基于Kalman预测器的改进的CAMShift目标跟踪

CAMShift目标跟踪算法遇到目标被遮挡时容易陷入局部最大值,对快速运动目标容易跟踪失败,且无法从失败中复原。针对该问题,利用Kalman预测器改进CAMShift算法。首先利用Kalman预测器预测下帧图像中目标的位置,以此位置为中心确定CAMShift算法进行目标跟踪的搜索区域;然后利用目标匹配时的Bhattacharyya系数及目标大小来判断目标是否被遮挡以及被遮挡的程度。如果没有被遮挡,则用CAMShift算法得到的目标位置更新Kalman预测器中参数;如果遮挡不严重,则用Kalman预测器的预测值作为目标的位置和大小,且用该组值更新Kalman预测器中参数;如果遮挡非常严重,则用Kalman预测器的预测值作为目标当前位置,目标大小为固定值,用该组值更新Kalman预测器中参数。实验结果表明,改进算法能够准确地跟踪被遮挡目标和快速运动目标。

基于自适应Kalman预测器的运动估计算法

利用图像序列估计目标运动速度是机器人视觉中的一项重要研究内容。它应用在机器人操作、导航、视觉跟踪等多项领域中。这些应用一般均要求运动估计算法具有较好的实时性和抗噪能力。卡尔曼滤波器和预测器正符合上述要求。该文基于运动图像的仿射模型,探讨从序列图像中预测目标三维平动速度的卡尔曼预测算法。首先建立运动目标的"当前"统计模型,然后根据运动图像的仿射模型找出图像运动参数与目标三维速度间的关系(图像运动参数由目标图像的几何矩计算获得)。最后结合自适应卡尔曼滤波和卡尔曼一步预测算法设计自适应卡尔曼一步预测器。为减轻预测器的发散性,对初始状态进行估计。仿真结果表明,基于"当前"统计模型和运动图像仿射模型设计出的自适应卡尔曼一步预测器具有较高的精度。

基于归一化互相关匹配算法和Kalman预测器的目标跟踪

针对基于模板匹配的目标跟踪算法在目标被遮挡时容易出现跟踪丢失的问题,提出一种改进的结合遮挡判断和Kalman预测器的模板匹配算法。首先使用三帧差分法提取运动目标并计算运动目标区域。然后针对目标是否被遮挡引入Bhattacharyya距离进行判断,当Bhattacharyya距离小于设定的阈值,表明目标没有被遮挡,则使用归一化互相关(NCC)匹配算法对目标进行稳定跟踪,反之则利用Kalman预测器对被遮挡目标的位置和大小进行预测。实验结果表明,所提算法在静态背景下、目标发生遮挡时的跟踪成功率达到71.43%,比单一NCC匹配算法提高了21.43个百分点。

基于Kalman和Surf的Camshift目标跟踪研究

传统的Camshift运动目标跟踪算法在目标遮挡或背景颜色干扰下,容易陷入局部最大值,造成目标跟踪丢失。针对这一问题,提出了一种结合Kalman滤波及Surf特征提取的改进算法。该算法需在视频序列中手动框选跟踪目标作为目标模板。将传统Camshift算法得到的目标候选区域与目标模板进行直方图对比,得到的巴氏系数若大于设定的阈值则说明目标跟踪丢失。采用Surf算法,在该帧图像中匹配出新的目标候选区域,最终得到候选区域的位置信息更新Kalman滤波。仿真实验表明,改进后的算法在复杂背景下仍然具有良好的跟踪效果。

高速公路车道线检测与跟踪算法研究

为提高高速公路上车道线识别的快速性和鲁棒性,提出了一种有效的车道线检测与跟踪方法。采用霍夫变换进行车道线检测,具有较强的抗干扰能力,能够准确地识别车道线。车道线跟踪利用Kalman预测参数建立感兴趣区域,然后用扫描线法搜索车道线边界点,在车道线间断区域利用Kalman预测器定位车道线边界。由于搜索限制在预测范围内,提高了搜索精度,减少了搜索范围,保证了实时性能,且对虚线车道线识别特别有效。仿真实验结果表明,对于不同的天气状况和车道线种类,该算法均有较好的识别效果。

一种用于高速公路的快速有效的车道线识别算法

提出了一种针对高速公路的车道线检测与跟踪方法;在图像预处理中采用基于采样的自适应阈值以满足不同光照条件下的使用要求,采用霍夫变换(HT,Hough Transform)进行车道线初始检测,车道线跟踪利用Kalman预测参数动态建立感兴趣区域(ROI,Region of Interest),用扫描线法搜索车道线边界点,在车道线间断区域利用Kalman预测器定位车道线边界;设计了一个失效判别模块,验证跟踪结果,当跟踪失败时,重新启动初始检测算法进行识别;实验结果表明,对于不同的车道线种类和在大部分车道线被前方车辆遮挡的条件下,该算法均具有较高的实时性和鲁棒性。

基于改进的均值漂移视频目标跟踪算法

采用帧间差分法提取目标的运动特征,结合边缘特征对光照变化、颜色不敏感和颜色特征对旋转、形状姿态不敏感的优点,提出了一种新的运动-颜色和运动-边缘特征联合的外观模型对目标进行均值漂移跟踪。分别计算颜色直方图和边缘直方图的Bhattacharyya系数,利用加权求和的思想计算下一帧各个特征的权值,将各个特征自适应融合,提高了跟踪算法的鲁棒性。针对目标被严重遮挡或全部遮挡而导致跟踪丢失的问题,提出利用Kalman预测器预测目标的轨迹改进均值漂移算法。实验结果表明,在光照变化、相邻相似背景颜色、变形、遮挡等复杂背景下,该算法仍能很好地跟踪目标。

多技术融合的Mean-Shift目标跟踪算法

在研究经典算法的基础上,提出了一种多技术融合的Mean-Shift目标跟踪算法,有效地解决了经典MeanShift跟踪算法存在的缺陷。通过Kalman算法预测估计目标的中心位置,通过分块颜色直方图提取目标区域的空间信息进行,同时采用背景加权和核加权相结合的方式抑制背景像素对目标的干扰。在多个视频数据上的试验结果表明,研究方法有效地克服了经典的Mean-Shift目标跟踪算法对遮挡、背景像素敏感的问题,在复杂环境的背景下对运动目标跟踪更加准确。