缩放目标框并选择最优者用以适应目标尺寸变化;确定是否已经跟踪到视频最后一帧图像,如果没有跟踪至最后一帧图像,则需使用此时目标像素和背景像素训练新的SVM分类器,跟踪下一帧图像,直至完成整个视频序列图像运动目标跟踪任务。实验结果表明,所提方法可以实时、准确地跟踪视频内运动目标。

基于MeanShift算法和改进PID算法的图像追踪研究

针对MeanShift算法可以实现图像聚类的这一特性,并结合改进的PID算法,对某二维追踪实验台实现了有效的跟踪控制。由MeanShift算法得到的坐标偏差经过自适应积分分离的PID控制器校正后,作为实验台电机的输入速度信号从而实现有效追踪。实验证明该系统可以实现左右和俯仰两个方向及其复合方向的追踪,具有较高的跟踪实时性。