基于局部背景加权直方图的目标跟踪

针对传统的颜色直方图和加权颜色直方图跟踪算法难以在复杂环境下对目标进行有效跟踪的问题,提出了一种基于局部背景加权直方图的目标跟踪算法,该算法将目标的局部背景看作上下文,将其引入目标表征。在粒子滤波跟踪算法框架下,用局部背景加权直方图来表征目标,以增强目标与背景的鉴别性,从而突出目标区域内的前景信息。各种场景的实验结果比较表明,提出的跟踪算法比传统的颜色直方图和加权颜色直方图跟踪算法具有更好的稳定性和鲁棒性,特别是针对目标被局部遮挡及跟踪环境光照变化较大等情况。

基于背景加权直方图的Mean shift目标跟踪

在对Mean shift算法进行运动目标跟踪中发现,当运动目标与背景颜色相近时,会降低跟踪的准确性。而采用基于背景加权的Mean shift跟踪方法,能有效减少背景相似特征的干扰。在Mean shift算法框架下引入转化因子,将其引入到目标模型中,从而减少背景突出特征。实验结果表明,该算法和传统Mean shift算法相比不但减少了迭代次数,而且提高了跟踪的准确度。

融入二值模式优化的背景加权直方图目标跟踪方法

Mean shift算法是一种重要的目标跟踪方法。本文在充分研究Mean shift算法的基础上,发现传统的跟踪算法缺乏描述目标的信息,且易受到光照变化等因素的影响,可能直接导致目标跟踪的失败或者带来较大的误差。本文首先计算目标图像区域中基于局部二值模式(LBP)的纹理特征模型,然后在建模目标模型和候选目标模型时采用一种加权背景直方图的方法。该方法能充分考虑目标附近的背景干扰以及背景信息,能有效降低背景和目标位置的相关性。实验表明,改进的方法能有效提高目标的跟踪精度。

空间相关背景加权直方图均值漂移目标跟踪

针对传统的基于直方图的均值漂移跟踪算法,当目标出现于复杂跟踪条件时,因无法显著区分颜色相近的目标或背景而导致跟踪失败的问题,提出一种基于空间相关背景加权直方图的均值漂移跟踪算法,并给出了推导过程.实验结果表明,该算法通过在目标模型中减少背景显著特征来增强目标定位,能在遮挡、光照变化等复杂情况下实现有效的目标跟踪,改善了传统均值漂移算法中模板不能及时更新等方面的局限性.

背景加权的多特征融合目标跟踪算法

针对单一特征目标跟踪导致多数跟踪算法鲁棒性差的原因,提出一种背景加权的多特征融合目标跟踪算法。在跟踪过程中对目标模型进行背景加权,同时利用空间直方图提取目标颜色的空间分布信息。在粒子滤波框架下将背景加权直方图和空间直方图相结合,并且引入特征不确定性度量,自适应调整不同特征对跟踪结果的贡献,有效地提高了算法的鲁棒性。实验结果表明:与传统融合算法相比,提出的算法具有更强的鲁棒性,同时提高了跟踪精度。该算法在目标表示和跟踪性能上都有很大的提高。

基于改进Camshift算法的视频对象跟踪方法

针对Camshift算法限于简单背景下跟踪特定颜色目标的局限性,提出一种改进的Camshift算法。首先在HSV色彩空间建立目标的背景加权三维直方图,将视频图像转化成颜色概率图,然后结合颜色概率分布图与差分图像,根据目标运动速率大小自适应的赋予两者不同的权重,实现了复杂背景下的目标跟踪。实验结果表明,该方法是十分有效的。

基于Mean Shift的背景梯度修正直方图跟踪算法

当图像中的背景发生波动时,修正的背景加权直方图(CBWH)算法在目标跟踪过程中存在波动跟随现象,从而产生波动误差。为了改善背景波动下算法的跟踪效果,减小波动误差,在CBWH算法的基础上提出了一种背景梯度修正直方图(BGCH)算法。利用相邻帧的背景梯度信息对目标模型进行二阶加权修正,提前阻断了CBWH算法的波动跟随过程。实验结果表明,本算法可以减小CBWH算法的波动误差,且对目标形变、模糊的情况,也表现出了更好的鲁棒性。