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。

基于Mean-shift聚类算法的导航欺骗干扰源定位技术

对导航干扰的现状进行了分析,针对北斗导航面临的威胁,对现有导航欺骗干扰源的定位方法和功率预测方法进行分析总结。针对现有技术水平的不足和未来战场的需求,提出了基于Mean-shift聚类算法的干扰源定位方法,对算法进行了分析,给出算法实现与优化的过程,通过仿真与实验测试对算法的性能进行了分析。外场实测数据表明,提出的导航欺骗干扰定位算法具有较高的定位精度。提出的干扰源定位方法,将为导航对抗环境下的导航态势感知提供一种新的手段和方法。

基于自适应核带宽度Mean Shift算法的单木识别研究

为提高多树种森林中单木识别的精度,利用机载激光雷达点云数据作为研究对象,提出一种基于自适应核带宽度Mean Shift算法的单木识别方法。该方法先采用直方图分析法分离树冠点云和冠层下点云,再采用基于二维增量网格投影的区域生长法,估算单木冠幅有效半径,然后以单木冠幅有效半径作为自适应核带宽度,对树冠点云进行自适应Mean Shift聚类分析,得到树冠点簇,最后采用包络盒方法根据树冠点簇和树干点云的空间关系识别单木。试验结果表明,检测树与实际树的位置、树冠形态近似一致,单木召回率达到86.1%,准确率达到91.5%,高于2个对比试验的结果。研究证明设置的自适应核带宽度能够自动调整以反映局部树冠的实际大小,在多树种森林的单木识别中表现良好。

改进Mean Shift目标跟踪算法实现

目标跟踪技术目前具有较好的应用前景,但在嵌入式处理平台中面临着实时性要求高、跟踪场景复杂等情况,加上受成本和嵌入式处理平台算力的限制,其处理效果往往很难满足现实需求,因此目标跟踪等图像处理技术的落地实现是当前研究的热点内容。针对此问题,本文在FPGA平台实现了改进Mean Shift目标跟踪算法,该算法首先通过目标的概率密度分布梯度爬升来寻找目标,然后采用Kalman滤波的预测机制来预估下一帧搜寻计算的位置,从而减少Mean Shift的迭代次数。该算法实现充分利用FPGA能够并行和流水线处理的特点,实现了在1 920×1 080@60 Hz高清视频图像场景下的实时目标跟踪,其中Kalman滤波算法使其在较复杂场景下也能具备一定的抗遮挡干扰的能力。

Mean-Shift跟踪算法中核函数窗宽的自动选取

传统核窗宽固定的Mean-Shift跟踪算法不能很好地对逐渐增大尺寸的目标进行有效的跟踪.在分析同一目标在不同尺度下核直方图基于Bhattacharyya系数相似性的基础上,发现并证明了在核窗宽固定的条件下,目标在其窗宽范围内进行缩放、平移运动并不影响Mean-Shift跟踪算法空间定位的准确性.在此基础上,提出了一种基于后向跟踪、形心配准的核窗宽自动选取算法.对尺度渐大的车辆进行的跟踪实验验证了该算法的有效性.

Mean-Shift跟踪算法中目标模型的自适应更新

针对Mean-shift跟踪算法中的模型更新问题,提出利用目标历史模型和当前匹配位置处得到的观测模型,对目标核函数直方图进行Kalman滤波,从而对目标模型进行及时更新。在滤波过程中,通过分析滤波残差动态,调整滤波方程中的各种参数。Bhattacharyya系数被用作模型更新的准则。该系统能够有效地处理遮挡、光照变化等干扰,避免了模型的过更新。大量视频序列测试的结果表明,在场景遮挡、光照变化等因素的影响下,算法能够对目标外观以及尺度的变化进行稳健、实时和有效的跟踪。

基于改进Mean-Shift算法的红外小目标跟踪

复杂背景下的红外小目标跟踪在目标跟踪领域一直是重要的研究方向。由于小目标体量小、机动性大,而红外图像大多受到严重的背景噪声和热噪声影响,使得针对红外小目标的跟踪大多出错率高,鲁棒性不强。针对红外小目标的跟踪,提出了一种改进的Mean-Shift算法。结合图像的统计特性,提出了一种自适应非线性算法对图像进行处理;同时融合了图像的梯度直方图对目标进行描述。实验通过对高强度噪声和高遮挡环境下视频目标进行跟踪,比较了传统Mean-Shift算法和改进后算法的跟踪效果,结果显示文中提出的改进算法不但可以有效地跟踪目标,而且大幅降低了跟踪窗口与目标之间的相对抖动,增强了跟踪算法的鲁棒性。

Mean-shift跟踪算法及其在光电跟踪系统中的应用

针对光电跟踪系统中实时提取运动目标脱靶量的应用需求,设计了一种基于灰度直方图的Mean-shift图像跟踪算法,对算法中目标模型与候选模型的建立进行了改进,抑制了背景像素对目标跟踪产生的影响。算法在系统上位机Visual C++6.0平台上实现,当光电跟踪系统捕获到运动目标后,利用Mean-shift图像跟踪算法跟踪运动目标,并实时将运动目标脱靶量作为伺服控制系统的输入信号,驱动跟踪器跟踪目标。实验结果表明:设计的算法可以实时、准确、有效地跟踪运动目标,使稳定后的脱靶量换算得到的角偏差量控制在30″之内。

基于加权mean-shift可见光/红外双通道目标跟踪

为提高目标亮度突变时的跟踪性能,在每一帧进行目标跟踪时,首先提取可见光图像的颜色特征,红外图像的垂直投影图像和水平投影图像特征,然后利用可见光/红外各自通道的Bhattacharyya系数计算该通道的权值,并对加权mean-shift双通道跟踪方法进行了推导,提出了基于加权mean-shift可见光/红外双通道目标跟踪算法.该方法使前后两帧目标相似度大的通道取大的权值,从而达到有效利用各通道有利信息、提高跟踪性能的目的.实验表明,用本文提出的算法进行可见光/红外双通道目标跟踪时,与基于mean-shift单通道(可见光或红外)目标跟踪算法相比,可提高目标跟踪的准确度,特别是当目标进入树荫区域,引起目标亮度发生显著变化时,跟踪性能基本不受影响.

基于粒子滤波和Mean-shift的跟踪算法

粒子滤波作为一种基于贝叶斯估计的算法,在处理非线性运动目标跟踪问题上具有特殊的优势。基于此,提出一种基于粒子滤波和Mean-shift的混合跟踪算法(KMSEPF)。KMSEPF算法对一般的Mean-shift和粒子滤波混合算法进行改进。结果证明,KMSEPF算法与混合算法MSEPF相比,在计算效率提高的同时,跟踪准确性和处理遮挡的能力没有下降。

鲁棒的基于改进Mean-shift的目标跟踪

为了克服传统Mean-shift算法在跟踪运动目标时由于背景像素造成的定位偏差和由于遮挡造成的跟踪失效,提出了相应的改进措施。其一,根据初始帧目标和背景在颜色分布上的差异,建立对数似然图(log-likelihood image),筛选出目标中与背景可区分性好的颜色特征建立目标模型,并以同样的方法在后续帧建立候选模型,从而有效地减小背景像素的影响。另外,将候选区域划分为若干重叠的子块,分别利用Mean-shift算法对各个子块进行迭代,以与目标区域相应子块最为匹配的子块的所在位置对整个目标重新定位,由此很好地实现了目标部分遮挡情况下的稳定跟踪。当目标被严重遮挡时,则采用简单的线性预测,估计下一帧目标可能出现的位置。实验结果表明:提出的改进算法可以准确地进行目标跟踪,对部分遮挡和严重遮挡都有较强的鲁棒性。

基于改进Mean-Shift与自适应Kalman滤波的视频目标跟踪

提出一种改进的Mean-Shift和自适应Kalman滤波器相结合的视频运动目标跟踪算法。对选定的跟踪目标,采用三帧差和区域增长法分割目标并得到主颜色信息。在跟踪过程中,利用自适应的Kalman滤波器估计每一帧的起始迭代位置,再利用改进的Mean-Shift算法得到跟踪位置并作为测量值反馈给自适应Kalman滤波器,并引入遮挡率因子以自适应地调节Kalman估计参数。实验结果表明,该算法能对视频中的运动目标实现检测和连续跟踪,对遮挡也有较好的鲁棒性。

Mean-Shift和Kalman算法在工件分拣技术中的应用

针对生产线上动态工件的跟踪分拣问题,提出了一种Kalman预测目标和Mean-Shift搜索目标综合应用的跟踪算法,实现了对履带上工件的动态跟踪。该算法首先利用Kalman滤波估计出后续运动目标的位置、速度和匹配范围,然后使用基于HSV色彩空间融合的Mean-Shift算法进行小范围搜索和目标匹配,最后将Mean-Shift算法得到的目标位置作为下一帧Kalman滤波器的输入参数使得后续状态具有预测的能力,迭代执行,直至搜索到目标为止。实验证明,该算法能够有效解决动态工件的跟踪和定位问题。

窗宽自适应Mean-Shift跟踪算法

针对固定窗宽Mean-Shift算法在目标运动速度过快或尺度发生明显变化时可能导致跟踪失败的问题,提出一种窗宽自适应的Mean-Shift跟踪算法。该方法基于均值漂移矢量预测跟踪窗口中心位置,同时自动调整跟踪窗口大小,保证目标始终处于跟踪窗口内部,使算法得以准确定位目标;在确定空间位置后,利用基于Bhattacharyya系数的二分法自动选取窗口缩放比例,得到与目标尺度一致的跟踪窗口。实验结果证明,该方法能很好地定位目标的空间位置和尺度。

自动选择跟踪窗尺度的Mean-Shift算法

实用的跟踪系统要求能实时地适应运动目标的外观变化,尺度固定不变的跟踪窗口不能有效地跟踪存在明显尺度变化的目标。本文将多尺度图像的信息量度量方法引入到运动目标跟踪中,提出了一种跟踪窗口自动更新算法,并用此算法改进了基于颜色直方图的Mean-Shift跟踪方案。实验结果表明,改进的跟踪算法对尺寸逐渐减小和逐渐增大的目标都能自动选择合适的跟踪窗口大小。

融合角点特征与颜色特征的Mean-Shift目标跟踪算法

针对Mean-Shift算法稳定性差、无法适应目标遮挡的特点,提出了一种融合角点特征与颜色特征的目标跟踪算法。该算法利用Harris角点的特征不变性克服了Mean-Shift算法鲁棒性差的缺点,同时利用Mean-Shift算法中核概率密度估计特性克服了目标与背景角点难以区分的缺点。通过视频序列对该算法的跟踪稳定性与抗遮挡性能进行测试,结果表明,新算法的跟踪稳定性与抗遮挡能力优于基于单一角点或颜色特征的Mean-Shift算法。

目标窗口尺寸自适应变化的Mean-Shift跟踪算法

传统的窗宽尺寸固定不变的Mean-Shift跟踪算法不能实时地适应目标尺寸大小的变化。将多尺度空间理论与Kalman滤波器相结合,利用Kalman滤波器对尺寸变化的目标面积比例进行预测,用多尺度空间理论中的目标信息量度量方法求出前后相邻两帧的目标特征信息比,将其作为Kalman滤波器的观察值对目标面积比例进行修正,然后与Mean-Shift算法结合起来对目标进行跟踪。实验结果表明,改进的跟踪算法对尺度逐渐变大和变小的目标都能连续自动地选择合适大小的跟踪窗口。

核函数带宽自适应的Mean-Shift跟踪算法

为了实现Mean-Shift跟踪算法中的核函数带宽自适应更新,提出基于比较Bhattacharyya系数的新方法。首先用模板中心加权与目标边缘加权的直方图计算巴氏系数,跟踪时用候选目标边缘加权直方图与模板中心加权直方图计算新的巴氏系数,根据两个系数的大小对核带宽进行10%的缩放。实验表明,该方法有效克服了带宽只能缩小的问题,实现了跟踪窗对目标缩放的自适应性。

结合Kalman滤波器的Mean-Shift跟踪算法

针对经典Mean-Shift算法要求相邻两帧间目标模板区域必须重叠的缺陷,结合Kalman滤波器,提出了改进算法。算法首先将Kalman滤波器预测的目标位置作为Mean-Shift算法中的初始搜索中心进行跟踪,然后再将Mean-Shift算法得到的新的目标位置作为下一帧Kalman滤波器的输入参数,循环执行。实验证明,该算法能够解决由于目标运动速度突然变化以及目标快速运动情况下所带来的相邻两帧间目标模板区域非重叠问题,而且对于一般的遮挡问题也能得到较好的效果。

基于Mean-Shift优化的TLD视频长时间跟踪算法

针对TLD(tracking learning detection)算法同时包含了跟踪、检测和学习三个部分,具有较高计算量的缺点,提出了采用Mean-Shift算法替换原TLD跟踪器部分的光流跟踪算法。该优化方法利用具有计算量小的MeanShift算法替换计算量较大的光流法进行跟踪,以通过目标模型和候选目标模型之间的巴氏系数与阈值的比较来判定跟踪失败的自检测,并通过计算Mean-Shift跟踪返回的目标框和上一帧TLD返回的目标框之间的相似度来进一步得到跟踪的有效性,在发生跟踪失败时由检测器重新初始化跟踪。实验结果表明,该优化方法在视频长时间跟踪算法中具有较高的鲁棒性和准确性,并且与原TLD算法相比,该优化方法在跟踪速度上得到了提升。