采用线结构光和MeanShift的高精度玻璃截面缺陷检测方法

玻璃在制作和分割过程中会导致截面存在缺陷。针对人工方式难以辨别检测此类缺陷的难点,提出了一种高精度的玻璃截面缺陷检测方法。将线结构光扫描技术和MeanShift算法相结合,对玻璃截面的缺陷进行检测并估计其几何参数。首先,利用线结构光传感器系统获取玻璃截面的高精度三维(3D)形貌,将其映射到二维(2D)平面生成带有缺陷形状的灰度图。然后,对获取的灰度图进行预处理后,采用MeanShift算法进行缺陷区域分割,平滑分割结果。最后,估计分割出来的缺陷几何参数并完成定量统计。实验表明,所提算法能够有效地检测出玻璃截面的缺陷,并估计其几何参数。

基于扩展MeanShift算法的移动目标跟踪研究及实现

为克服时间差分法、模板匹配法、背景去除法以及光流法等传统移动目标跟踪方法的缺点,研究了MeanShift算法及扩展MeanShift算法,然后以LabVIEW为软件平台,实现了基于扩展MeanShift算法的移动目标跟踪程序,并用实验验证了扩展MeanShift算法在移动目标跟踪中的应用具有实时性、实用性、准确性和稳定性。实验结果表明,扩展MeanShift算法能很好地跟踪移动目标,甚至在移动目标被部分遮挡时也能对目标进行准确跟踪。

基于改进MeanShift的目标跟踪算法

针对传统Meanshift算法在某些干扰或遮挡情况下不能保证跟踪的准确性,以及目标模型内的背景像素也会造成定位偏差的问题,提出一种基于MeanShift的改进算法。首先对目标模型进行改进,通过目标与背景的区分度引入权系数,在目标模型中进行加权处理,可达到降低目标模型内背景像素对跟踪定位精度的影响。然后,将跟踪窗进行分块,对各子块使用改进目标模型的Meanshift算法进行跟踪。最后,用匹配度最大的两个子块加权决定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。实验表明,在复杂背景下,新算法仍然可以有效、准确地跟踪运动目标。

基于多尺度Meanshift图像去噪算法

针对图像噪声类型未知、Meanshift平滑窗口难以确定致使图像细节被模糊的问题,提出多尺度Meanshift图像去噪算法。结合小波的'数字显微镜'的优点与Meanshift较强无参概率密度估计及快速模板匹配的特点,非常有效地去除了一组实际夜间远程拍摄图像中的未知噪声。算法执行过程中,首先,将图像进行二维离散小波变换,分解出低频子图和承载细节的高频轮廓子图;然后,区别于传统处理方式,高频子图保护不变,对低频子图进行Mean shift分析窗平滑,最后合成高频子图与低频滤波后图像形成去噪声后图像。该方法不仅弥补了单一Meanshift算法由于平滑窗口难以确定致使图像细节被过滤的缺陷,而且解决了一类实拍高噪声图像的去除,信噪比SNR为34.29。结果表明:本文提出的算法可以去除不同类型噪声图像,并可得到较高的信噪比。

基于颜色纹理联合特征直方图的自适应Meanshift跟踪算法

传统的meanshift跟踪算法利用图像中的颜色直方图作为目标的代表,其鲁棒性不高,容易受光照,目标缩放等因素的影响,造成定位精度不高,跟踪算法的稳定性不好。鉴于此,文中提出一种基于改进LBP特征描述子的方法,并将其与颜色直方图进行巧妙的融合,构建了一种新颖有效的联合直方图目标外观模型,并将其嵌入到meanshift跟踪框架中;另外,通过有效利用目标候选区域的矩信息,估计跟踪过程中目标的尺度和方向的变化。不同场景的跟踪实验结果表明,与传统的meanshift跟踪相比,文中提出的跟踪算法可以有效克服场景中相似目标的干扰,光照及目标尺度的变化,取得了更好的跟踪结果,具有更高的鲁棒性、稳定性、有效性。

基于相关区域分层的改进Meanshift目标跟踪算法

针对背景图像阴影、物体遮挡等对目标跟踪干扰的问题,提出一种基于相关区域分层的改进Meanshift目标跟踪算法。Meanshift跟踪算法搜索匹配问题,采用一种相关区域分层匹配搜索方法,提高在跟踪过程中重新搜索匹配的快速性,并结合自适应Kalman滤波算法提高目标跟踪的准确性。实验结果表明了该算法的可行性及有效性。

基于Meanshift与摄像机标定的无人机定位方法

针对在全球定位系统信号失效的情况下,提出一种利用机载相机拍摄的移动物体轨迹及其与无人机的相对位置解算无人机的绝对位置的方法.将Meanshift目标跟踪算法与摄像机标定技术相融合进行位置解算,即根据获得的摄像机内外参数、移动物体的图像像素坐标和无人机与移动物体的相对位置确定无人机的世界坐标.经多组实验数据验证,位置解算值绝对误差均不超过真实值的1%,分析结果证明了本方法在无人机自主定位领域的可行性.

改进的Meanshift运动目标跟踪算法

Meanshift算法在对快速运动的目标进行跟踪时容易丢失目标,并且在目标被遮挡时,也容易造成跟踪失败,跟踪的过程中跟踪框不能随着运动目标的大小变化而变化。提出一种基于Meanshift运动目标跟踪算法的改进算法。该算法基本思想是采用改进的三帧差分法对运动目标区域进行提取,求得跟踪框轮廓,同时用Meanshift算法对运动目标进行跟踪,获得目标最大概率区域,将该区域中心作为跟踪框的中心。跟踪过程中通过巴氏系数判断是否目标被遮挡,若被遮挡则调用Kalman滤波进行预测跟踪。实验结果表明,该算法能够快速、准确地跟踪目标。

基于MeanShift算法的运动人体跟踪

用于运动目标跟踪的MeanShift算法主要是通过单一直方图描述目标颜色特征来实现的,它明显缺少有关空间分布方面的信息。针对该缺陷,Maggio E等人提出了使用目标区域分块的改进方法,但在复杂环境下判别效果和稳定性不够好。为此,本文提出了新的改进方法。一方面通过减少人体区域分块数目来减少处理时间,但又不失相关空间信息;另一方面通过对每个分块进行一定系数的加权来提高判别效果。实验比较证明,该算法提高了复杂环境下运动人体判别的准确性,具有很好的稳定性。

杂波环境下基于meanshift的多目标数据关联

针对杂波背景下多目标的数据关联问题,提出了一种基于meanshift的多目标数据关联算法。该算法首次将meanshift用于多目标的数据关联问题中,首先对接收到的量测数据通过meanshift算法进行聚类处理,然后结合最近邻思想完成量测-航迹的关联,在目标密集或交叉的情况下,引入关联度的概念,与PDA相比,在提高关联精度的同时,也降低了计算量。蒙特卡罗仿真结果验证了该算法的可行性和有效性。

基于MeanShift的短波跳频信号快速盲检测

在复杂的短波信道环境下,为了降低各种干扰信号和噪声对跳频信号的影响,实现低信噪比下跳频信号盲检测,结合时频分析技术,提出一种基于MeanShift算法的连通域标记跳频信号快速盲检测算法。首先,对信道环境灰度时频图进行二次灰度形态学滤波得到二值化时频图。其次,通过连通域标记算法,计算信号最大持续时长。再次,利用MeanShift算法对信号最大持续时长进行聚类分析。最后,结合自适应双门限对聚类结果进行二次判决。仿真结果表明,在无任何先验信息的情况下,所提算法能够在低信噪比下快速分离各种干扰信号与尖锐噪声,实现跳频信号快速盲检测,检测概率较高,在短波信道环境下抗干扰能力较强,计算复杂度较低,具有较高的工程实用价值。

改进ViBe算法与Meanshift结合的目标跟踪方法

为解决视频监控系统中因光照变化、相似颜色干扰及快速动目标而导致的目标易丢失问题,提出一种改进ViBe算法与Meanshift结合的目标跟踪方法。首先采用三帧差分和ViBe算法结合进行前景目标提取和检测,以消除鬼影的干扰,利用色度特征和梯度特征相结合的方法来抑制阴影;同时通过将边缘特征融入到Meanshift算法中,引入运动矢量在当前帧中预测下一帧运动目标的位置,实现场面监视环境中运动目标的持续、准确跟踪。通过在监控视频中行人、车辆及飞行器等不同场面目标做实验,验证了本文方法不仅能够持续、准确地跟踪运动目标,并且可适用于场面雾天低能见度条件下的运动目标跟踪。

一种基于Meanshift和RANSAC的车道识别方法

为满足车辆行驶时能对各种车道线(实线、虚线、直道、大弯道)准确识别,提出一种基于Meanshift原理和RANSAC(Random Sample Consensus)算法的车道识别方法;该方法首先利用改进的最大熵阈值分割方法和图像灰度概率密度特征对左右车道线目标进行初定位,动态地建立车道线ROI(Region of Interests),然后运用Meanshift算法对左右车道线进行精确定位,最后利用RANSAC算法对各搜索框中候选车道线的重心进行筛选,并采用最小二乘法对左右车道线进行拟合;实验结果表明,该方法可以识别各种车道线型,并具有较好的鲁棒性;车道检测平均时间为80ms/f,车道跟踪平均时间为40ms/f。

基于目标质心的Meanshift跟踪算法

运动目标跟踪涉及到计算机图像处理、视频图像处理、模式识别以及人工智能等诸多领域,是一门交叉性很强的学科。因此,研究一种实时性、鲁棒性好的运动目标跟踪方法依然是该领域面临的一个巨大挑战。快速运动目标跟踪技术是当今目标跟踪领域的难点之一。均值漂移算法在目标跟踪过程中没有利用目标的运动方向和速度信息,这就导致了无法准确跟踪快速目标。文中提出了一种基于质心算法的Meanshift跟踪模型算法。初始位置采用运动目标质心,并在质心位置处采用Meanshift迭代,以巴氏系数判断当前目标和参考目标的匹配程度。实验分析,该算法可实现快速、有效跟踪目标。

基于Meanshift和粒子滤波的行人目标跟踪方法

针对粒子滤波跟踪算法计算代价大以及Meanshift跟踪算法容易陷入局部极值等问题,提出一种嵌入均值优化的粒子滤波跟踪算法。该算法根据粒子滤波的运动模型估计目标区域位置,利用Bhattacharyya距离度量粒子区域和目标模型的相似性,并根据相似性来更新粒子权值,使用Meanshift优化算法改善粒子的估计位置,使得这些粒子的候选区域能更加接近目标模板,极大提高了粒子的使用效率。实验结果表明,该算法能够有效进行人的跟踪,处理人的短暂遮挡问题,性能优于粒子滤波算法,有较好的实用性。

基于Contourlet和MeanShift的交通视频车辆跟踪算法

提出一种基于Contourlet直方图的MeanShift交通视频车辆目标跟踪算法.首先,利用Contourlet变换提取交通视频中感兴趣区域下跟踪目标的纹理特征和轮廓,并用其直方图统计跟踪目标的纹理特征;然后,通过Kalman滤波技术来进行跟踪目标轨迹的相关性函数计算,并将计算结果迭代到MeanShift跟踪算法中选取最优估计值,进而实现对交通视频车辆在复杂场景中的精确定位.通过与传统的MeanShift跟踪算法以及基于Kalman滤波的MeanShift跟踪算法等比较表明,此算法不仅能够对复杂场景中的视频车辆进行有效跟踪,同时还具有较好的稳定性和抗干扰性.

基于Meanshift聚类-Bhattacharya观测似然度修正的联合概率数据关联改进算法

为降低多目标航迹聚集时联合概率数据关联(JPDA)联合关联事件的计算复杂度,提出一种基于Meanshift聚类-Bhattacharya(Bhy)观测似然度修正的JPDA改进算法。利用Meanshift得到聚类中心,据聚类中心与目标预测量测马氏距离形成跟踪门;提出Bhy似然度矩阵,将Meanshift聚类中心与各量测Bhy距离所表征的观测似然度作为确认矩阵小概率事件划分依据,消除确认矩阵中小概率事件对联合关联事件计算复杂度的影响。实验结果表明:多目标航迹聚集时,该算法在减少计算复杂度同时保持了较高关联精度,跟踪性能明显优于经典JPDA。

一种新的Meanshift快速运动目标鲁棒跟踪方法

针对传统Meanshift算法对快速运动目标跟踪不准和持久跟踪易丢失问题,提出一种新的Meanshift快速运动目标鲁棒跟踪方法。新方法结合Kalman滤波预测从帧差法检测的运动区域中挑选可信区域只进行一次Meanshift颜色相似检测,若相似值不满足条件则再从其他运动区域依次进行原Meanshift跟踪,找出最佳跟踪区域。新方法减少了原方法颜色匹配迭代次数,对目标持久跟踪丢失时也可以快速重新找回原目标进行跟踪。最后,跟踪实验结果也说明了新方法计算更快和跟踪上的鲁棒性。

基于五帧差分和改进的Meanshift算法的运动目标跟踪

针对传统的帧差法检测运动目标时易出现空洞及Meanshift算法在复杂环境下易丢失跟踪目标甚至导致跟踪失败的缺点,提出了采用动态阈值五帧差分与跟踪目标实时模板更新的改进Meanshift的运动目标检测与跟踪算法,以提高系统的实时性和鲁棒性。结果表明该方法是可行的,能准确检测出运动目标,以提高目标跟踪的可靠性。

多特征联合的尺度和方向自适应meanshift跟踪算法

经典meanshift跟踪算法因其具有计算量小、实时性强等优点而得到广泛应用。但在目标发生缩放、旋转、光照变化以及目标颜色与周围背景颜色难以区分等情况下,经典meanshift算法的鲁棒性不佳,目标定位精度不高,算法稳定性不好。鉴于此,本文提出一种联合颜色和纹理直方图表示的meanshift算法,其中本文用到的局部二值模式LBP是基于分块思想改进的纹理算子,有效地提取边缘和角点等主要目标模式来更加精炼地表示目标;另外,通过有效利用目标候选区域的矩信息,来解决跟踪目标运动中尺度和方向的变化的问题。通过不同场景视频跟踪实验表明,与经典meanshift算法及改进前的联合特征表示方法相比,文中提出的改进算法在上述复杂场景下的目标跟踪具有更高的稳定性和鲁棒性。