结合纹理特征的Camshift目标跟踪算法研究

在视频图像中进行目标跟踪是计算机视觉领域研究的一项关键技术。运动目标的跟踪涉及到视频的处理,图像的分析与处理,模式识别,自动控制,人工智能等多个领域,因而它具有很大的研究价值和应用前景。文章介绍了CamShift目标跟踪算法的理论基础,针对传统CamShift算法在实际应用环境中,由于场景变化较大,有时很难保证鲁棒性,当光线发生剧烈变化,常常导致跟踪漂移,有时甚至跟踪失败。文章首先通过对图像进行光照的预处理,然后采用对光照变化不敏感的局部二值模式特征来描述图像的纹理信息,将纹理特征与颜色特征融合后应用到目标跟踪中,由实验结果知,跟踪性能相比于改进前得到了较好的改善,跟踪误差有所减小。

一种健壮的超像素跟踪算法

在目标跟踪中,传统的超像素跟踪算法在发生遮挡等情况后,会将非目标超像素标记为目标加入到特征空间.在对候选样本置信度计算中,利用特征空间中最近邻超像素来划定样本中超像素的簇归属会产生错误;而依据的近邻超像素数量过多时,又会造成分类误差的积累.为解决上述问题,本文提出一种健壮的超像素跟踪算法.本算法以贝叶斯算法为框架,首先,将前几帧进行超像素切割,提取特征并使用均值漂移聚类算法和基于超像素的外观表示模型进行分类和计算类置信度,放入特征空间中.其次,根据接下来几帧的平均中心误差确定最佳近邻数目.最后,在跟踪过程中,对获取帧的指定区域进行超像素切割,提取特征、进行软分类和计算置信度;根据上一帧目标位置进行高斯采样,累加样本内超像素置信度,获得样本置信度;在发生严重遮挡时,不进行滑动窗口更新和外观模型修改,使用当前模型继续跟踪.与传统的最近邻超像素算法相比,本算法能够有效提升跟踪成功率和降低平均中心误差.