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。

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。

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。

基于Mean-shift的改进目标跟踪算法

传统的Mean-shift目标跟踪算法对背景因素比较敏感,采用核加权直方图的方法计算目标模板与候选区域目标特征往往无法实现对运动目标的准确定位。在研究传统算法的基础上,改进了Mean-shift算法中目标特征选取机制,即目标模板采用背景加权,候选目标区域采用核加权。仿真结果表明,该方法实现了在复杂环境背景下对运动目标更加准确的跟踪。

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。

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。

基于Mean-shift和提升小波变换的棉花叶片边缘的图像检测

该文提出了一种基于Mean-shift和提升小波变换的具有复杂背景的棉花叶片边缘检测算法。该方法首先用Mean-shift算法对彩色图像进行平滑,然后对平滑后的图像进行提升小波变换,以将平滑后的图像进行灰度增强。最后基于Canny算子对图像进行边缘检测。该算法能有效减少非边缘噪声,并且能够有效提取相互重叠叶片的边缘。与传统边缘检测方法边缘检测结果进行对比,该方法能够更加鲁棒地提取复杂背景下的重叠叶片边缘,其有效性和准确性是很明显的。

一种基于Mean Shift和C-V模型的车辆跟踪算法

针对传统Mean Shift算法跟踪窗口固定不变,无法对不断改变尺寸的车辆目标进行有效跟踪的问题,文中根据车辆跟踪的特点,提出一种基于Mean Shift和C-V模型的车辆跟踪算法.首先利用传统Mean Shift得到初始跟踪窗口,然后根据C-V方法所提取的车辆形状信息对跟踪窗口的中心和大小做进一步修正,在跟踪过程中综合利用了目标颜色、形状等信息,同时对传统C-V方法进行改进,采用一种新的初始化水平集函数表达方法.实验结果表明,文中算法在满足实时性要求的同时,大大提高了车辆跟踪精度.

基于灰色预测和Mean-Shift的抗遮挡跟踪算法

针对经典的Mean-Shift算法很难准确跟踪有遮挡的运动目标这一问题,提出了一种改进的运动目标跟踪算法。跟踪中利用Bhattacharyya系数判断跟踪目标是否出现了遮挡,若出现遮挡,则通过利用改进的GM(1,1)预测模型,根据历史目标位置信息对后续帧中目标位置进行预测,若目标脱离遮挡,则继续使用Mean-Shift进行后续跟踪。通过对不同环境下的视频序列进行测试,其结果表明算法能够对发生遮挡后的目标进行持续、稳健的跟踪。

基于角特征和Mean-shift的车辆跟踪方法

提出一种基于角特征点和Mean-shift的车辆跟踪方法,对不断改变尺寸的车辆目标进行有效跟踪,利用角特征点把模板目标构造成若干个同尺寸的子窗口,每个子窗口单独地按Mean-shift算法进行跟踪,并寻找其相应的中心位置,通过关联过程确定车辆目标在整个视场中的运行轨迹。实验结果表明,该方法简单、可靠,可以稳定地跟踪车辆目标。

基于改进背景加权的Mean-Shift目标跟踪算法

针对采用核加权直方图的方法计算目标模板与候选区域目标特征无法实现对运动目标的准确定位这一问题,提出了一种利用改进背景加权增强直方图显著性的鲁棒Mean-Shift跟踪算法。在传统Mean-Shift的框架下,通过计算目标和背景特征直方图bin值,得到两者特征显著性大小,将其代入传统相似性度量中,定义新的背景加权系数,进而更好地提高目标与背景的区分度,减少背景信息对目标定位的干扰。通过算法改进前后的实验结果以及跟踪误差和正确跟踪率的比较发现,跟踪效果得到明显改善。

基于mean-shift算法的人脸实时跟踪方法

复杂环境下实时人脸跟踪方法在视觉监控系统中具有很重要的意义,但目前的跟踪算法普遍存在目标遮挡、尺寸变化等过于敏感的不足,限制了其应用范围。提出了一种人脸检测、mean-shift算法与卡尔曼滤波器相结合的实时全自动人脸跟踪算法。实验结果表明该算法实时性很强,可以实现对运动人脸的快速跟踪,同时对目标遮挡也有很好的鲁棒性。

Mean-shift改进算法在火箭目标跟踪中的应用

针对火箭目标跟踪问题,提出了一种基于改进Mean-shift算法的火箭目标跟踪算法。为克服传统Mean-shift算法难以对快速运动的火箭目标进行跟踪的问题,以及在跟踪过程中的跟踪误差累积问题。采用3帧差分法检测出火箭目标的大概位置,然后在此基础上使用Mean-shift算法实现对火箭目标的精确跟踪。仿真实验表明所提算法能够有效的实现火箭目标的跟踪,并能很好的解决跟踪过程中的跟踪误差累积问题。

基于模糊C均值的Mean-Shift目标跟踪算法

针对Mean-Shift算法核函数带宽固定的缺陷,提出一种基于模糊C均值(FCM)的Mean-Shift目标跟踪算法。该算法采用FCM算法在YCrCb颜色空间对运动目标及附近背景进行分割,根据分割后的目标像素点统计量,遵循相邻两帧图像中目标大小不会突变的原则,修正Mean-Shift核函数窗宽。实验结果表明,该算法能够准确高效地对运动目标进行跟踪,对尺寸逐渐减小和逐渐增大的目标都能实现自动调整跟踪窗大小。

帧差法和Mean-shift相结合的运动目标自动检测与跟踪

传统的Mean-shift算法简单快速,但存在半自动跟踪缺陷,在起始帧需要手动确定搜索窗口来选择目标,且核窗宽固定不变,不能实时地适应目标尺寸大小变化,容易跟丢目标。接合帧差法,首先通过帧差法检测目标,并获取目标窗口和中心,再结合Mean-shift跟踪,并通过设定ρ^(y)相对改变量r来确定目标模板是否需要重新获取,实现Mean-shift算法全自动跟踪,并能适应目标尺寸大小改变的情况。实验表明,该方法跟踪准确,实时性高。

结合mean-shift与MST的K-means聚类算法

针对初始点选择不当导致K-means陷入局部最小值问题,提出一种结合自适应mean-shift与最小生成树(MST)的K-means聚类算法。将数据对象投影到主成分分析(PCA)子空间,给出自适应mean-shift算法,并在PCA子空间内将数据向密度大的区域聚集,再利用MST与图连通分量算法,找出数据的类别数和类标签,据此计算原始空间的密度峰值,并将其作为K-means聚类的初始中心点。对K-means的目标函数、聚类精度和运行时间进行比较,结果表明,该算法在较短的运行时间内能给出较优的全局解。

基于角点特征融合的Mean-shift跟踪算法

传统Harris检测算法不能很好地适应跟踪环境。为此,提出一种基于角点特征融合的Mean-shift跟踪算法。考虑人体姿态变化或遮挡对多区域跟踪的影响,采用角点更新策略,将特征融合主色调模型的跟踪结果与多区域跟踪结果进行权衡。实验结果表明,该算法能克服人体姿态变化或遮挡对跟踪的影响,实时性满足一般跟踪系统的要求,且在非遮挡状况下,其跟踪准确率比传统算法高。

带宽自适应的Mean-Shift跟踪算法研究

针对图像跟踪中目标的尺度和旋转变化,将Lindeberg的尺度理论与Mean-Shift算法结合起来,提出了一种带宽自适应Mean-Shift跟踪算法。该算法在Mean-Shift的框架下,将尺度和旋转量与平移量同等看待,通过求解核函数带宽,计算出目标的变化参数,最终精确定位目标。另外,引入SAD算法对目标进行先期粗略定位,克服了目标做无规律大位移运动时Mean-Shift算法跟踪效果不佳的问题,同时也降低了Mean-Shift算法的迭代收敛次数。大量实验仿真表明,该算法对目标的仿射变化、非刚性形态变化,以及无规律的大位移运动具有有效性和鲁棒性。