Model update mechanism for mean-shift tracking

In order to solve the model update problem in mean-shift based tracker, a novel mechanism is proposed. Kalman filter is employed to update object model by filtering object kernel-histogram using previous model and current candidate. A self-tuning method is used for adaptively adjust all the parameters of the filters under the analysis of the filtering residuals. In addition, hypothesis testing servers as the criterion for determining whether to accept filtering result. Therefore, the tracker has the ability to handle occlusion so as to avoid over-update. The experimental results show that our method can not only keep up with the object appearance and scale changes but also be robust to occlusion.

Solving the Jaynes-Cummings Model with Shift Operators Constructed by Means of the Matrix-Diagonalizing Technique

The Jaynes-Cummings model is solved with the raising and lowering（shift） operators using the matrix-diagonalizing technique. Bell nonlocality is also found to be present ubiquitously in the excitation states of the model.

基于Mean Shift的视觉目标跟踪算法综述

基于Mean Shift的视觉跟踪算法具有计算复杂度低、调节参数少、稳健性较好和易于工程实现等优点,是目前视觉跟踪领域的重要研究方向。首先介绍了经典的Mean Shift跟踪算法,分析了此跟踪框架存在的缺陷。然后从目标模型表达、模型更新、尺度与方向估计、抗遮挡跟踪和快速目标跟踪等5个方面详细地综述了Mean Shift跟踪算法的发展与改进。针对上述每个方面,对典型方法与最近研究成果进行了介绍与评述。最后展望了Mean Shift跟踪今后的研究方向与发展趋势。

Mean-Shift跟踪算法中目标模型的自适应更新

针对Mean-shift跟踪算法中的模型更新问题,提出利用目标历史模型和当前匹配位置处得到的观测模型,对目标核函数直方图进行Kalman滤波,从而对目标模型进行及时更新。在滤波过程中,通过分析滤波残差动态,调整滤波方程中的各种参数。Bhattacharyya系数被用作模型更新的准则。该系统能够有效地处理遮挡、光照变化等干扰,避免了模型的过更新。大量视频序列测试的结果表明,在场景遮挡、光照变化等因素的影响下,算法能够对目标外观以及尺度的变化进行稳健、实时和有效的跟踪。

基于直方图比的背景加权的Mean Shift目标跟踪算法

针对Mean Shift跟踪算法目标模型中背景像素所造成的目标跟踪定位的偏差,提出了一种基于直方图比的背景加权的目标表示方法。该方法使用由目标核直方图和背景直方图的对数似然比值推导出的隶属度因子作为权值,通过只对目标模型进行加权变换,而不变换目标候选模型的方法,增强了目标和背景的可分性,有效减少了跟踪过程中背景像素的干扰,提高了目标定位的准确性。仿真实验结果表明算法的有效性。

一种新的Mean-Shift对象跟踪方法

由于存在外点干扰,传统的Mean-Shift对象跟踪方法不能有效的跟踪尺寸逐步变大的目标。猜想利用对象初始模型能有效排除外点对跟踪结果的干扰,在此基础上本文提出了一种利用对象初始模型的候选目标模型和相似度测量方法;为了使内核窗口中心及大小与对象形心及大小一致,根据内核窗口外一定宽度子带内像素分布情况,动态调整内核窗口大小和位置。通过对尺寸逐渐变大的汽车进行跟踪,验证了算法的有效性,同时试验结果也证明新算法具有更低的计算复杂度。

一种改进的Mean Shift跟踪算法

本文主要针对经典的Mean Shift跟踪算法均匀剖分整个颜色空间造成许多空的直方图区间以及不能准确表达目标颜色分布的缺点,提出了一种改进算法．该改进算法首先对目标的颜色进行聚类分析,根据聚类结果通过矩阵分解和正交变换自适应地剖分目标的颜色空间从而确定对虑于每一聚类的子空间．在此基础上定义了一种新的颜色模型,该模型统计落入每一颜色子空间的像素的加权个数并用高斯分布建模每一个子空间的颜色分布,并推导了一种相似性度量来比较目标和候选目标的颜色模型之间的相似程度．最后基于该颜色模型提出了改进算法．实验表明,基于该颜色模型的改进算法比经典的Mean Shift算法具有更好的性能,而跟踪时间与经典算法大致相同．

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.

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.

基于Mean Shift的自适应尺度变化跟踪算法研究

在实时跟踪系统中,要求在跟踪过程中跟踪窗口的大小实时地适应运动目标的外观变化,这对应着Meanshift的尺度变化.针对跟踪这种尺度变化的问题,在跟踪框内检测角点并进行匹配,将所有得到的匹配角点对建立仿射模型,并采用最小二乘法求解得到尺度变化系数,进而更新跟踪框尺度,使得Meanshift算法可自适应地变化尺度并跟踪到大小不断变化的目标.实验结果表明,提出的算法具有较好的准确性、鲁棒性和实时性.

基于多级纹理特征和Mean-Shift的灰度目标跟踪

由于灰度图像的信息单一,缺乏描述目标的信息,且易受到光照变化的影响,导致灰度图像中的目标跟踪难度较大。为此,提出了一种结合Gabor小波变换特征与旋转不变一致局部二值模式(LBP)纹理描述算子来建立目标的多级纹理特征模型,并采用Mean-Shift来实现目标跟踪的新方法。该算法首先利用Gabor变换提取多尺度、多方向的目标图像特征以扩充特征提取范围,然后应用旋转不变一致LBP算子对这些特征进行编码以增强所提取特征的有效性,最后采用纹理模式联合概率直方图建立目标的多级Gabor-LBP纹理特征模型,并通过Mean-Shift算法来实现目标的跟踪。实验结果表明,该算法可以有效地克服光照变化、混乱及目标旋转的影响。

混合目标模型的Mean Shift跟踪算法

但固定目标模型的Mean Shift算法采用直方图进行匹配,而直方图是一种比较弱的目标特征,当背景和目标的颜色分布较相似时其跟踪效果欠佳。针对这一缺点,提出了一种采用混合目标模型的Mean Shift算法。该算法在匹配过程中使用的目标模型包含了初始帧和前一帧的信息,克服了固定目标模型难以对与背景相似目标以及旋转目标进行准确描述的缺点,获得了较好的跟踪效果。

一种基于mean shift的鲁棒性目标跟踪方法

目标模型内的背景像素会造成目标跟踪定位偏差,但为了将跟踪目标全部包含在目标模型中,不可避免在目标模型内引入很多背景像素。为了减少背景对跟踪造成偏差,在目标模型中引入带权因子,可达到降低目标模型内背景像素对跟踪定位精度的影响。带权因子是这样确定的:通过利用目标外围矩形环中的背景信息和一个映射函数来生产一个新的特征向量,然后转换为带权因子。实验表明,该方法具有更好的跟踪精度,对遮挡具有更好的鲁棒性。

Mean-Shift跟踪算法中核函数窗宽的自动选取

传统核窗宽固定的Mean-Shift跟踪算法不能很好地对逐渐增大尺寸的目标进行有效的跟踪.在分析同一目标在不同尺度下核直方图基于Bhattacharyya系数相似性的基础上,发现并证明了在核窗宽固定的条件下,目标在其窗宽范围内进行缩放、平移运动并不影响Mean-Shift跟踪算法空间定位的准确性.在此基础上,提出了一种基于后向跟踪、形心配准的核窗宽自动选取算法.对尺度渐大的车辆进行的跟踪实验验证了该算法的有效性.

一种基于颜色和边缘特征的Mean Shift目标跟踪算法

针对基于颜色特征的Mean Shift算法对动态变化环境适应能力差,容易丢失跟踪目标的问题,提出了一种颜色和边缘特征相结合的Mean Shift目标跟踪算法。该算法使用核直方图概率模型描述目标,通过权值的自适应变化来评估每个特征在跟踪场景中的可靠性,并依据权值提出一种选择性模板更新方法。实验结果表明,提出的算法不仅可以克服目标在跟踪过程中发生的模板变形,而且对目标的平移旋转以及光照变化都具有较好的鲁棒性。

基于颜色纹理直方图的mean shift目标跟踪算法

Mean shift算法是一种重要的目标跟踪方法.在充分研究Mean shift算法的基础上,提出一种基于颜色纹理直方图的改进Mean shift跟踪算法.该方法首先计算目标图像区域中基于局部二值模式(local binary pattern,LBP)的主要纹理特征,通过提取主要特征消除背景和噪声等因素的干扰.另一方面,联合颜色和信息建立目标表示模型,可以为目标建模提供更丰富的纹理信息,目标表示更为准确,目标特征更明显区别于目标附近邻域内的背景特征.通过实验表明,改进的跟踪算法能有效提高目标跟踪精度,因此该目标跟踪具有较好的鲁棒性.

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。

Mean-Shift跟踪算法研究及LabVIEW实现

介绍了Mean-Shift目标跟踪算法的基本原理,针对核函数带宽在跟踪过程中固定不变的问题,给出了改进的Camshift方法,同时,讨论了基于Kalman滤波的目标模型更新算法。利用LabVIEW实现了Mean-Shift目标跟踪算法,实验表明该方法可以对室外场景单个物体和多个物体进行跟踪,可以应用于视频监控领域。

基于目标模型自适应更新的mean shift跟踪算法

本文提出一种自动更新mean shift跟踪模型的算法。该算法采用Kalman滤波对跟踪系统下一帧的目标模型进行预测,通过对滤波残余误差样本的假设检验,提出一种更新机制。实验结果表明,跟踪系统可以在目标被遮挡或形状改变的情况下,有效地更新目标模型,实现实时目标跟踪。

基于混合高斯模型的Mean-Shift模板更新算法

针对基于Mean-Shift目标跟踪算法中遇到的不能对模板进行实时更新的问题,提出一个基于混合高斯背景建模的目标模板更新算法。该算法将目标视为背景,对目标中的每一个像素点利用三个高斯函数对它进行建模,利用每次Mean-Shift跟踪到的目标区域来对先前建立的混合高斯模型进行实时更新,将混合高斯模型得到的目标模板作为下一帧跟踪的目标模板。该算法较好地解决了基于Mean-Shift算法的模板更新问题,实验证明该算法是有效的。