基于Mean-Shift的复杂工业环境运动目标跟踪算法

随着近年来计算机及成像技术的高速发展,视频运动目标检测和跟踪已成为计算机视觉领域的一个研究热点。由于运动目标与摄像头位置的相对变化、室内光照的变化及噪声的存在,以及周围环境中相似物体的干扰,传统的Mean-Shift跟踪算法的跟踪效率、准确性和抗干扰能力均无法满足该应用的需要。为了解决这一问题,在传统Mean-Shift跟踪算法基础之上,提出了颜色直方图更新算法、运动信息融合等改进方案,在Mean-Shift迭代搜索过程中加入了速度矢量加权机制,使目标与相似背景能够有效地被区分开来,提高了系统的抗干扰能力。仿真实验结果表明算法有效提高了跟踪的效率及准确性,能够满足复杂工业环境中运动目标跟踪的需要。

基于图像块差分和Mean Shift算法的运动目标检测

运动目标检测是计算机视觉中的一个重要研究内容,现有算法中的一个重要问题是噪声对分割结果的影响。提出了一种时空域信息相结合的运动目标检测算法:首先利用图像块的重心位置在时间域上差分结果初始化目标轮廓,图像块差分的方法可以消除噪声的影响及减少目标内部的空洞;然后采用Mean Shift算法对初始轮廓进行迭代,使其逐步贴近真实的目标边缘。实验表明该算法能快速准确地分割出序列图像中的运动目标。

基于机器视觉的Mean Shift跟踪算法改进

能成功跟踪运动对象,并将运动对象从场景中分离,是智能视频监控技术的重要部分。视频监控下的运动对象通常具有多特征、噪音多和非线性的等特点,采用改进Mean Shif跟踪算法,能够较好地处理难以跟踪或者跟踪效果差等缺点。

基于Mean Shift算法的网球运动视频目标跟踪研究

传统Mean Shift算法在运动目标运动速度过快以及被遮挡的情况下,算法的跟踪效果较差。因此,提出基于改进Mean Shift算法的网球运动视频目标跟踪方法,分析Mean Shift算法进行网球运动视频目标跟踪的过程以及存在的弊端。采用最小二乘法对Mean Shift算法进行改进,利用最小二乘法预测网球运动视频目标位置,在该位置上实施迭代跟踪,再用Mean Shift算法得到目标最终跟踪位置,解决目标运动速度过快以及遮挡问题的干扰,减小各帧检索时矢量同收敛点的距离,提高跟踪效率。实验结果说明,所提方法具有较高的跟踪效果和跟踪效率。

基于目标中心距离加权和图像特征识别的跟踪算法

本文提出了一种实时跟踪算法,以目标中心距离加权的灰度图像作为模板,采用m ean-shift迭代方法实现目标的空间定位;同时建立二值图像模板,根据目标的图像特征,进行尺度定位.本算法改进了kernel-based算法对变尺度目标的跟踪.对于超过一定像素的较大目标,本算法进行“降采样”,大大减小运算量,从而实现了对大尺度目标的实时跟踪.实时视频流的跟踪实验验证了该方法的有效性.

H.264压缩域中mean-shift聚类运动目标分割算法

针对视频监控、检索,提出了一种在H.264压缩域下运动对象分割的新算法。根据实际监控应用特点,算法主要利用H.264码流中提取的运动矢量(MV)、分块尺寸信息对原始的MV场(MVF)进行可靠性分析以及空间滤波、mean-shift聚类处理,从而得到可信度较高的MVF场。首先,从H.264码流中获取原始MV并进行归一化处理,同时对原始MVF进行两步空间滤波;其次,对不同的块大小分配相应的权值作为每个样本的权重系数,将处理之后的MVF作为样本空间,利用mean-shift聚类获取真实的MVF;最后,根据可靠的MVF标记运动目标。实验结果表明,本文提出的mean-shift聚类运动目标分割算法可以获得有效并可靠的分割结果。

彩色序列图像中实时运动目标跟踪方法

提出了一种彩色序列图像中的实时运动目标跟踪算法,该算法首先利用综合帧间差分法与背景差分法两种方法优点的动态背景更新算法来检测各种运动目标,在后续的图像序列中,利用运动检测算法来确定目标跟踪的起始点,并利用Mean Shift算法来跟踪运动物体;然后再更新Mean Shift的目标模板。实验结果表明,该算法能够克服Mean Shift算法对尺度变化的物体的跟踪效果较差且不能检测突然出现在图像序列中的物体的不足,快速准确地跟踪各种物体。

智能网络视频监控系统

设计一种智能网络视频监控系统,实现实时监控和目标实时跟踪功能。系统前端使用网络摄像机采集实时图像,通过网络服务器将实时图像传输给网络用户终端,在终端实现实时监控操作。以颜色信息作目标特征,采用均值偏移算法实现对目标人物的实时跟踪。实验表明,该系统具有良好的稳定性与实时性。

核函数带宽自适应的均值漂移目标跟踪算法

针对均值漂移(Mean Shift)算法在跟踪视频目标过程中核函数带宽固定不变的缺陷,提出了一种核函数带宽与目标大小自适应变化的Mean Shift视频目标跟踪算法。用Mean Shift算法搜索到目标,以搜索框中心不变,将搜索窗口扩大,并计算新搜索框的模型及每个像素的核函数权值;通过将每个像素点的核函数权值代替像素值,并利用不变矩计算方法,识别出能框选住目标的椭圆;根据椭圆参数反求新搜索框的大小(核函数带宽)及位置。实验结果表明,该算法能够有效地跟踪大小变化的目标,并且搜索框能较好地与目标大小相适应。

智能视频监控系统中运动目标跟踪的研究

为了提高智能视频监控系统中运动目标跟踪的可靠性和实时性,在研究Mean-Shift和粒子滤波的基础上提出了一种融合Mean-Shift的粒子滤波目标跟踪算法。该算法利用Mean-Shift的聚类作用,提高了粒子采样效率,有效抑制粒子退化现象;而且,在算法实现过程中加入了目标模板更新环节,很好地解决了目标遮挡问题,在保证跟踪效果的前提下大大降低了粒子滤波的计算量,使得其被应用于实时监控系统成为可能。最后在MATLAB上进行了实验仿真,得到了较好的跟踪效果,可广泛应用于智能视频监控系统中。

视频监控系统中一种运动目标的检测方法

提出了一种基于改进的背景差分法的运动目标检测和识别的方法,该算法用于视频监控系统中运动目标检测和报警。双阈值法和动态阈值法有效地检测出图像中的运动目标。Matlab 7.0中对算法进行了仿真,实验表明,该方法有效去除了运动目标阴影及背景噪声,可准确地检测出运动目标。

干扰环境下运动目标跟踪的背景滤波

基于Mean Shift的目标跟踪算法,在目标发生明显尺度变化或存在背景干扰的情况下,跟踪就会失败。为此,针对跟踪过程中的背景干扰问题,提出根据目标运动状态进行背景滤波的目标跟踪算法。根据目标跟踪过程中产生的运动轨迹估计目标位移和速度,沿着目标可能的运动方向的反方向对候选区域进行背景滤波,滤波区域宽度根据目标位移大小确定。实验结果表明,改进后的算法对背景信息具有较好的鲁棒性,提高目标跟踪的可靠性。

视频目标运动分析研究

首先分析了OpenCV中BlobTrack运动模块的跟踪算法流程,接着对帧间差分、背景差分、多帧累加和光流法等常见的运动目标检测方法进行了比较,并提出了采用差异累计图像法对运动目标进行检测,然后重点分析了MeanShift算法原理,最后指出了采用BlobTrack跟踪时各个参数选取的问题,并通过Matlab仿真证明了BlobTrack在智能视频监控系统中的适用性。

基于DESO的Mean Shift目标跟踪算法研究

将基于DESO的运动预测算法和Mean Shift算法相结合,形成一种新的基于Mean Shift的快速目标跟踪算法.该算法以DESO预测位置作为MeanShift算法下一帧候选模型的计算中心,实现了对快速运动目标的跟踪,并通过DESO对目标运动轨迹进行预测,较好地解决了目标完全遮挡时的跟踪问题.实验结果表明,该算法具有预测精度高、实时性好、抗遮挡能力强的优点.

具有遮挡鲁棒性的目标中心距离加权的跟踪算法

本文提出了一种实时跟踪算法,以目标中心距离加权的目标图像直方图作为模板,采用mean-shift迭代方法进行目标定位;当目标被部分遮挡时,用"分块匹配"的方法提高算法鲁棒性;对于超过一定像素的较大目标,本算法进行"降采样",大大减小运算量,从而实现了对大尺度目标的实时跟踪。实时视频流的实际跟踪系统验证了该方法的有效性。

复杂环境下异常行为检测算法

针对复杂环境下视频监控滞后严重难以满足预警的问题,提出一种基于计算机视觉技术的复杂环境下异常行为检测算法。该算法首先利用分层背景模型对环境中的行人目标进行检测;其次采用改进的Mean-shift算法对运动目标进行实时跟踪,并在跟踪结果的基础上进行运动目标的异常行为判断。实验结果表明:该算法可以建立复杂环境准确的背景模型,有效地对入侵目标进行检测;可以对跟踪目标进行实时跟踪,有效地对逆行和逗留进行检测。

高速公路能见度快速检测算法

利用高速公路现有的视频监控系统提供的视频图像,提出了一种可以快速进行高速公路能见度检测的算法。该算法基于大气光传播模型,首先采用均值漂移准确分割出天空区域,在此区域内用局部熵估计出大气光强度值。再运用暗原色先验得到图像的初始透射率,并采用双边滤波进行了优化。最后根据CIE的能见度公式求取能见度值。试验结果证明:该算法的能见度检测值与采用散射仪检测的结果非常接近,同时具有环境适应性强且速度快的优点,能满足高速公路能见度预警的智能系统实时性要求。