背景抑制直方图模型的连续自适应均值漂移跟踪算法

针对传统连续自适应均值漂移(CAMshift)跟踪算法在建立目标颜色模型阶段容易包含大量背景颜色信息从而使跟踪效果变差的问题,该文提出一种改进算法。利用混合高斯模型背景法(GMM)将原始图像分割成前景和背景的叠加,在原始图像和背景图像上运动物体所在区域分别建立色调分量直方图,利用背景图像的色调分量直方图计算原始图像中对应色调分量的权值,抑制原始图像中与背景颜色相同的色调,扩大前景与背景颜色的差异性。该方法通过对原始颜色模型中属于背景的色调进行抑制,扩大了目标颜色模型的显著性,提高了跟踪的准确性和稳定性,目标定位的最大中心误差小于20%,能够准确跟踪不发生丢失。

自适应带宽均值移动算法及目标跟踪

首先提出了一种经典均值移动算法的推广算法,即自适应带宽均值移动算法,进而提出了基于自适应带宽均值移动的二维视频目标跟踪算法(ABMSOT).前者提出了在带宽自适应情况下均值移动算法求取局部极值的框架步骤,后者可实时跟踪目标的位置、大小和方向.在ABMSOT算法中,目标模型和候选模型采用自适应带宽核函数加权特征直方图描述,目标模型和候选模型的相似性采用Bhattacharyya系数度量;通过迭代两步法搜索到目标最有可能的位置、大小和方向.第一步执行一次均值移动迭代搜索目标位置,第二步计算出最能描述目标区域大小和方向的带宽矩阵.从理论上证明了两个算法的收敛性,并通过实验证明了ABMSOT算法能实时跟踪目标的位置、大小和方向.

多特征连续自适应均值漂移人脸跟踪算法

传统连续自适应均值漂移人脸跟踪算法,仅使用了人脸的色调特征,容易受到光照及相同背景色影响,为此,提出将人脸颜色和表示线端、角点、边界相关的纹理信息相结合共同构成人脸特征的CAMSHIFT算法。首先,采用带有权重的RGB颜色空间创建归一化的人脸直方图模型;然后,在视频图像中进行目标人脸直方图投影,同时进行纹理检测,保留纹理信息的人脸颜色特征,形成概率密度分布图;最后,由Mean Shift算法从当前位置迭代寻找直至定位目标人脸。实验结果验证了该算法可以抵御同色背景和部分遮挡的影响。

自适应均值漂移算法目标跟踪检测仿真研究

研究运动物体目标跟踪精确度问题,由于存在遮挡和多光源的噪声影响检测精度,而且运动目标的跟踪是在连续的图像帧间创建位置、速度、形状等存在匹配问题。传统的目标跟踪算法由于目标的动态移动速度大,而容易导致跟踪丢失目标。为了解决上述问题,提出了一种改进的基于自适应均值移动(Cam Shift)目标跟踪新算法。主要难点技术问题是提取了多运动目标视频图像,进行了背景分离。算法是一种颜色跟踪算法,根据多次迭代的计算结果,自适应调整图像,实现对运动目标的实时跟踪。仿真结果表明,提出的改进目标跟踪算法的跟踪精度和滤波效果有了较大提高,同时具有较强的鲁棒性能。

基于连续自适应均值漂移和立体视觉的无人机目标跟踪方法

为设计一种可自动跟踪、避障的无人机视觉导航技术,将无人机同时搭载双目和单目摄像头:单目摄像头采集无人机相对于被跟踪物体的图像,并采用经Kalman预测器优化的连续自适应均值漂移算法对目标进行有效跟踪;双目摄像头实时采集无人机前进方向上的图像信息,并利用SGM算法计算深度图以分割出无人机前进方向上的障碍物信息。无人机在跟踪目标物体的同时,可自主避开行进方向上的障碍物。实验结果表明,该方法可以有效引导无人机持续、精确地对目标物体进行跟踪,并在跟踪过程中及时躲避前进方向上的障碍物。

基于均值漂移算法的人脸自适应跟踪

采用自适应人脸方向模板和YCbCr自适应肤色模型,提出了一种新的基于均值漂移算法的自适应人脸跟踪方法。与传统的均值漂移跟踪方法相比,当人脸倾斜时或光线变化时,该方法能更精确地描绘出人脸位置。实验结果表明,在基本上不增加计算量的情况下,该方法能对人脸的倾斜和光线的变化进行很好地自适应跟踪。

基于均值移动与贪婪算法的多人脸跟踪

提出一个基于均值移动(Mean shift)和贪婪算法的多人脸跟踪器。首先建立多个均值移动目标跟踪器以进行多人脸跟踪。结合卡尔曼滤波逐个检测目标并从视频帧中清除已跟踪到的人脸,以解决当多个目标相邻或相互遮挡时相应的跟踪窗口会收敛于最大目标、导致其他目标丢失的难题。引入辅助窗口并根据其纹理信息确定粘连目标的对应。实验结果表明,该多人脸跟踪算法可实现稳健的实时多人脸跟踪。

基于均值移动与粒子滤波融合的跟踪算法

针对均值移动算法鲁棒性差以及粒子滤波算法计算量大、难以满足实时跟踪的特点,提出2种先均值移动后粒子滤波的融合算法,分别为粒子数目保持恒定的融合算法和粒子数目自适应的融合算法。实验结果证明,与已有算法相比,2种算法在实时性提高的同时,跟踪准确性和抗干扰能力没有明显下降。

基于均值漂移的多目标被动连续跟踪算法研究

本文基于均值漂移方法设计了一种新的多目标被动连续跟踪算法。该算法分为两部分:先是对采集到的多目标图像进行预处理,包括灰度化、消噪和背景抑制三项工作,从根本上提高目标图像本身的质量;然后融合特征提取和目标检测步骤,利用均值漂移算法实现对多目标物体的检测与跟踪。仿真实验结果表明,与几种典型跟踪算法相比,应用基于均值漂移的算法后,多目标跟踪误差更小,其跟踪结果的平均偏差最大值仅为1.61 m,且跟踪响应耗时最大值仅为900 ms,证明其能够实现对运动目标的准确、可靠跟踪。

一种尺度自适应的Mean Shift跟踪算法

针对传统Mean Shift中跟踪窗口尺度不能实时适应跟踪目标变化这一问题,提出一种基于图割理论的Mean Shift尺度自适应算法.根据每一帧图像的Mean Shift迭代结果,在其周围的一个小区域内,利用先验的肤色混合高斯模型构造图并建立关于标号的能量模型,使用max flow/min cut算法计算出能量函数最小值实现图割,在图割后的肤色团块中寻找最大团判定为跟踪目标,并以该团的尺度来实时调整目标跟踪窗口.实验结果表明,该方法克服了缩放10%核带宽的经典尺度适应方法的带宽趋于缩小问题,实时地反映跟踪目标真实尺度变化,避免背景中其他目标的干扰,具有较好的实用性和鲁棒性,而且可以应用到娱乐游戏控制中,丰富人机交互操作方式.

基于CamShift的自适应颜色空间目标跟踪算法

CamShift算法只适于特定颜色目标的跟踪,针对这一不足,提出了自适应颜色空间目标跟踪算法。依据当前测量值,根据类间平均距离动态选择当前颜色空间。颜色空间更新判断机制的引入,降低了颜色空间更新带来的时间开销。实验结果表明,该算法可以更准确地在复杂背景下的跟踪各种色彩的目标。

具有自适应MB-LBP前置滤波的CAMShift人脸跟踪算法

基于颜色分布的连续自适应均值移动(CAMShift)人脸跟踪算法简单、易于实现,被广泛应用于实时跟踪。但因其采用肤色模型作为跟踪模式,所以当目标处于类肤色背景区域时,跟踪窗口极易错误收敛到背景区域从而导致跟踪失败。为此,本文提出一种具有自适应MB-LBP前置滤波的CAMShift跟踪算法。首先训练一个能检测人脸基本特征的级联MB-LBP节点分类器。当跟踪窗口进入类肤色干扰区时,系统自适应地把该分类器接入作为CAMShift跟踪算法的前置滤波器,以排除背景中的类肤色干扰,提高算法的鲁棒性。实验结果表明,该算法既能有效排除背景中的类肤色干扰、显著提高CAMShift人脸跟踪算法的鲁棒性,又能保持人脸跟踪的实时性。

连续状态自适应离散化基于K-均值聚类的强化学习方法

使用聚类算法对连续状态空间进行自适应离散化,得到了基于K-均值聚类的强化学习方法.该方法的学习过程分为两部分:对连续状态空间进行自适应离散化的状态空间学习,使用K-均值聚类算法;寻找最优策略的策略学习,使用替代合适迹Sarsa学习算法.对连续状态的强化学习基准问题进行仿真实验,结果表明该方法能实现对连续状态空间的自适应离散化,并最终学习到最优策略.与基于CM AC网络的强化学习方法进行比较,结果表明该方法具有节省存储空间和缩短计算时间的优点.

采用改进Mean Shift算法的移动机器人行人跟踪

为了提高移动机器人目标跟踪系统在复杂环境中的跟踪性能,提出在双层定位机制下采用基于自适应核函数的Mean Shift算法实现目标跟踪。利用射频识别器件(RFID)检测携带标签的目标,实现外层粗定位并确定感兴趣区域(ROI);在内层则根据对视差图的ROI的处理结果确定初始搜索窗口,然后应用基于自适应核函数的Mean Shift算法在从立体相机获得的左图中应用基于自适应核函数的Mean Shift算法实现对目标的精确定位。自适应核函数由目标的区域特征与Epanechnikov函数相融合构成,克服了目标边缘处背景像素对目标颜色概率分布的影响。与传统的Mean Shift算法相比,所提方法在同色背景干扰下仍能准确跟踪目标。另外,RFID限定了图像搜索范围,节省了运算开支,图像处理的平均时间为62.11 ms/frame,满足实时跟踪的要求。实验结果表明,该方法可实现移动机器人在同色背景干扰、遮挡、目标快速移动等情况下的目标跟踪。

联合颜色与背景信息的自适应均值漂移跟踪算法

针对传统均值漂移跟踪算法由于目标框大小不能变化,尤其当目标尺度大小发生较大变化或旋转时容易导致目标丢失的问题,提出一种联合颜色与背景信息的目标框自适应调整跟踪算法。以经典均值漂移算法为主体跟踪框架,构建前景目标颜色直方图,以Bhattacharyya距离与迭代次数作为判断下一帧目标中心位置的条件,每次迭代通过在当前帧目标框区域内建立感兴趣目标与局部背景空间模型,经快速傅里叶变换后计算当前帧与下一帧空间模型,得到尺度调节因子,作为每一帧跟踪窗口大小的权重,进而不断调整跟踪窗口尺度大小。通过自适应调整每一帧跟踪窗口的尺度调节因子,达到实时修正目标模型描述,进而提高跟踪准确性的目的,大大降低了由于目标模型固化导致的中心位置跟踪累积误差。通过对两组图像的序列仿真结果表明,改进算法相比于经典算法具有更强的鲁棒性。

一种具有跟踪外观变化目标能力的均值漂移算法

视角变化往往会引起目标外观特征的变化,基于单一颜色直方图模型的均值漂移跟踪算法往往不能适应这种变化。本文在对连续自适应均值漂移算法深入分析的基础上,提出利用目标外观信息的先验知识,对其建立多个颜色分布模型。每帧跟踪结束后,算法都会根据当前的目标特征和周围环境从多个模型的凸组合中选出最有利于下一帧跟踪的参考模型。实验结果表明,该算法能很好地适应目标外观的变化,且计算代价不大。

一种基于概率神经网络多信息融合的移动目标跟踪算法

采用概率神经网络（PNN）实现了对图像序列中移动目标——人头的跟踪．由于采用单一特征信息的跟踪算法在复杂环境中往往失效，故以头部的颜色信息模板和头部轮廓的梯度信息模板作为跟踪依据，并通过改变PNN的结构实现了图像信息的融合以及自适应模板修正．实验结果表明，基于PNN的算法在处理目标的旋转和遮挡时有着良好的效果，且具有简单、跟踪鲁棒性好等特点．

基于关键点匹配的多策略尺度自适应跟踪算法

针对目标尺度变化问题,提出一种结合关键点匹配算法的多策略尺度自适应算法。提出一种中心—边缘区域比较法判断目标尺度变化情况,依据不同的尺度变化情况采取不同的尺度调整策略;引入SURF关键点匹配算法,对目标与模板进行特征匹配,构建仿射矩阵,自适应调整窗口尺度;提出一种基于关键点匹配的目标重定位方法,克服窗口漂移问题。实验结果表明,该算法具有较好的实时性和尺度自适应性。

星载光电跟踪系统连续帧图像快速识别定位算法研究

为了解决星载光电跟踪系统对连续帧图像快速识别、准确定位的要求.在深入分析连续图像序列特性和星载光电跟踪系统特点的基础上,利用光电跟踪系统转台的角度变化信息,对图像序列进行帧间差值运算以获得目标残差图,并基于残差图和原始图像信息提出了一种新的目标识别定位算法,大大地减小了运算量.结合中值滤波和自适应波门跟踪算法,实现了运动目标的快速跟踪定位.通过对目标实测图像序列的实验,结果证明,该算法具有快速、稳定等优点,能满足星载光电跟踪系统实时图像跟踪的要求.

基于均值漂移的运动目标跟踪算法研究

为了实现在复杂环境下运动目标跟踪,提出了一种基于均值漂移的运动目标跟踪算法.该算法用帧间差法在复杂背景中获取目标模型,引入卡尔曼滤波器减少均值漂移算法迭代次数、解决遮挡问题,通过调节核函数带宽来改变跟踪窗口大小,以保证获取目标完整信息.实验结果表明,该算法不需要目标的先验知识即能实现复杂背景下对运动目标稳定、准确的跟踪,对目标遮挡有很好的鲁棒性.