Mean Shift跟踪算法创新实验项目设计

视频跟踪算法是计算机视觉实践课程中比较受关注的实验项目。针对突变情况下传统Mean Shift跟踪算法无法实时准确跟踪的问题,设计了基于模板更新和线性预估的Mean Shift跟踪算法创新实验项目。在模板更新策略下,引入背景模板,通过将原目标模板和背景模板与设定的阈值进行比较来对干扰因素进行判定,当干扰因素判定目标受到遮挡时,引入线性预估方程进行目标位置预测,有效解决目标在遮挡情况下跟踪丢失的问题。通过对测试视频的跟踪效果和性能进行对比分析,验证了算法在突变情况下相较于传统算法具有更好的抗干扰能力。以算法创新设计为核心,通过开放性创新实验项目的选题、设计、答辩、反馈的闭环实验过程,有效提高了学生算法创新设计能力。

一种尺度和方向适应性的Mean Shift跟踪算法

针对原始的Mean Shift跟踪算法虽能准确地估计目标位置,但对目标尺度和方向不能实现自适应估计,结合目标模型与候选目标区域的候选模型得到了反向投影图,此反向投影图可表示图像中像素点属于目标的概率,将反向投影图的矩特征应用到原始Mean Shift跟踪算法框架,实现了目标尺度和方向适应性Mean Shift跟踪.实验结果表明:该算法能有效跟踪尺度和方向变化的目标.

改进的Mean Shift跟踪算法在车辆跟踪上的应用

使用传统Mean Shift目标跟踪算法实现运动目标跟踪时,跟踪框大小不变,可能会导致跟踪过程中运动目标跟丢的情况发生。因此,提出了一种结合背景差分法的Mean Shift跟踪算法,从而实时地提取出大小合适的运动目标跟踪框。实际应用中,通过DM642数字信号处理器采集D1格式的视频,然后对视频帧图像进行改进的Mean Shift跟踪算法实现后可以发现,改进的Mean Shift跟踪算法可以实时地实现目标跟踪框大小的变化。在跟踪效果上,改进的跟踪算法具有较好的效果。

一种新的基于分块直方图的Mean-Shift跟踪算法

在经典的Mean-Shift算法中使用颜色直方图来描述目标,而这种颜色直方图中却存在大量空的颜色直方图区间,且没有融入图像的空间信息,在遇到与跟踪目标颜色分布相近的背景或目标时会造成跟踪丢失。针对颜色直方图的不足提出一种分块颜色直方图构建方法以融入空间信息,对得到的分块直方图进行简化,去除空闲的直方图区间。实验中对颜色分布相似的物体发生遮挡进行跟踪试验,并与经典Mean-Shift算法跟踪结果进行对比。实验结果表明,这种新算法能更稳定、准确地跟踪目标。

基于Mean Shift行人跟踪算法的改进

构建了一种Mean Shift跟踪算法,通过梯度方向直方图的描述,搭建了一种Mean Shift核心算法,算法的核心是通过迭代以达到快速收敛.通过构建的算法,基本实现了梯度方向直方图为根本的Mean Shift跟踪算法对灰暗图像中的行人进行有效的跟踪.

一种改进Mean shift算法的视频监控系统

在TiDavinciDM6446DSP硬件基础上,结合Mean shift跟踪算法本身的特点,针对跟踪物体在大比例或相对时间长的阻挡,以及视频的采集、处理、传输过程可能出现的失真丢包现象,采用改进型的牛顿插值算法,确定目标接近真实位置的最优位置.插入改进后的算法具有很好的实时性和准确性.

智能视频监控中的异常检测方法研究

对智能视频监控中人的区域入侵异常、滞留异常、奔跑异常等进行了分析研究,给出了三种异常的检测方法。多高斯模型用于运动目标检测,Mean Shift算法用于运动目标的跟踪,运动目标速度的计算能够区别目标的走与跑,并且对它使用的修正方法可以降低摄像头远近所带来的误差。