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。

一种融合Kalman预测和Mean-shift搜索的视频运动目标跟踪新方法

简要介绍Kalman滤波跟踪和Mean-shift跟踪并分析其优缺点,在此基础上提出一种融合Kalman预测和Mean-shift搜索的运动目标跟踪新方法。该方法利用Kalman滤波估计出运动目标在下一帧中最可能的出现位置,利用Mean-shift方法据此进行较小范围的搜索和目标匹配,从而可用较小的运算量获得较为可靠的跟踪效果,并适应较复杂的场景。实验结果证明了该算法的有效性。

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。

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.

基于边缘自适应的Mean Shift目标跟踪方法

针对Mean Shift算法固定搜索核窗口存在局限性的问题,提出了一种基于边缘特性的Mean Shift搜索核半径自动调节的运动目标跟踪方法。在视频序列图像中,当目标远离、靠近摄像机时,会发生尺寸变小、变大的变化,导致固定核窗口的Mean Shift搜索算法得到的结果要么存在太多的背景噪声,要么没有包含完整的目标特征,从而使跟踪效果变差。利用边缘检测求出以目标为中心,略大于Mean Shift核半径区域的二值图像,根据二值图像的形心,用逐步缩小的圆去逼近目标的办法求出适合真实目标的Mean Shift核窗口半径,达到核函数半径自适应目标的目的。实验结果表明,根据边缘特性自动调节Mean Shift搜索核窗口半径的方法,显著降低目标形状大小变化所带来的影响,准确而有效地实现了运动目标的跟踪。

基于特征匹配预估的Mean Shift运动检测与跟踪

针对传统Mean Shift跟踪算法在目标存在背景干扰或遇到遮挡时,目标跟踪不准确的问题,提出了一种基于特征匹配运动检测预估的Mean Shift跟踪方法。采用Harris算法提取跟踪目标特征点进行运动定位检测,通过Kalman滤波器估计每一帧中目标迭代的起始位置,由Mean Shift算法从预估位置开始迭代搜索,最终实现目标跟踪。实验证明:提出的算法能够在遮挡的情况下对目标进行精准的定位检测,有效改善了复杂条件下的跟踪效果,具有较好的鲁棒性。

基于Mean Shift算法的目标跟踪系统设计

目标跟踪具有广泛的应用前景,但在实际应用中目标跟踪的实现面临实时性要求高、跟踪场景较复杂等情况。针对此问题,提出了一种基于Mean Shift算法的目标跟踪系统设计。该系统设计基于FPGA平台,简化了Mean Shift算法的部分流程,首先对搜索窗口内所有特征颜色进行统计,计算出指向特征点密集处的偏移均值,再以此更新搜索窗口,通过不断迭代运算,使窗口中心始终收敛于跟踪目标位置。实验结果表明,该系统逻辑结构更轻量化,且在1 920×1 080分辨率下跟踪速度在60 f/s,平均跟踪重叠率达到85%以上,实现了在较复杂背景下对某一物体进行实时跟踪显示。

融合纹理特征的Mean-shift抗遮挡目标跟踪算法

针对传统Mean-shift算法仅利用颜色特征,当场景中含有目标颜色相近的物体时,易发生误跟踪,且在目标被遮挡的情况下,无法进行有效的跟踪,提出一种融合目标纹理特征的抗遮挡跟踪算法.同时实时更新模板,并通过Kalman滤波估计目标的状态,在目标被遮挡的情况下进行估计预测.提出一种遮挡因子作为目标遮挡的判据,严重遮挡时,采用目标状态的外推来预测目标的位置.实验结果表明,该算法具有更强的抗干扰性,即使在目标完全遮挡的情况下仍能正确跟踪目标.

多步预测融合Mean-Shift的运动目标跟踪算法研究

对运动目标跟踪时,主流Mean-Shift(均值偏移)算法对环境的影响较为敏感。针对目标遮挡时准确跟踪这一问题,提出了多步预测融合Mean-Shift的优化运动目标跟踪算法。在目标跟踪的过程当中采取Bhattacharyyacoefficient(巴氏系数)辨别目标是否出现了遮挡。当目标产生遮挡的情况,采取多步预测算法,根据目标前一帧的特征信息对下一帧中目标位置信息进行判断。当运动目标离开遮挡时,则继续采取Mean-Shift实施后续跟踪。通过对不同场景下的视频序列实行测试,其结果表明该算法可以对发生遮挡后的目标进行连续、稳健的跟踪。

基于Mean-shift跟踪算法的汽车运行物体目标监测分析

为了提高汽车对前方运动物体的识别能力,开展基于Mean-shift跟踪算法的汽车运行物体目标监测分析。进行双目标定时,将相机内参数代入MATLAB软件中来完成双目标定的过程,获得相机位置数据。完成标定之后,再校正图像。现场测试得到,计算出目标点和汽车之间的位置测试距离和设定距离基本一致,最大误差不超过5%。当距离增大后,目标点更易在左右图像内完成特征点匹配,实现误差降低的目标,并在距离等于5m处达到最小的误差。采用所提算法可以精确跟踪运动目标,并且显示即使物体受到遮挡的情况下也可以完成跟踪的目标,表明算法是可靠的。

基于FPGA的Mean Shift跟踪算法实现

实际应用中对目标跟踪的实时性要求越来越高。针对这个问题,设计并实现一种基于FPGA的Mean Shift跟踪系统。针对FPGA硬件平台的浮点运算复杂度高的特点,对核函数和权重计算进行优化,使用定点运算替代浮点运算。在处理同样分辨率的视频/图像数据时,与通用CPU E7400相比,该系统可使得性能有很大的提升。采用此方法大大提高了Mean Shift跟踪算法的计算速度,满足实时性的要求。

一种改进的基于SVM与Meanshift的目标跟踪

在研究基于支持向量机(Support Vector Machine,SVM)和均值漂移(Mean shift)跟踪算法基础上,为了提高目标跟踪的精确度和效率,提出了一种改进的目标跟踪算法。首先将目标跟踪转化为目标和背景的二分类问题,提取目标和背景的特征信息,采用粗糙集理论中的属性约简算法提取它们的有效特征,将目标和背景的特征分别作为正负样本训练SVM,得到背景与目标的总体分类器。借助总体分类器来区分临近下一帧中的目标和背景,并得到置信图;最后通过Mean shift算法找到置信图的峰值,从而获得目标的新位置。实验结果表明,改进方法能有效地提高目标的跟踪精度,同时加快了跟踪速度。

基于背景优化的Mean Shift目标跟踪算法

针对传统的Mean Shift算法在目标快速运动且背景区域变化较大时,容易丢失跟踪目标的问题,提出了一种基于背景优化的Mean Shift目标跟踪算法。该算法引入混合直方图并对直方图重新量化,再通过减少背景像素在概率密度函数(PDF)中的权重来对背景进行优化,从而降低背景区域对跟踪的影响。实验结果表明,当目标快速运动,且背景区域变化较大时,该算法仍然能够实现对运动目标的准确跟踪。

团块与Mean-Shift结合的局部遮挡目标跟踪

传统的基于Mean-Shift的目标跟踪方法利用目标的全局特征进行跟踪,在局部遮挡情况下跟踪效果不佳。提出一种基于团块建模和Mean-Shift相结合的利用目标局部特征的运动目标跟踪方法,对目标进行团块建模,利用Mean-shift算法对各团块进行跟踪,在此基础上确定目标新位置。该方法能够在目标发生局部遮挡时,自动选取未被遮挡的团块的跟踪结果来确定目标的位置。为了提高方法对背景干扰的鲁棒性,采用背景加权的Mean-Shift算法。实验结果表明:该方法在局部遮挡的情况下可较好地进行目标跟踪,跟踪效果优于报导的基于Mean-Shift的方法。

基于Mean-Shift的复杂工业环境运动目标跟踪算法

随着近年来计算机及成像技术的高速发展,视频运动目标检测和跟踪已成为计算机视觉领域的一个研究热点。由于运动目标与摄像头位置的相对变化、室内光照的变化及噪声的存在,以及周围环境中相似物体的干扰,传统的Mean-Shift跟踪算法的跟踪效率、准确性和抗干扰能力均无法满足该应用的需要。为了解决这一问题,在传统Mean-Shift跟踪算法基础之上,提出了颜色直方图更新算法、运动信息融合等改进方案,在Mean-Shift迭代搜索过程中加入了速度矢量加权机制,使目标与相似背景能够有效地被区分开来,提高了系统的抗干扰能力。仿真实验结果表明算法有效提高了跟踪的效率及准确性,能够满足复杂工业环境中运动目标跟踪的需要。

基于UKF的窗口自适应Mean-Shift算法

传统的Mean-Shift跟踪算法窗口固定,不能对尺度任意变化的目标进行有效跟踪。为此,提出一种多尺度理论与无味卡尔曼滤波器(UKF)相结合的视频跟踪改进算法。利用多尺度理论统计跟踪窗内的信息量,使用UKF对得到的信息量进行预测,通过修正后的信息量计算窗口变化比例系数,对尺度任意变化的目标进行跟踪。实验结果证明,该算法能对尺度任意变换的目标进行有效跟踪。

基于灰度触发的Mean Shift自动跟踪算法

为实现道路交通的车辆自动跟踪,提出一种基于灰度触发的Mean Shift自动跟踪算法。利用改进的高斯混合模型进行前景检测,有效抑制光照突变对于目标检测的影响,保证触发区域的灰度干扰降低到最少。设计基于虚拟区域灰度变化的触发方式,通过捕获虚拟触发区域内的灰度局部峰值,扩展目标搜寻区域进行运动车辆的锁定,进而实现核函数宽度自适应调整的Mean Shift跟踪。实验结果表明,该方法能准确实现自动触发跟踪,触发精度较高,具有较好的实用价值。

基于Mean Shift算法的Camshift跟踪技术研究

计算机算法是目标跟踪技术的核心部分,直接决定目标跟踪的精确性与稳定性。文章将研究基于Mean Shift算法的Camshift算法,并将仿真实验的结果进行比较,找到该算法在跟踪技术领域里的优缺点。

基于Mean Shift多特征融合跟踪的改进算法

面对运动目标速度过快以及背景环境的变化,Mean Shift算法跟踪性能会变差甚至丢失跟踪目标。针对该问题,提出一种改进的基于Mean Shift多特征融合算法。以运动矢量来预测目标在下一帧中的位置,锁定运动目标;采用颜色特征和边缘特征的动态融合方法,避免环境变化给Mean Shift跟踪算法带来的影响。以快速运动和复杂环境下的行人等为监控对象进行实验,实验结果表明,该算法有良好的鲁棒性。

帧差法和Mean shift算法融合的高速无人机目标跟踪

为实时跟踪高速飞行无人机,图像跟踪算法必须满足快速性和准确性要求。文章给出一个融合算法,将帧差法和Mean shift算法的优势结合起来。2个算法平行运行,差帧法实现快速跟踪,Mean shift算法则用于对帧差法结果进行准确度修正。还利用Kalman滤波技术对计算周期内的无人机运动位移进行补偿,进一步提高实时跟踪的准确性,并给出Matlab仿真例子验证本文方法的有效性。