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。

基于自适应核带宽度Mean Shift算法的单木识别研究

为提高多树种森林中单木识别的精度,利用机载激光雷达点云数据作为研究对象,提出一种基于自适应核带宽度Mean Shift算法的单木识别方法。该方法先采用直方图分析法分离树冠点云和冠层下点云,再采用基于二维增量网格投影的区域生长法,估算单木冠幅有效半径,然后以单木冠幅有效半径作为自适应核带宽度,对树冠点云进行自适应Mean Shift聚类分析,得到树冠点簇,最后采用包络盒方法根据树冠点簇和树干点云的空间关系识别单木。试验结果表明,检测树与实际树的位置、树冠形态近似一致,单木召回率达到86.1%,准确率达到91.5%,高于2个对比试验的结果。研究证明设置的自适应核带宽度能够自动调整以反映局部树冠的实际大小,在多树种森林的单木识别中表现良好。

改进Mean Shift目标跟踪算法实现

目标跟踪技术目前具有较好的应用前景,但在嵌入式处理平台中面临着实时性要求高、跟踪场景复杂等情况,加上受成本和嵌入式处理平台算力的限制,其处理效果往往很难满足现实需求,因此目标跟踪等图像处理技术的落地实现是当前研究的热点内容。针对此问题,本文在FPGA平台实现了改进Mean Shift目标跟踪算法,该算法首先通过目标的概率密度分布梯度爬升来寻找目标,然后采用Kalman滤波的预测机制来预估下一帧搜寻计算的位置,从而减少Mean Shift的迭代次数。该算法实现充分利用FPGA能够并行和流水线处理的特点,实现了在1 920×1 080@60 Hz高清视频图像场景下的实时目标跟踪,其中Kalman滤波算法使其在较复杂场景下也能具备一定的抗遮挡干扰的能力。

基于Mean-shift聚类算法的导航欺骗干扰源定位技术

对导航干扰的现状进行了分析,针对北斗导航面临的威胁,对现有导航欺骗干扰源的定位方法和功率预测方法进行分析总结。针对现有技术水平的不足和未来战场的需求,提出了基于Mean-shift聚类算法的干扰源定位方法,对算法进行了分析,给出算法实现与优化的过程,通过仿真与实验测试对算法的性能进行了分析。外场实测数据表明,提出的导航欺骗干扰定位算法具有较高的定位精度。提出的干扰源定位方法,将为导航对抗环境下的导航态势感知提供一种新的手段和方法。

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.

应用Mean Shift和分块的抗遮挡跟踪

针对传统Mean Shift跟踪算法在目标发生遮挡时容易跟偏甚至跟丢的缺陷,提出了一种新的抗遮挡跟踪算法。首先,对跟踪窗口内的目标进行分块;然后,对外围子块分别实施Mean Shift跟踪算法并检测遮挡的发生,当遮挡发生后即对所有子块实施Mean Shift跟踪算法;最后,引入一种子块置信度机制并仅用置信度最高的子块来确定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。对不同的视频序列测试的结果显示,本算法能对发生遮挡的目标进行准确跟踪。当遮挡目标尺寸为70pixel×100pixel时,平均处理时间为38.6ms/frame。结果表明,改进算法能够满足目标跟踪系统稳定性和实时性的要求。

Mean shift在目标跟踪中的应用

首先总结了Mean shift的发展过程,并且分析了Mean shift算法的参数少,鲁棒性强,快速实现模式计算的特点,然后根据它在目标跟踪中的应用,总结了该算法核函数直方图对目标的特征描述比较弱,容易陷入局部最大值,不能适应目标多自由度变化的缺点,针对缺点提出的不同的改进方法进行了归纳,最后对未来的发展进行了预测。

基于分级mean shift的图像分割算法

实验发现传统mean shift算法进行分割时常会产生连接通道问题,使得几个分类簇之间无法完全分开.针对该问题,提出一种改进的分级mean shift图像分割算法,在初次迭代获得的聚类中心基础上采用不同的带宽矩阵进行多次聚类,从而获得不同级的聚类中心集合,并建立一个归属树结构,最终通过叶节点与根节点的归属关系进行归类从而完成图像分割.实验证明改进算法可以更好地保留图像的局部信息,同时具有较好的适用性.

快速运动目标的Mean shift跟踪算法

针对Meanshift本身的理论缺陷,提出Meanshift和卡尔曼滤波器相结合的快速目标跟踪算法。利用卡尔曼滤波器来获得每帧Meanshift算法的起始位置,然后再利用Meanshift算法得到跟踪位置。在目标出现大比例阻挡情况时,利用卡尔曼残差的计算来关闭和打开卡尔曼滤波器,此时,目标位置的线性预测替代了卡尔曼的作用。试验证明,本算法可以实现对快速运动目标的跟踪,对阻挡也有很好的鲁棒性。

基于Mean shift的筛面物料颗粒目标运动轨迹跟踪

为了获取农业物料在风筛式清选筛面的实际运动规律,通过对多颗粒散体中的目标颗粒进行着色处理,提出采用基于颜色特征向量的Meanshift算法,实现对目标运动轨迹的跟踪。算法根据Bhattacharyya系数的大小判定跟踪目标是否被遮挡,并引入了Kalman滤波器设计。在正常跟踪过程中,利用Kalman滤波器预测每帧Mean shift算法的起始位置,然后利用Mean shift算法对目标进行精确定位,当目标被遮挡时,将其运动视为时不变系统,并通过Kalman滤波器估算目标近似位置。试验结果表明,该方法在复杂背景和光照变化条件下,实现了对快速运动目标的稳定持续跟踪,具有很好的鲁棒性,为散体颗粒运动规律的研究提供了一种图像检测方法。

基于空间边缘方向直方图的Mean Shift跟踪算法

传统的基于色彩直方图或空间色彩直方图的Mean Shift跟踪算法,在诸如跟踪目标出现尺度变化的复杂条件下,无法得到准确的跟踪结果。这是因为色彩直方图或空间色彩直方图无法显著区分颜色相近的目标和背景。鉴于此,提出了一种基于空间边缘方向直方图的Mean Shift跟踪算法,使用空间分布和纹理信息作为匹配信息。实验结果表明,该算法能够有效的处理遮挡、光照变化和尺度缩放等复杂情况,对目标进行准确有效的跟踪,改善了传统方法在尺度缩放等方面的局限性。

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。

一种分层Mean Shift目标跟踪算法

针对经典Mean shift(MS)目标跟踪算法的颜色特征鲁棒差、匹配迭代复杂的缺点,提出一种分层Mean shift (Hierarchical mean shift,HMS)目标跟踪算法.首先通过MS迭代将目标区域特征空间的数据点聚类于模式点,使得以简洁的方式描述前景跟踪目标,建立目标模型与目标候选模型的聚类模式点描述,进行聚类块匹配.然后,导出聚类块模式点匹配下的相似度量函数,进行像素点匹配,结合邻域一致性,计算像素平移量,分层估计序列帧中跟踪目标质心模式点的位置,并给出HMS匹配迭代跟踪算法.实验结果表明,与其他两种MS跟踪算法相比,HMS既能提高序列帧跟踪目标表达与匹配的鲁棒性,又无需匹配所有数据点,算法简洁且有效可行.

基于改进的Mean Shift算法虚拟人脑图像分割

为了克服Mean Shift算法各向同性的缺点,使用结构信息构造各向异性高斯核,使其具有各向异性,从而克服细长目标的影响;将颜色空间投影到新的坐标系下,使得相近颜色可以有较大的距离,以增大虚拟人脑图像中灰质与下层数据之间的区别.虚拟人脑图像分割结果说明,该算法可以得到较好的分割结果.

基于改进Mean-Shift算法的红外小目标跟踪

复杂背景下的红外小目标跟踪在目标跟踪领域一直是重要的研究方向。由于小目标体量小、机动性大,而红外图像大多受到严重的背景噪声和热噪声影响,使得针对红外小目标的跟踪大多出错率高,鲁棒性不强。针对红外小目标的跟踪,提出了一种改进的Mean-Shift算法。结合图像的统计特性,提出了一种自适应非线性算法对图像进行处理;同时融合了图像的梯度直方图对目标进行描述。实验通过对高强度噪声和高遮挡环境下视频目标进行跟踪,比较了传统Mean-Shift算法和改进后算法的跟踪效果,结果显示文中提出的改进算法不但可以有效地跟踪目标,而且大幅降低了跟踪窗口与目标之间的相对抖动,增强了跟踪算法的鲁棒性。

基于粒子滤波和Mean-shift的跟踪算法

粒子滤波作为一种基于贝叶斯估计的算法,在处理非线性运动目标跟踪问题上具有特殊的优势。基于此,提出一种基于粒子滤波和Mean-shift的混合跟踪算法(KMSEPF)。KMSEPF算法对一般的Mean-shift和粒子滤波混合算法进行改进。结果证明,KMSEPF算法与混合算法MSEPF相比,在计算效率提高的同时,跟踪准确性和处理遮挡的能力没有下降。

基于Mean Shift随机游走图像分割算法

针对传统随机游走算法分割目标轮廓易受自然纹理背景干扰,并且算法运行效率低的问题,提出一种基于Mean Shift随机游走图像分割算法.首先应用Mean Shift算法对图像进行预分割,将图像分成许多同质区域,再将其代替经典随机游走算法中节点来建立对应的无向图;将彩色直方图作为区域描述算子,采用欧氏距离与高斯权函数相结合来建立区域间相似性权函数;最后应用离散电势理论计算图中节点间电势值,并根据节点电势值的大小对预分割得到的同质区域进行分类,以实现图像分割.实验结果表明,与传统方法相比,该算法在分割精度和运行效率上都有很大提高.

Kalman滤波融合优化Mean Shift的目标跟踪算法

目标跟踪中,目标的背景变化、形状改变、遮挡,往往会导致跟踪失败,而跟踪的实时性和准确性是必须考虑的问题。本文首先对Mean Shift算法进行了介绍,接着对Mean Shift算法进行了优化:修正Mean Shift算法迭代权值,修正后主要信息贡献更加突出,次要信息受到抑制,避免了开方的繁琐运算,降低了运算量。提出了目标模板更新算法,解决了背景变化和目标形状改变时跟踪失败的问题。然后在水平位置和竖直位置建立Kalman滤波器,同时将优化Mean Shift算法与Kalman滤波融合,解决了目标完全遮挡后无法继续跟踪的问题。仿真实验表明,本文提出的目标跟踪算法在目标遮挡,目标形状改变,目标跟踪失败的情况下具有更高的跟踪精度,更高的实时性和鲁棒性。

Mean-shift跟踪算法及其在光电跟踪系统中的应用

针对光电跟踪系统中实时提取运动目标脱靶量的应用需求,设计了一种基于灰度直方图的Mean-shift图像跟踪算法,对算法中目标模型与候选模型的建立进行了改进,抑制了背景像素对目标跟踪产生的影响。算法在系统上位机Visual C++6.0平台上实现,当光电跟踪系统捕获到运动目标后,利用Mean-shift图像跟踪算法跟踪运动目标,并实时将运动目标脱靶量作为伺服控制系统的输入信号,驱动跟踪器跟踪目标。实验结果表明:设计的算法可以实时、准确、有效地跟踪运动目标,使稳定后的脱靶量换算得到的角偏差量控制在30″之内。

跟踪窗自适应的Mean Shift目标跟踪算法

针对Mean Shift算法不能很好地跟踪尺度变化目标的缺点,提出一种将Mean Shift算法和目标几何特征相结合的目标跟踪算法。该方法在Mean Shift框架下提取目标的几何特征,根据目标的面积和型心坐标对跟踪窗的位置和大小进行修正,最后更新Mean Shift的目标模板。通过大量实验仿真证明,改进的算法能很好地跟踪尺度变化的目标,对目标的仿射变化和非刚性的形态变化具有有效性和鲁棒性。