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Mean Shift算法的卡尔曼滤波红外摄像头的目标跟踪系统设计

红外图像具有被动成像、抗干扰性强、目标识别能力强和全天候工作的特点,已经被广泛应用于军事侦察、监控和制导等领域.在背景干扰或者遮挡情况下传统的Mean Shift跟踪算法的跟踪存在不连续的问题.针对人体目标的活跃性和特殊性,设计一种在Mean Shift算法基础上结合卡尔曼滤波和Bhattacharyya系数遮挡判定因子的目标跟踪系统.当遮挡发生时,通过滤波器预测目标下一帧的位置,继续实现跟踪.测试结果表明:在背景干扰或者遮挡的情况下该跟踪系统可以有效地对目标进行准确跟踪.

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。

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。

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。

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。

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。

改进型Mean-Shift算法在行人目标跟踪中的应用

针对传统Mean-Sshift算法对于运动目标特征变化较快、某些干扰和遮挡等问题而引起目标定位偏差的情况,提出了一种基于改进型的颜色直方图的Mean-Shift算法,该算法是将颜色直方图和三重帧间差分的方法相结合的一种目标跟踪算法。实验结果表明,应用改进后的算法思想,可以较准确的对视频流中的行人目标进行实时跟踪,新算法能较好的解决运动目标特征变化较快而引起跟踪不准确的问题,实现对行人目标进行准确定位跟踪。

Mean-Shift目标跟踪算法的带宽选取策略

分析不同带宽策略对Mean-Shift目标跟踪算法的影响,提出一种新的带宽策略。构造一个与目标窗口内接椭圆相似的椭圆,利用其长轴和短轴确定带宽,将此带宽策略纳入Mean-Shift算法中进行目标跟踪。实验结果表明,该策略具有良好的跟踪效果,能够有效降低时间复杂度。

基于特征融合的Mean-shift算法在目标跟踪中的研究

针对仅采用颜色特征的Mean-shift跟踪算法,在目标跟踪过程中,运动目标受光线变化的影响时,易发生跟踪错误等问题,提出一种基于特征融合的Mean-shift算法。新算法结合了颜色特征和边缘方向角特征,并对各特征模型进行加权处理,有效解决了Mean-shift算法在光线突变场景中跟踪失效的问题。实验表明,该算法能够有效提高跟踪的稳健性,达到快速、实时的跟踪效果。

基于混合高斯模型的Mean-Shift模板更新算法

针对基于Mean-Shift目标跟踪算法中遇到的不能对模板进行实时更新的问题,提出一个基于混合高斯背景建模的目标模板更新算法。该算法将目标视为背景,对目标中的每一个像素点利用三个高斯函数对它进行建模,利用每次Mean-Shift跟踪到的目标区域来对先前建立的混合高斯模型进行实时更新,将混合高斯模型得到的目标模板作为下一帧跟踪的目标模板。该算法较好地解决了基于Mean-Shift算法的模板更新问题,实验证明该算法是有效的。

基于自适应尺度的Mean-shift跟踪算法

针对传统Mean-shift跟踪算法不能解决目标跟踪中的目标特征大小变化问题,在此通过对Mean-shift算法的深入研究,提出了基于自适应尺度的Mean-shift目标跟踪算法。通过引用尺度空间理论,改变尺度空间中的选择参数,调整追踪窗口的大小来解决跟踪时自适应目标大小特征变化的问题。计算机仿真实验表明,基于自适应尺度的Mean-shift跟踪算法的跟踪所取得的效果明显优于传统方法的目标跟踪方法。

基于分级mean shift的图像分割算法

实验发现传统mean shift算法进行分割时常会产生连接通道问题,使得几个分类簇之间无法完全分开.针对该问题,提出一种改进的分级mean shift图像分割算法,在初次迭代获得的聚类中心基础上采用不同的带宽矩阵进行多次聚类,从而获得不同级的聚类中心集合,并建立一个归属树结构,最终通过叶节点与根节点的归属关系进行归类从而完成图像分割.实验证明改进算法可以更好地保留图像的局部信息,同时具有较好的适用性.

基于改进的Mean Shift算法虚拟人脑图像分割

为了克服Mean Shift算法各向同性的缺点,使用结构信息构造各向异性高斯核,使其具有各向异性,从而克服细长目标的影响;将颜色空间投影到新的坐标系下,使得相近颜色可以有较大的距离,以增大虚拟人脑图像中灰质与下层数据之间的区别.虚拟人脑图像分割结果说明,该算法可以得到较好的分割结果.