CAMSHIFT与基于核的目标跟踪算法的比较与分析

CAMSHIFT和基于核的目标跟踪是两种经典的基于Mean Shift的目标跟踪算法,它们的实现过程有许多类似之处。为了说明在实际应用中如何选择合理的跟踪方案,从目标模型、候选模型、核函数、迭代过程等方面对二者进行了深入的比较和分析,指出了二者的特点和区别,对于正确理解和使用这两种方法将会有一定的帮助。

结合Camshift和Kalman预测的运动目标跟踪

针对单一的CamShift跟踪算法在目标发生遮挡时非常容易致使跟踪目标失败的问题,本文提出了一种基于CamShift和Kalman预测的跟踪算法。首先,采用帧间差分阈值法来快速、精确地检测和提取出运动目标;然后,通过在CamShift算法中使用运动目标的颜色特征,在图像序列中找到运动目标的所在位置和大小;最后,使用Kalman滤波预测目标的位置,进而有效地解决了背景中大面积相同颜色的干扰和目标部分被遮挡等问题。用无线遥控车完成了运动目标的跟踪实验,实验证明结合CamShift算法和Kalman预测滤波能实时、准确地跟踪目标。

改进反向投影的Camshift人脸跟踪算法

对人脸进行检测与跟踪是诸如人机交互、视频监控等众多应用的基础。在众多方法当中,连续自适应均值偏移(Con-tinuously Adaptive Mean Shift,简称Camshift)算法在兼具良好跟踪性能的同时做到了较低的计算成本。然而在经典Camshift算法中,反映像素类肤色概率的"反向投影图"会受到初始搜索框内背景像素的影响,是几乎所有基于经典Camshift的算法中普遍存在的一个问题。针对反向投影图的原理进行分析,并采用人脸检测结果作为替代方案,从而对传统Camshift算法进行改进。同时,对YCrCb色彩空间中的人脸检测进行多时段分析,并借此自动确定初始跟踪区域,较传统Camshift算法具有更好的效果。

一种结合了纹理和颜色的运动目标跟踪算法

运动目标跟踪是智能视频监控中的关键技术之一,怎样描述运动目标是该技术的一个关键问题。提出一种新的运动目标跟踪算法,结合改进的LBP纹理和色度来描述运动目标,并采用Camshift算法的思想进行目标跟踪。为了降低算法的复杂性,在保证跟踪精确度的前提下,LBP纹理和色度的种类被极大地精简。实验证明提出的方法能有效地跟踪运动目标,在常规的视频分辨率下能达到实时性,比同类的其它算法性能更好。

一种基于纹理和颜色的目标跟踪方法

研究视频物体识别系统,传统连续自适应均值偏移(Camshift)跟踪方法根据H分量建立被跟踪目标的颜色模型,而H分量易受亮度(V分量)的影响,造成不能准确跟踪运动目标。为解决上述问题,引入运动目标的纹理特征,先提取HSV颜色空间的H分量,把它转化为局部二元纹理(LBP)图,计算目标的LBP纹理直方图并把反向投影到LBP纹理图上,得到LBP纹理概率图,然后采用Camshift算法确定当前图像中目标的尺寸和中心位置。对手势和人脸跟踪进行仿真计算,实验结果表明,在跟踪过程中可以对目标进行稳定的实时跟踪,通过计算,也改善了传统方法,使识别人脸不受光照的影响,验证了改进方法的有效性。

基于Kinect深度信息的人体运动跟踪算法

大多数人体跟踪算法鲁棒性不高的主要原因是对人体的颜色特征进行跟踪,针对此问题设计了基于Kinect深度信息的人体运动跟踪算法。通过分析Kinect获取的深度图信息来对人体轮廓进行区分判定,提取前景目标区域以及计算目标区域的深度直方图。通过对深度直方图进行分析去除背景区域部分,根据获取的深度直方图求取跟踪图像的深度反向投影;最后结合Camshift算法确定当前选取目标区域的尺寸和中心位置来进行对人体的实时跟踪。实验结果表明,该算法提取的目标特征具有较强的鲁棒性,避免了光照变化和背景相似情况下的不稳定问题,能实现复杂场景下的人体目标跟踪。

基于OpenCV的实验室监控预警系统

目前,视频监控系统的应用越来越广泛。视频监控和报警的自动化水平关系到监控的效率,自动化程度越高,越节省人力,论述了一种基于OpenCV的监控预警系统。本系统在MFC框架下编写而成,能够对视频图像进行预处理,并采用背景差分法对视频中出现的运动目标进行检测,检测到运动目标后,使用连续自适应均值漂移算法对目标进行跟踪。另外,在成功检测跟踪到运动目标后,该系统还能发出报警信号以提醒使用者。结果表明,该系统在固定场景下检测和跟踪效果良好。

基于预测型人脸跟踪的人机接口

实现了一种新颖人机接口方法。首先,利用Adaboost算法进行快速人脸检测和定位,然后通过Canny滤波获取精确的人脸区域建立肤色直方图模型。其次,使用Camshift算法计算人脸跟踪窗口的位置和大小。然后用二维Kalman滤波预测人脸的位置,增加跟踪速度。最后,人脸的三维自由度运动分别被用作控制电脑游戏角色的6种运动。通过实验,验证了此方法的实用性和有效性。

基于Snake算法的深度图像人体目标跟踪

基于彩色图像的人体跟踪算法鲁棒性不高的主要原因是对目标进行跟踪时,受到光照变化、复杂背景、物体遮挡等因素的影响.针对此问题本文利用Kinect采集深度图像进行人体目标跟踪.首先在深度图像中通过用户索引检测出人体目标,可方便地去除图像中复杂背景的干扰.然后利用基于角点的自动初始化方法得到人体的轮廓信息,再结合Snake算法实现人体目标跟踪.最后将该算法与基于深度图像的Camshift算法进行对比分析.结果表明,在室内应用Snake算法不受灯光和复杂背景等因素的影响,能对人体目标进行实时跟踪,且比Camshift算法具有更强的抗干扰能力,跟踪更准确.

基于核密度多伯努利视频多目标跟踪算法

针对复杂环境下数目变化、目标紧邻及尺寸变化的视频多目标跟踪问题,在多伯努利滤波框架下,提出一种自适应的变数目视频多目标跟踪算法。算法通过引入核密度背景减除技术,可以有效抑制背景干扰;然后融入连续自适应均值漂移(CAMShift)技术,并提出目标紧邻和尺寸变化处理机制,可以有效提高算法的自适应性;最后引入粒子标记技术,可以有效实现对视频多目标的轨迹跟踪。对彩色视频和红外视频序列图像的测试结果表明,本文提出算法可以有效实现对复杂环境下数目变化的视频多目标自适应跟踪,且具有较好的鲁棒性。