基于Mean Shift算法跟踪视频中运动目标

针对Mean Shift算法在视频中跟踪目标与背景的像素差值不明显时跟踪效果不佳,提出了Mean Shift改进算法.实验表明,该算法能有效、准确地跟踪视频中的运动目标,计算量小,可以满足实时性要求高的场合.

一种结合Mean-shift和粒子滤波的视频跟踪算法

提出一种结合均值偏移算法和粒子滤波理论的视频跟踪算法,解决了目标旋转、部分遮挡和运动速度过快的问题.通过均值偏移对粒子滤波中的粒子集进行进一步寻优,增加了粒子的有效性,极大减少了粒子采样的数量,且解决了经过多次重采样后粒子多样性降低的问题.新的粒子通过与观测值之间的巴氏系数来决定重要性权重.实验证明:本算法可以完成实时地对视频目标进行部分遮挡以及目标旋转下的跟踪,具有较强的鲁棒性.

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。

基于卡尔曼滤波与Mean Shift的运动车辆跟踪

针对Mean Shift算法不能跟踪快速目标、跟踪过程中窗宽的大小保持不变的特点。首先,卡尔曼滤波器初步预测目标在本帧的可能位置;其次,Mean Shift算法在这点的邻域内寻找目标真实的位置;最后,在目标出现大比例遮挡情况时,利用卡尔曼残差来关闭和打开卡尔曼滤波器。实验表明该算法在目标尺度变化、遮挡等情况下对快速运动的目标能够取得较好的跟踪效果。

基于改进Mean Shift算法的实时视频目标跟踪

设计了一套嵌入式平台上实现的视频目标跟踪系统.该系统采用CMOS图像传感器获取视频信号,利用Z228多媒体芯片自带的ARM9处理器完成视频信号的控制,并通过MPEG-4硬件编码器实现视频信号的压缩.用Mean Shift算法跟踪运动目标,针对其收敛的局限性设置多个搜索点来提高其跟踪效果.通过减少采样点和标记已计算点来提高代码运行速度,增强了跟踪的实时性.实验结果表明,本系统能以27fps速率连续稳定地实现视频目标的跟踪.

基于Mean Shift的视频图像检测与跟踪

在复杂背景的视频图像中,实时、准确、连续、长距离的跟踪以人为对象的目标,是一件很困难的任务。人体对象在跟踪目标图像位置的变化时,一直随着姿态的变化而改变,因此这是一个非常典型的非刚体目标,对这类目标采用简单的模板匹配的方法进行目标跟踪,无法达到准确的跟踪。均值漂移(Mean Shift)是现今最受欢迎的对象跟踪方法之一,广泛的运用于人脸的跟踪,文章提出了一种基于均值漂移算法的复杂背景视频图像检测与跟踪算法。在运动目标跟踪中,提出了以直方图为模式特征,以均值漂移算法为核心算法的目标跟踪算法,通过实验表明该跟踪算法能对候选目标进行运动检测,完成实时跟踪,同时有效抑制了局部遮挡、背景混乱等,过滤了伪目标,保证了跟踪的可靠性。

联合Mean-shift与粒子滤波器的实时视频目标跟踪算法及实现

粒子滤波器由于摆脱了高斯分布的约束条件,已经成为一种主流的、面向目标的非线性运动跟踪算法,广泛应用于视频压缩与检索、智能视频监控、智能人机交互等领域,其缺点是计算复杂度高、计算量庞大,无法满足实时应用的需求。针对粒子滤波器在计算量、实时性及粒子退化方面存在的问题,提出了将Mean-shift算法嵌入粒子滤波器,对重要性采样分布进行优化,以较少的采样粒子实现视频目标跟踪。仿真实验结果显示,联合Mean-shift的粒子滤波算法在目标跟踪过程中具有较好的实时性与鲁棒性。

基于Mean-Shift算子的多尺度视频跟踪算法研究

为了提高靶场光测设备视频跟踪算法的稳定性、准确性以及抗干扰性,开发了基于Mean-Shift算子的多尺度视频跟踪算法,对该算法所采用的小波变换、小波包及Mean-Shift目标跟踪算法进行了研究。阐述了整个跟踪算法的原理及多分辨率图像选择依据;介绍了小波变换和小波包原理,说明了利用小波包将视频图像分解为多分辨率图像的方法;介绍了Mean-Shift算子的原理以及对目标特征进行归一化表示;最后说明了利用Mean-Shift算子对归一化目标的搜索区域进行预测的算法。实验结果表明,本算法跟踪过程平稳、准确,且抗干扰能力强,收敛速度快。试验数据表明,经过小波变换的Mean-Shift算法的收敛速度提高约66%,搜索准确性提高约34%。基本满足了靶场测量中对视频跟踪算法更高的要求。

基于Mean Shift的多视频车辆跟踪研究

为了提高多视频下目标车辆跟踪的准确率,提出了一种基于Mean Shift结合视觉词袋的车辆跟踪方法。该方法采用Mean Shift提供的轮廓和颜色信息进行初匹配,并进行跟踪;针对车辆在不同视频下车辆视角、环境不同的情况,提出了尺度不变的识别方法,即利用视觉词袋特征作为车辆特征进行再次匹配。该方法能够利用高速路网中摄像机拍摄的视频确定目标车辆的具体位置。实验表明,基于Mean Shift的多视频车辆跟踪方法能够有效提高车辆跟踪的准确率。

基于不变矩和Mean Shift聚类的视频关键帧提取

随着通信和多媒体技术的迅速发展,检索和浏览海量多媒体数据成为日益迫切的问题。关键帧提取技术在基于内容的视频检索中扮演了重要角色。提取的关键帧有两个主要作用:一是用它来静态表示视频的主题;其二是希望从关键帧中提取特征数据,作为多媒体数据库的数据源。以视频场景中运动目标的不变矩为特征提出了一种基于非监督聚类的关键帧提取算法。首先在视频序列中分离出运动目标,然后计算运动目标区域的各阶不变矩,并以不变矩向量作为特征,运用Mean Shift算法聚类有相似特征的视频帧,进而在每类中选取有代表性的视频帧作为关键帧。不同场景下的实验结果证实了本算法的可行性。

基于ResNet-TSM和BiGRU网络的移动视频感知质量评价模型

考虑到卡顿、质量切换、内容特征等因素对用户体验质量的影响都会直接体现在客户端的失真视频里,提出了一种客户端的移动视频感知质量评价模型。该模型无须对每种影响因素均进行表征和度量,而是基于深度特征提取+回归的思路,直接建立失真视频与平均意见分数之间的映射模型。首先,构建了ResNet-TSM网络结构,提取失真视频片段的深度时空特征;为了避免维度灾难,采用LargeVis算法对提取的深度特征进行降维,同时提升特征的表达与区分能力。然后,采用双向门控循环单元网络对视频的长时间依赖关系进行建模,得到各视频片段的打分,再利用时间平均池化方法将各片段分数进行聚合,得到整个视频的打分结果。在WaterlooSQoE-Ⅲ和LIVE-NFLX-Ⅱ数据集上的实验结果表明,提出的模型可以获得更高的预测精度。

无迹卡尔曼滤波Cam-Shift视频监控跟踪算法改进

视频监控系统作为城市安防建设的重点工程,为创建“平安城市”民生工程保驾护航。传统的视频监控系统控制系统纯粹是“有监无控”,实时问题的处理及设备操控均需要人工干预才能处理,人力物力成本投入大,系统的操作精准度也难以保证。针对均值漂移(Mean-Shift)及Cam-Shift跟踪算法缺点,提出了一种融合无迹卡尔曼滤波器的Cam-Shift算法改进,通过实验仿真,提出的跟踪算法性能和效率都比传统算法更好,在视频监控运动目标跟踪效果较好。

基于机器视觉的Mean Shift跟踪算法改进

能成功跟踪运动对象,并将运动对象从场景中分离,是智能视频监控技术的重要部分。视频监控下的运动对象通常具有多特征、噪音多和非线性的等特点,采用改进Mean Shif跟踪算法,能够较好地处理难以跟踪或者跟踪效果差等缺点。

结合LTP纹理特征和改进Mean-Shift的视频目标跟踪方法

视频序列中的目标跟踪效果受到尺度、光照和复杂背景等因素的影响,为此,提出一种结合局部三元模式(LTP)纹理特征和改进型Mean-Shift的目标跟踪方法。首先,为了提高传统Mean-Shift算法对尺度变化的鲁棒性,采用一种尺度和方向自适应的改进型Mean-Shift跟踪器,在均值漂移跟踪框架下估计目标的尺度和方向。另外,通过LTP来提取目标的纹理特征,将其与颜色特征相结合来表示目标模型。实验结果表明:该方法比只采用颜色特征的Mean-Shift算法更加有效,能处理快速移动物体在目标尺度和方向上的变化。

基于Mean-Shift算法的道路车辆跟踪

基于视频检测和跟踪技术的道路车辆信息采集是智能交通新兴研究方向。采用了基于均值偏移(Mean-Shift)算法的视频车辆跟踪方案,实现道路车辆的精确检测和稳定跟踪。采用Kalman滤波预测跟踪位置,以提高跟踪鲁棒性。最后,通过试验结果表明该方案的有效性和实时性。

基于Mean Shift算法的网球运动视频目标跟踪研究

传统Mean Shift算法在运动目标运动速度过快以及被遮挡的情况下,算法的跟踪效果较差。因此,提出基于改进Mean Shift算法的网球运动视频目标跟踪方法,分析Mean Shift算法进行网球运动视频目标跟踪的过程以及存在的弊端。采用最小二乘法对Mean Shift算法进行改进,利用最小二乘法预测网球运动视频目标位置,在该位置上实施迭代跟踪,再用Mean Shift算法得到目标最终跟踪位置,解决目标运动速度过快以及遮挡问题的干扰,减小各帧检索时矢量同收敛点的距离,提高跟踪效率。实验结果说明,所提方法具有较高的跟踪效果和跟踪效率。

万向椭圆描述的Mean-Shift算法

传统的Mean-Shift算法在目标跟踪过程中,由于跟踪窗口尺度固定而不能很好适应目标的尺度变化,当目标尺度减小时,目标区域所提取的特征向量包含过多的背景干扰信息,目标尺度增大会使跟踪窗口偏离目标的质心,降低跟踪的鲁棒性。为此文中采用万向椭圆的方式对目标区域进行描述,减少背景干扰信息以突出目标模型,提取椭圆区域的加权颜色直方图为目标特征,采用尺度加减法自适应调整椭圆区域的大小,并在跟踪过程中根据运动轨迹动态调整椭圆方向,以增强跟踪的准确性。实验结果表明万向椭圆能够更好地描述跟踪目标的尺度和方向,在目标尺度变化比较平稳的情况下,尺度加减法能自适应调整跟踪窗口的尺度,可以取得良好的跟踪效果。

基于图像块差分和Mean Shift算法的运动目标检测

运动目标检测是计算机视觉中的一个重要研究内容,现有算法中的一个重要问题是噪声对分割结果的影响。提出了一种时空域信息相结合的运动目标检测算法:首先利用图像块的重心位置在时间域上差分结果初始化目标轮廓,图像块差分的方法可以消除噪声的影响及减少目标内部的空洞;然后采用Mean Shift算法对初始轮廓进行迭代,使其逐步贴近真实的目标边缘。实验表明该算法能快速准确地分割出序列图像中的运动目标。

一种改进的粒子滤波和Mean Shift联合跟踪算法

为了提高视频运动目标跟踪的准确性和实时性,提出一种改进的粒子滤波和Mean Shift联合跟踪算法。针对传统粒子滤波跟踪算法中颜色直方图观测模型存在的局限性,提出了一种基于分块颜色直方图的观测模型描述方法,并根据该分块直方图的特点,重新设计了粒子权值的更新策略;针对粒子滤波算法实时性差的问题,提出了一种基于积分直方图的颜色特征快速计算方法,极大地降低了算法的运算量;为了降低相似背景干扰对跟踪效果的影响,提出了一种基于Gabor幅度谱的Mean Shift跟踪算法,并利用改进的Mean Shift算法对粒子滤波跟踪结果进行优化,提高了跟踪算法在复杂背景下的搜索能力。实验结果表明了算法的有效性。

影音示范联合趣味视频注意力转移对雾化吸入治疗支气管哮喘患儿治疗恐惧和配合度的影响

目的 研究影音示范联合趣味视频注意力转移对雾化吸入治疗支气管哮喘患儿治疗恐惧和配合度的影响。方法 方便选取2021年1月—2023年1月福建中医药大学附属龙岩人民医院收治的92例进行雾化吸入治疗的支气管哮喘患儿为研究对象,按照单双号法随机分为对照组(单号,常规护理+趣味视频注意力转移干预)和观察组(双号,对照组基础上加以影音示范干预),每组46例。比较两组患儿治疗恐惧情况、治疗配合度、雾化吸入质量以及患儿家长的满意度。结果 护理后,两组的儿童医疗恐惧量表(Certified Metalworking Fluids Specialist,CFMS)(医疗环境、医疗操作、人际关系及自我恐惧)评分均明显降低,且观察组CMFS评分明显低于对照组,差异有统计学意义(P<0.05)。观察组患儿治疗总配合率(93.48%)显著高于对照组(78.26%),差异有统计学意义(χ^(2)=4.389,P<0.05)。观察组患儿雾化吸入质量(91.30%)明显好于对照组(73.91%),差异有统计学意义(χ^(2)=4.842,P<0.05)。观察组患儿家长满意度(93.48%)明显高于同期对照组(76.09%),差异有统计学意义(χ^(2)=5.392,P<0.05)。结论 影音示范联合趣味视频注意力转移能有效降低雾化吸入治疗支气管哮喘患儿的医疗恐惧程度,提升患儿的治疗配合度以及患儿家长满意度,且效果良好。