基于Camshift算法的运动目标跟踪系统研究

在遮挡物较多的变电站场景下,传统的目标跟踪算法容易出现人员跟丢、身份变换、目标被遮挡无法识别等情况,无法做到对目标的准确实时跟踪.使用Camshift算法对变电站环境中的运动目标进行跟踪研究的实验结果表明,Camshift算法能够快速准确地检测出变电站内的运动目标并对其实现有效跟踪,从而提高变电站的自动识别水平,降低监控人员的工作量,有效提高运动目标跟踪检测的效果.

基于Camshift算法的运动目标实时跟踪系统

设计了一个基于Camshift算法的摄像机对目标的实时跟踪系统。应用该算法检测到每帧图像中目标的尺寸和中心位置,得到的数据通过串口控制云台的转动,使目标物体始终在摄像头的视场范围内,以实现摄像机对目标的同步跟踪。系统运行结果表明,当运动目标的距离和速度在一定的范围内时,能够实现实时跟踪。

基于Kalman滤波与Camshift算法的水面目标跟踪

根据水面监控图像的特点,对运动载体采集到的水面视频图像进行处理,从而实现对运动目标的跟踪。首先,利用Haar分类器检测出水面的运动目标,并用检测结果初始化Camshift跟踪器的搜索窗口;然后,运用Kalman滤波器与Camshift组合算法实现对运动目标的跟踪。其中,利用Kalman滤波算法预测目标在下一帧中出现的位置,Camshift算法用来跟踪目标,以此减小搜索范围,提高跟踪效率。实验结果表明,该算法能够实现对水面运动舰船的检测并进行有效跟踪。

基于Kalman滤波器和改进Camshift算法的双眼跟踪

针对目前的人眼跟踪方法对人脸尺度变化、人眼部分遮挡和头部旋转等情况过于敏感,经常因丢失目标而导致跟踪失败,提出一种综合运用Kalman滤波器和改进Camshift算法的双眼跟踪方法,该方法首先运用Kalman滤波器预测双眼在当前帧图像中的位置;其次以该位置为中心运用改进Camshift迭代算法搜索双眼目标;再利用双眼分布的对称性校正搜索到的双眼窗口;最后更新Kalman滤波器和人眼模板.实验证明该方法对上述情况具有较强的鲁棒性.

一种改进的Camshift算法及其ARM实现

基于视频序列的运动目标跟踪在安防、军事等领域用途广泛,针对传统Camshift算法易受颜色相近物体的干扰、丢失目标的情况,提出了一种改进的Camshift算法;该算法检测SIFT特征点,并进行FREAK特征匹配,通过判断每一帧跟踪结果的跟踪精度修正跟踪矩形框,从而改善跟踪精度。为便于工程应用,在Linux系统上进行了算法移植,实现了基于ARM的运动目标跟踪系统。实验结果证实改进算法对部分遮挡、颜色相近干扰等情况具有稳定性,能够实现对运动目标的准确跟踪。

基于Camshift算法的虹膜实时跟踪

针对人眼虹膜跟踪中存在的眨眼和眼睑遮挡问题,提出了基于Camshift算法的虹膜跟踪方法。首先使用Adaboost学习算法进行人眼初步定位,然后加入三庭五眼的比例模型精确定位人眼;在人眼定位的基础上使用一个圆形滑动窗遍历人眼灰度图像,其中平均灰度最小的圆形窗可初步定为虹膜区域;将以上步骤检测出的虹膜作为Camshift算法初始模板,建立虹膜的颜色概率图,利用虹膜的颜色特征完成跟踪。实验证明本算法的虹膜跟踪准确率达到84%;并能解决眨眼和眼睑遮挡问题,保证了跟踪过程的鲁棒性。

改进Camshift算法的多行人目标跟踪方法

针对基于颜色特征的目标跟踪方法在跟踪多个行人目标时,易受衣服颜色相近的行人影响,造成行人目标跟踪发生错误的问题,提出一种改进Camshift算法的多行人目标跟踪方法:为克服单一颜色特征作为目标模型易造成目标丢失的不足,按一定的权值系数融合目标的颜色特征和HOG特征来建立目标模型;并分别对多个行人目标建立目标模型,将传统的Camshift算法的单目标跟踪扩展成多目标跟踪。实验结果表明,该方法相比于传统Camshift算法更具鲁棒性,跟踪准确率可提升5.3%,相比于粒子滤波算法,实时性能够提升30.23%。

基于CamShift算法的目标跟踪研究

针对传统的跟踪算法无法获取跟踪目标世界坐标值的问题,提出融合SIFT特征点匹配的CamShift目标跟踪算法。运用基于色彩的CamShift算法对目标进行跟踪的同时对跟踪搜索窗口进行SIFT特征点提取和匹配,以获取目标的部分特征点在左右成像平面上的二维坐标值,根据这些坐标值通过视差原理确定目标的空间位置。实验结果显示,该算法在室内简单的背景条件下,能很好地跟踪运动目标且跟踪误差在可接受的范围内。

基于Camshift算法的人脸跟踪识别系统的设计

随着网络技术和视频技术的发展,图像捕捉设备成为计算机的标准外设,人脸跟踪已经不仅局限于人脸识别领域,被广泛应用于视屏会议等各个方面。基于此,笔者首先介绍了人脸跟踪的方法,并着重描述了Camshift算法的原理与优势,然后在VS2017平台上设计开发了一个基于Camshift算法的人脸检测与跟踪系统。实验表明该系统的实时性、鲁棒性良好,对于多姿态人脸、特定目标跟踪等特殊情况都具有良好的检测效果。

融合Vibe前景检测的Camshift算法

Camshift算法是一种以跟踪颜色信息为目标的算法,该算法由于在光照变化、相似背景颜色干扰及目标遮挡的环境下鲁棒性不高,从而易造成视频跟踪的错误。为解决这些问题,将基于Vibe前景检测方法获取的前景信息融入到Camshift算法中,通过这种改进后的Camshift算法可以增强前景和背景的区分度。通过不同场景的视频跟踪结果表明,改进后的Camshift算法能更有效克服原算法的不足,具有较强的鲁棒性。

基于改进CamShift算法的纱管跟踪方法研究

为了提高对纱管的实时精准跟踪,将Camshift算法应用于纱管分拣喂纱跟踪领域。传统MeanShift算法需要手动选择初始跟踪窗口,纱管分拣喂纱过程中单一颜色特征的跟踪算法很难满足实时跟踪要求。针对此问题,在CamShift跟踪算法基础上加入颜色识别,有效降低了误跟踪现象;加入卡尔曼预测机制,解决自动框选初始跟踪窗口的问题。通过3组对比实验可知:改进后的算法使目标的质心坐标偏差大约维持在4个像素点,验证了改进方法的实时性和精准性。

混合高斯模型与CamShift算法结合的台球跟踪方法

传统的CamShift跟踪算法是基于颜色信息的算法,这种算法在背景与目标颜色相近时会出现跟踪不准确的情况,而且不能自动跟踪。针对这两个缺点,本文结合混合高斯模型来对这一跟踪算法进行改进,通过混合高斯模型来实现对运动目标的检测得到目标的轮廓,将图像处理中的形态学变换应用到目标轮廓检测过程中,可以得到更好的检测结果和目标轮廓。对检测的目标再利用CamShift算法进行跟踪,在程序中引入Kalman预测算法,对目标的位置进行估计,提高跟踪的准确性,实验结果表明了这种方法的有效性,实现了对多目标的自动跟踪。

基于Camshift算法的神经丝蛋白自动跟踪

神经丝蛋白体型细长、形态多变,跟踪难度大。为了能够准确稳定的获取神经丝蛋白质的运动状态,利用了改进的Camshift算法实现了对神经丝蛋白运动的自动跟踪。利用HSV颜色空间的颜色直方图建立目标模型,结合预测点对目标特征点加权。通过在目标颜色概率模型中引入核函数,利用核密度梯度来进行目标搜索,最终在每帧图像中获取目标的具体位置。鉴于神经丝蛋白的特殊性,还对比分析了其他两种概率预测类算法的跟踪效果。实验结果表明,此方法能够快速稳定跟踪神经丝蛋白,为神经丝蛋白质的医学研究提供了新的途径。

CamShift算法在足球机器人系统中的应用与改进

现有的CamShift算法虽可实现指定目标的连续跟踪,但直接应用在足球机器人上存在需要手工指定搜索目标等问题;文章通过对CamShift算法的深入研究,提出在搜索过程中加入轮廓匹配、根据搜索返回值确定机器人的姿态和在搜索的迭代过程中加入目标运动区域预测等改进,在足球机器人上使用取得了很好的效果。

基于CAMSHIFT算法的视频监控目标跟踪

随着智能监控系统的普及,智能监控技术在银行、城市安防、交通等部门得到的了广泛的应用。CamShift算法是基于监控视频图像颜色特征的目标跟踪算法,这种算法能够快速、准确地实现目标跟踪,鲁棒性能较好。监控视频中所拍摄的视频内容较多且视频拍摄环境较为复杂,因此采用CamShift算法能够有效对视频监控目标建立颜色模型并对其进行准确高效的跟踪。

一种改进Camshift算法的研究

针对基于颜色概率分布的连续自适应均值偏移算法Camshift(Continuously Adaptive Meanshift)在背景中出现相同颜色干扰时容易致使跟踪目标失败的问题,提出一种改进的Camshift跟踪算法。该算法首先采用三帧差分法进行运动目标检测,然后利用最大类间方差法确定分割阈值,最后采用Camshift算法进行目标跟踪。该算法可以克服传统Camshift算法需要人工定位和容易发散的缺点。实验结果表明,该算法跟踪效果好,并且能够在一定程度上满足准确性的要求。

多特征融合的Camshift算法及其进一步改进

基于颜色核的Camshift算法可以有效实现简单场景下的目标跟踪,但在光线变化明显或目标与背景颜色相近的场景下易受干扰。为此,采用颜色、边缘梯度、纹理等多个特征自适应融合的方式改进算法,提高算法应对光线变化的能力;并通过修正特征直方图、设置合理搜索范围对算法进行进一步改进,解决相似背景的干扰问题。实验结果显示,在光照变化明显或目标与背景特征相近的场景中,改进的算法与传统算法相比具有更高的跟踪精度。

CamShift算法在机器人室内导航中的应用

CamShift(Continuous Adaptive Mean Shift)算法是一种基于颜色概率分布的目标检测与跟踪算法,本文在传统的CamShift算法基础上实现了多目标的自动搜索,改进了初始搜索窗口的搜索方法,并实现了机器人导航中对门的多目标检测与跟踪。实验结果表明,在机器人室内导航中,即使在背景环境复杂的情况下,仍能有效地检测和跟踪到目标。

基于改进Camshift算法的钻杆计数方法

针对采用传统的Camshift算法跟踪钻杆机器时相似颜色物体间易产生干扰的问题,提出了一种基于改进Camshift算法的钻杆计数方法:使用改进的Camshift算法实时捕捉钻杆目标,并且通过设置锚点以及判断时间间隔来进行钻杆计数。改进的Camshift算法采用模版匹配的方法定位跟踪目标,智能地选择合适的方法提取颜色直方图,并引入粒子滤波器,通过一定机制与纹理特征相结合,得到跟踪目标在下一帧的准确位置。实验结果表明,改进后的算法解决了相似颜色干扰问题,并且在部分遮挡条件下仍能够准确跟踪目标,从而实现对钻杆的准确计数。

利用Camshift算法实现运动目标自动跟踪

为实现在背景复杂、颜色混淆、目标形变等环境下自动跟踪目标,将Camshift算法对色调分量敏感的特性推广到饱和度、亮度等分量,构造了颜色三分量凸函数组合模型,利用多目标规划最优求解法获取自适应颜色识别最佳组合解,结合质心、倾角识别和Kalman运动信息预测跟踪技术,取得了复杂场景下多色度目标发生旋转、遮挡和速率变化时都能精确跟踪的效果,并将这种改进的Camshift组合算法应用在自适应实时跟踪系统上,提高了系统识别速度和跟踪能力。