基于CamShift与Kalman相结合的目标跟踪算法研究

目标跟踪是机器视觉领域的一项重要技术。传统的CamShift目标跟踪算法具有时间复杂度低、运算速度快的优点,在简单背景下具有良好的跟踪效果。但当跟踪目标处于部分遮挡的复杂情况下时,容易出现目标丢失的情况,从而影响后续的跟踪。Kalman滤波算法在目标跟踪任务中,能够有效地预测跟踪目标下一时刻可能出现的位置,且算法简单方便。现将CamShift算法与Kalman滤波算法相结合来优化传统的CamShift算法,实验结果表明:优化后的算法不但保留了传统CamShift算法的优点,而且在一定程度上可以预测跟踪目标的行动轨迹,更好地实现目标跟踪任务,解决了传统CamShift算法在目标被部分遮挡的情况下容易出现的目标丢失的情况;同时,运算结果准确,基本没有预测误差。

一种多特征联合分布的Camshift目标跟踪算法

针对Camshift算法在纹理与颜色相似干扰、目标遮挡等复杂背景中鲁棒性不高、易出现跟踪丢失等问题,提出了一种多特征联合分布的Camshift目标跟踪算法。新的算法选择等价模式LBP纹理,色调与饱和度为多特征,图像从RGB空间的转化为ULBP-H-S空间。选取图像中运动目标作为目标模板,计算目标模板的ULBP-H联合概率分布图与H-S联合概率分布图,通过自适应系数将两个联合概率分布图按位与运算后到目标的联合概率分布图。在每次迭代搜索中,通过自适应搜索窗口算法预测下一帧的搜索窗口位置与大小,在预测的搜索窗口中使用Camshift算法对目标连续跟踪。实验结果表明,改进的算法能在纹理与颜色相似干扰与目标遮挡复杂环境中,对运动目标跟踪有较高的准确性与鲁棒性。

基于Camshift方法的视觉目标跟踪技术综述

视觉目标跟踪技术是机器视觉、模式识别等相关领域中重要的研究内容之一。受限于场景的复杂度、目标速度、目标的遮挡程度等状况,其相关研究具有一定的难度和挑战性,而均值漂移及其相关算法是解决该类问题的重要途径。首先介绍视觉目标跟踪的研究方法和原理,然后介绍Camshift方法的前身Meanshift方法的原理和算法过程,并做出相应的分析和阐述。再介绍针对Camshift算法的相关研究和改进方法,最后总结Camshift方法的应用情况以及后续可能的研究方向。

基于改进Kalman滤波与Camshift结合的嵌入式跟踪系统设计

针对传统Camshift算法难以在运动目标受遮挡的情况下有效跟踪的问题,提出一种基于改进Kalman滤波与Camshift相结合的目标跟踪算法,通过对Kalman滤波器的状态变量Xk增加高维特征宽高比a与高度h参数,并将P0、Q、R与窗口高度h相关联,同时在受遮挡时自适应改变Xk参数,使Kalman滤波器能够代替Camshift算法输出足够大的跟踪框标注受遮挡目标位置。实验表明,改进算法在有效帧率方面提高了42.6%,且平均BH距离降低了0.27,显著提高了跟踪的准确性和鲁棒性。

基于卡尔曼滤波与Camshift的低轨空间变光目标跟踪方法

针对低轨空间变光目标星像形态变化频繁且运动速度快,跟踪目标时很难准确捕获目标位置信息这一难点,提出卡尔曼滤波与Camshift相结合的目标跟踪方法。根据目标的难捕获特性,引入卡尔曼滤波外推对目标进行位置预测,用改进的Camshift跟踪目标,即基于灰度图像单通道的白色提取的目标跟踪方法,实现低轨变光目标稳健跟踪和提高目标捕获率;当目标与恒星瞬间相互遮挡时,用改进的遮挡目标预判方法进行位置预测,同时用卡尔曼滤波的预测位置代替Camshift计算出的目标位置,作为观测位置去更新卡尔曼滤波,实现遮挡目标稳健跟踪和提高目标捕获率。实验结果表明:跟踪目标的可变波门根据目标大小自适应调整,不仅可以实现中高轨目标稳定跟踪,而且对低轨变光目标具有稳健跟踪效果。当目标与恒星瞬间相互遮挡时能稳健跟踪目标,提高跟踪数据的有用率。该方法程序运行速率快,灵敏度高,适用性强,实时性好,具有很好的使用价值和广泛应用前景。

基于SIFT和感知哈希改进的CamShift跟踪算法

传统的CamShift仅使用目标的颜色直方图作为特征,因此在相似背景干扰、遮挡、高速运动等情况下容易出现跟踪不准确或丢失跟踪目标的现象。针对上述不足,提出了基于SIFT和感知哈希改进的CamShift跟踪算法。首先,将图像从RGB颜色空间转为HSV颜色空间,分别得出色调和饱和度直方图,并提取图像的边缘梯度直方图进行融合获得目标的融合直方图。其次在CamShift算法框架下得到最优候选目标,若候选目标与目标模板的Bhattacharyya距离大于阈值时,则使用改进的感知哈希算法进行最优候选目标的搜索。然后在下一帧搜索时,在目标和视频序列的高信息熵部分使用SIFT算法进行特征点的提取并匹配从而获取初始搜索窗口,若SIFT算法匹配失败,则使用卡尔曼滤波预测的搜索框作为初始搜索窗口。将该算法首先在OTB-100数据集上和其他常用的跟踪算法进行对比实验,实验结果表明算法能够准确地跟踪目标,跟踪成功率达到了90.1%。将该算法应用于人脸跟踪任务中,并与其他的人脸跟踪算法进行对比实验,实验结果表明该算法具有更好的性能和准确性,跟踪成功率达到了93.5%。

高精度四足机器人轨迹跟踪的鲁棒Camshift算法

Camshift算法常用于提取轨迹和轨迹跟踪,但是存在背景噪声干扰大及曲线抖动剧烈的问题。本文提出鲁棒Camshift算法克服原有的背景噪声大等问题,采用KNN算法对背景进行分割,并采用卡尔曼滤波方法对信号进行前处理,消除曲线抖动剧烈的问题。随后本文对现有的四足机器人轨迹进行提取,并遵从实测步态数据的提取流程,将步态数据提取出来。并将鲁棒Camshift算法在线检测的实测步态数据与理论步态数据对比,验证了算法的可行性。

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的目标跟踪算法

CamShift是一种应用颜色信息的跟踪算法,在跟踪过程中,CamShift利用目标的颜色直方图模型得到每帧图像的颜色投影图,并根据上一帧跟踪的结果自适应调整搜索窗口的位置和大小,从而得到当前图像中目标的尺寸和中心位置。在CamShift算法基础上对搜索窗口进行简单运动预测,并增加二次搜索方法,提高跟踪的稳定性。实验结果表明,在图像背景复杂且目标不规则运动的情形下,仍能有效地跟踪到目标。

结合扩展卡尔曼滤波的CamShift移动目标跟踪算法

CamShift算法是一种利用颜色信息对移动目标进行跟踪的算法,当目标快速运动或者受到干扰时容易导致跟踪失败。因此提出了一种结合CamShift与扩展卡尔曼滤波的移动目标跟踪算法,使用扩展卡尔曼滤波对目标运动速度和空间位置进行预测,同时采用目标加权直方图改进CamShift算法。所研究的算法能有效地克服目标背景干扰,存在干扰目标或目标部分被遮挡的情况下,仍能实现有效跟踪。实验结果表明,所研究的方法能够对移动目标持续稳定地跟踪。

基于改进Camshift的穿墙雷达运动人体目标成像跟踪算法

针对穿墙雷达运动人体目标图像"闪烁"与"抖动"的特点,提出基于改进Camshift的穿墙雷达运动人体目标成像跟踪算法。首先,针对形成的连续多帧穿墙雷达图像以及对应的颜色概率分布图,引入目标预测过程以确定图像中运动目标搜索波门,消除波门外的杂波干扰;然后,利用颜色概率分布图,在波门内自适应迭代调整目标搜索窗尺度,匹配形状与大小变化的目标图像以提取目标位置;最后,对提取的目标位置进行α-β滤波,形成连续平滑的目标运动跟踪航迹,实现基于穿墙雷达成像的建筑物内运动人体稳定航迹跟踪。多输入多输出(MIMO)穿墙雷达实验结果显示,与传统Camshift和Meanshift算法相比,改进后算法的跟踪航迹误差分别降低了40.99%和43.09%,获得了更加准确和平滑的目标运动航迹。

基于Camshift和Kalman滤波的仿人机器人手势跟踪

对仿人机器人MIR-1的双目视觉系统实现实时手势跟踪.通过颜色直方图反投影,将每帧RGB输入图像转换为二维的肤色概率分布图像,基于Camshift算法计算手势跟踪窗口的位置和大小,并用Kalman滤波预测手心位置,有效地解决了背景中大面积肤色干扰和手势部分被遮挡等问题.在仿人机器人MIR-1上完成的手势跟踪实验,验证了此方法的实用性和有效性.

基于LBP纹理和改进Camshift算子的车辆检测与跟踪

提出了利用背景图像LBP(局部二值模式)纹理和当前帧图像LBP纹理的相似度分析提取前景的方法,克服了车辆检测中常用的帧差法、背景差分法对光照比较敏感的缺点.同时基于H,S,V分量及改进的LBP纹理的联合直方图与金字塔L-K光流法中心跟踪相结合的Camshift跟踪算法,有效地解决了背景目标颜色相近可能会导致跟踪的目标区域加入背景后变大、处理较大帧间位移的视频跟踪上搜索窗口的位置准确度较低的问题.实验证明,该方法具有良好的检测和追踪效果.

基于帧间差分与Camshift相结合的目标跟踪算法

为了能够准确和快速的跟踪运动目标,提出了帧间差分与Camshift相结合的目标跟踪算法。首先,根据帧间差分确定目标的运动区域,再确定运动区域的质心,并以此质心为中心初始化跟踪曲线。然后在此区域内提取特征,用Camshift算法进行目标跟踪。此方法克服了传统Camshift算法需要人为定位和容易发散的缺点。最后通过实验验证了本算法的有效性。

一种改进的CAMSHIFT手势跟踪算法

在基于视觉的手势分析中 ,手势跟踪是一个关键环节 .从实时性的角度考虑 ,提出了一种改进的CAMSHIFT(ContinuouslyAdaptiveMeanShift)算法 ,实现了对动态手势的实时跟踪 .实验表明 ,该算法快速准确可靠 ,并且较好地处理了跟踪过程中大面积肤色干扰及手势被遮挡等问题 ,对复杂场景的检测与跟踪也取得了较好的效果 .同时 ,该算法还适用于其它具有特定颜色目标的跟踪 .

一种改进的CAMShift跟踪算法及人脸检测框架

为充分利用人脸视频图像序列中的时空信息,获得更加准确的人脸比对图像序列,提出一种结合人脸跟踪的人脸检测框架。使用简单快速的正面人脸检测算法对人脸视频图像序列进行检测,用检测的结果对人脸跟踪算法进行初始化及校验和调整。为解决CAMShift跟踪算法容易受类肤色区域影响而导致提取到的人脸区域存在冗余信息的问题,提出一种改进的CAMShift-KLT算法。该算法利用兴趣点跟踪人脸图像的边缘,达到准确获取人脸比对图像的目的。实验结果表明,与CAMShift算法相比,CAMShift-KLT算法获取的人脸区域更精准,同时具有较小的跟踪偏移距离、较大的跟踪命中率和更高的跟踪有效性。与对比算法相比,CAMShift-KLT算法能够获得与理想的人脸区域更加一致的跟踪区域。

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。

交比不变的Camshift跟踪方法

为了提高Camshift跟踪方法在复杂环境下的跟踪性能,应用被跟踪目标内部各特征像素间的交比不变原理,提出了一种改进的Camshift跟踪方法。该方法通过分析被跟踪的目标模型,计算出其内部各特征像素间的坐标关系;将内部数据间的交比不变量作为所提出的跟踪方法的约束条件,对跟踪错误的像素点进行校正,并将跟踪过程中连续两帧图像的内部特征像素间的距离比作为跟踪效果的评判标准。用改进的Camshift跟踪方法分别对标准测试视频内的视频信息和实际拍摄的视频信息进行了测试。结果显示,该方法在两种复杂环境实验条件下,跟踪目标的距离偏差都能保持在15pixel以内,对单帧图像平均处理时间在20ms以内。试验结果表明,该方法对复杂环境下的目标具有良好的跟踪效果,跟踪性能稳定,跟踪效率高,可以满足跟踪系统实时性的要求。

基于Camshift和Particle Filter的小目标跟踪算法

Particle Filter算法有较好的跟踪鲁棒性,但实时性差;Camshift算法计算速度快,但它属于半自动跟踪,所以都无法有效避免复杂背景的干扰。为了解决上述问题,提出了基于Camshift和Particle Filter的融合算法。该算法首先利用Particle Filter来自动搜索小目标的初始位置,接着采用Camshift跟踪小目标,然后通过度量因子自适应切换Camshift和Particle Filter来跟踪短时丢失的目标。利用复杂背景下的飞行小目标图像序列,与序贯相似性检测算法(SSDA)、Camshift和Particle Filter做对比实验。结果表明算法不仅能实现小目标的全自动跟踪,而且还降低了跟踪效果受目标形变和部分遮挡的影响,对小目标跟踪具有较高的鲁棒性和实时性。

多特征Camshift和Kalman滤波结合的猪只智能跟踪

为了实现猪只的智能跟踪,提出了一种多特征Camshift和Kalman滤波结合的猪只跟踪算法。首先采用最大类间方差法从背景中分割出猪只,从而统计出猪只的颜色特征和纹理特征;然后获取当前帧图像的联合特征概率分布图,利用Camshift算法求得猪只的位置;最后使用Kalman滤波预测猪只下一帧位置,实现多猪只跟踪。研究结果表明,猪只跟踪算法具有较强的鲁棒性,且更好满足实时性的要求。研究结果可为猪只健康养殖提供技术上的支持。