基于显著性加权的Mean Shift跟踪方法

复杂背景下运动目标跟踪一直是计算机视觉的重要研究方向之一。针对这类问题,提出了一种基于显著性加权的Mean Shift跟踪算法。首先根据目标上不同区域和背景的差别大小,给目标每个区域赋予不同的权值。然后将权值与Mean Shift算法结合起来对目标进行跟踪。实验表明,在复杂背景下,新算法仍然可以有效、准确地跟踪运动目标。     

基于直方图比的背景加权的Mean Shift目标跟踪算法

针对Mean Shift跟踪算法目标模型中背景像素所造成的目标跟踪定位的偏差，提出了一种基于直方图比的背景加权的目标表示方法。该方法使用由目标核直方图和背景直方图的对数似然比值推导出的隶属度因子作为权值，通过只对目标模型进行加权变换，而不变换目标候选模型的方法，增强了目标和背景的可分性，有效减少了跟踪过程中背景像素的干扰，提高了目标定位的准确性。 仿真实验结果表明算法的有效性。     

多特征融合匹配的多目标跟踪

针对复杂背景的视频图像多目标跟踪遮挡问题,提出了一种多特征融合匹配的多目标跟踪方法。基于自适应高斯混合背景模型重构和更新背景策略,实现当前帧背景减除和多目标检测;采用目标的颜色特征、质心位置、运动速度等特征进行融合匹配跟踪;最后,通过区域辅助判定策略将场景下的目标状态分为目标进入场景、目标退出场景、目标暂消、目标重现、目标融合和分裂5种状态,用质心预测方法和遮挡因子辅助匹配来提高匹配正确率。仿真实验结果表明：采用该方法跟踪同一目标和不同目标的相似度平均值分别为0.949 71和0.505 73,优于单一颜色特征信息匹配;目标遮挡结束后重新匹配相似度为0.972 83,实现了复杂背景下具有表面相似性的多目标实时跟踪。     

基于多特征的双模板自适应更新跟踪算法

针对均值漂移算法中采用单一颜色特征以及缺乏必要模板更新方法的缺陷,提出一种基于多特征的双模板自适应更新目标跟踪算法。引入像素点邻域灰度均值差和分层空间信息加强目标特征的鉴别性,再通过对目标与背景区域双模板相似度系数的综合分析,准确地判断跟踪干扰因素的来源,并以当前帧目标区域的相似度系数为权值对目标模板进行加权更新,使得模板更新速度与其目标特征变化相适应的同时抑制模板过更新,较好地解决了模板更新时机和更新速度等问题。仿真结果表明,所提算法在不同跟踪场景下均具有较强的鲁棒性。     

葡萄糖注射液中不溶性微粒的识别算法研究

针对传统人工目测法以及光阻检测法在葡萄糖注射液中不溶性微粒识别判断效率较低现象,提出了一种背景差预处理与改进的Mean Shift算法相结合的微粒识别算法。利用高分辨率数码相机采集在一定照度下葡萄糖注射液中不溶性微粒产生散射光的序列数字图像。对序列数字图像进行预处理及并标定数字图像有效检测区域。建立序列数字图像背景模型并对背景噪声与随机噪声进行抑制处理。采用改进的Mean Shift算法对葡萄糖注射液中不溶性微粒进行目标跟踪。通过对序列数字图像中被检测对象的分割与特征提取,实现了葡萄糖注射液中粒径在25μm以上不溶性微粒的识别。     

基于人眼视觉非均匀特性的实时Mean Shift跟踪方法

由于在成像制导过程中需要实时处理大量的信息,为了在尽可能保留有效信息情况下降低计算量,采用了一种人眼视觉非均匀采样模型——对数极坐标模型,来压缩信息量以提高计算速度;另外,由于对数极坐标变换对目标形状具有旋转和缩放不变性,在跟踪非刚性变形目标时该模型能表现出很好的稳健性;考虑到在成像跟踪末段,质心、角点之类的跟踪方法会产生匹配点漂移,为了抑制匹配点漂移,采用基于目标强度特征的Mean Shift跟踪方法,并对采用Gauss核函数的Mean Shift方法进行了优化来加快计算速度;实验结果表明,该方法能够有效抑制匹配点漂移,是一个稳健的目标跟踪方法.     

基于简单线性迭代聚类超像素的meanshift跟踪

为了增强目标跟踪算法在被跟踪目标发生运动位移、遮挡、形变、相似物体干扰等情况下的鲁棒性,提出利用超像素构建目标外观模型,将外观模型与候选区域进行匹配,获取候选区域当中目标超像素,并用Meanshift算法确定目标中心点的跟踪算法。仿真实验选取Benchmark库当中在运动位移、遮挡、形变、相似物体干扰方面具有代表性的视频Girl和FaceOcc1。该算法在视频Girl中的跟踪成功率和跟踪精度为0.601、0.856,比对比实验的经典算法当中跟踪效果最好的KCF算法的成功率和精度分别高0.059和0.084;在视频FaceOcc1中跟踪成功率和精度仅次于KCF。表明该跟踪算法在受到相似物体干扰和目标遮挡时具有良好的鲁棒性。     

基于背景加权空间直方图的目标跟踪

针对传统目标跟踪算法中存在的特征鲁棒性不强的问题,提出了一种基于背景加权空间直方图的目标跟踪算法。算法通过综合背景加权直方图和空间直方图二者各自的优势,增强了特征描述的鲁棒性,进而在Mean Shift跟踪框架下实现了对运动目标的跟踪。仿真实验与定量分析表明,所提算法能够实现对目标的稳定跟踪,跟踪所得的平均中心位置误差较传统算法降低了80%以上。     

基于椭圆对数极坐标变换的尺度变化目标跟踪算法

针对传统对数极坐标变换局限于跟踪圆形或类圆形尺度变化目标这一问题,提出一种基于椭圆对数极坐标变换域下目标匹配的尺度变化目标跟踪算法。算法利用Mean Shift进行空间定位,确定目标的形心,通过椭圆对数极坐标变换域中目标和候选的最大相关匹配系数来确定目标的尺度参数。实验结果表明：该文算法在目标小形变和光照变化条件下,跟踪误差较小,尺度跟踪准确率更高,具有较好的鲁棒性。     

基于椭圆对数极坐标变换的尺度变化目标跟踪算法

针对传统对数极坐标变换局限于跟踪圆形或类圆形尺度变化目标这一问题,提出一种基于椭圆对数极坐标变换域下目标匹配的尺度变化目标跟踪算法。算法利用Mean Shift进行空间定位,确定目标的形心,通过椭圆对数极坐标变换域中目标和候选的最大相关匹配系数来确定目标的尺度参数。实验结果表明:该文算法在目标小形变和光照变化条件下,跟踪误差较小,尺度跟踪准确率更高,具有较好的鲁棒性。     

一种结合ORB特征匹配的均值漂移目标跟踪算法

针对传统的mean-shift跟踪算法基于单一颜色特征空间,在复杂背景下难以对目标进行准确跟踪这问题,提出了一种结合ORB特征匹配的mean-shift目标跟踪算法。该算法在mean-shift算法的基础上利用改进的ORB特征匹配算法修正目标跟踪窗口并实时更新目标特征模板,通过计算前后两帧图像中目标中心的欧式距离与色彩模板的巴氏距离来判定跟踪是否失败,当目标跟踪失败时,不改变目标模板,继续搜索下一帧图像中的目标。实验结果表明,与均值漂移算法和基于其他同类特征的改进算法相比,该算法提高了在复杂背景下目标跟踪的精度,并能满足实时性要求。     

用于彩色目标跟踪的改进粒子群优化算法

提出一种用于彩色目标跟踪的改进粒子群优化算法(Improved Particle Swarm Optimization Algorithms,IP-SOA)。针对彩色目标,选择加权彩色直方图作为目标的特征,选用Bhattacharyya系数作为特征相似性度量,其最大值位置表示目标位置。对粒子群优化算法进行了改进,即自动调整惯性权重函数与认知学习因子,每次递推时对粒子速度、单帧位移总量加以限制,对Bhattacharyya系数优化,快速求取函数最大值位置。利用彩色序列图像进行仿真实验,结果表明,该方法能够实时跟踪飞机、车辆等目标,在目标被部分遮挡时能稳健跟踪。     

基于特征自适应选择的金字塔均值漂移跟踪方法

针对均值漂移跟踪算法框架不足以对目标帧间运动过大及快速尺度变化进行有效地处理,且单个图像特征对环境适应性较差.提出了一种特征自适应选择方法,通过分析目标与背景的特征区分度来选择出最有效的特征.将金字塔自适应分解和均值漂移跟踪结合,提出了金字塔均值漂移跟踪方法.采用背景加权直方图描述目标模板模型,核函数加权直方图描述候选...     

一种改进的时变转移概率AIMM跟踪算法

针对矢量线阵跟踪目标低频线谱提取问题,提出了一种矢量线阵低频线谱提取方法,其中利用拉平后线谱的均方差乘一比例因子设为门限的方法,可以有效提取线谱成分;并且研究了利用互谱中高信噪比线谱测向剔除干扰线谱方法,准确提取出目标特征线谱,可较有效解决矢量线阵左右舷目标低频线谱特征相互干扰问题。上述矢量线阵低频线谱提取方法,得到了海试数据的初步验证。     

融合检测机制的鲁棒相关滤波视觉跟踪算法

为了解决相关滤波视觉跟踪算法在复杂场景中产生的跟踪漂移问题, 提出一种融合检测机制的相关滤波跟踪框架。利用时空正则化滤波器作为跟踪器, 同时使用线性核相关滤波器作为检测器。当跟踪器与目标进行相关计算得到的响应图为多个峰值时, 激活检测器, 对多个峰值进行相关匹配, 获得重检测结果; 同时, 使用平均峰值相关能量的滤波器模型更新策略得到更加可靠的检测器, 以达到提高跟踪精度和算法鲁棒性的目的。在OTB2015、Temple color 128和VOT2016数据平台上的实验结果表明, 与近年提出的性能较出色的跟踪算法相比, 本文算法在目标运动模糊、相似背景干扰和光照变化等复杂场景中具有更好的鲁棒性和准确性, 且跟踪精度和成功率上均有提高。     

一种鲁棒的目标跟踪方法

针对传统特征光流场跟踪方法中由于误差积累和错误匹配而导致的特征点丢失问题,基于一种新的Harris-SIFT特征点表示方法,提出基于预测帧与关键帧的算法框架,实现了光流场运动估计与局部特征识别相结合的目标跟踪方法.预测帧利用塔式分解和递归算法计算特征点的光流场运动矢量,使用运动矢量直方图获取目标的运动矢量,并剔除误匹配点;当特征点数量小于5个时,关键帧使用Harris-SIFT特征点进行局部特征匹配,利用仿射模型对目标精确定位及姿态修正.实验结果表明,本方法对视频序列中的纹理特征目标跟踪的鲁棒性较好,在背景复杂、目标遮挡或暂时丢失情况下,仍可以继续完成目标的可靠跟踪.     

一种鲁棒的目标跟踪方法

针对传统特征光流场跟踪方法中由于误差积累和错误匹配而导致的特征点丢失问题,基于一种新的Harris-SIFT特征点表示方法,提出基于预测帧与关键帧的算法框架,实现了光流场运动估计与局部特征识别相结合的目标跟踪方法.预测帧利用塔式分解和递归算法计算特征点的光流场运动矢量,使用运动矢量直方图获取目标的运动矢量,并剔除误匹配点;当特征点数量小于5个时,关键帧使用Harris-SIFT特征点进行局部特征匹配,利用仿射模型对目标精确定位及姿态修正.实验结果表明,本方法对视频序列中的纹理特征目标跟踪的鲁棒性较好,在背景复杂、目标遮挡或暂时丢失情况下,仍可以继续完成目标的可靠跟踪.     

A coarse-to-fine kernel matching approach for mean-shift based visual tracking

Mean shift is an efficient pattern match algorithm. It is widely used in visual tracking fields since it need not perform whole search in the image space. It employs gradient optimization method to reduce the time of feature matching and realize rapid object localization, and uses Bhattacharyya coefficient as the similarity measure between object template and candidate template. This thesis presents a mean shift algorithm based on coarse-to-fine search for the best kernel matching. This paper researches for object tracking with large motion area based on mean shift. To realize efficient tracking of such an object, we present a kernel matching method from coarseness to fine. If the motion areas of the object between two frames are very large and they are not overlapped in image space, then the traditional mean shift method can only obtain local optimal value by iterative computing in the old object window area, so the real tracking position cannot be obtained and the object tracking will be disabled. Our proposed algorithm can efficiently use a similarity measure function to realize the rough location of motion object, then use mean shift method to obtain the accurate local optimal value by iterative computing, which successfully realizes object tracking with large motion. Experimental results show its good performance in accuracy and speed when compared with background-weighted histogram algorithm in the literature.     

复杂红外背景中运动小目标快速跟踪技术

在地面、海面、天空复杂背景下对红外小目标稳定跟踪是亟需解决的难题。为兼顾鲁棒性和实时性,以判别尺度空间跟踪算法为基础,应用可有效表征目标区域灰度突变特性和目标形状信息的广义结构张量算法作为特征提取方法。改进后的算法更适用于红外图像快速处理,能提高跟踪鲁棒性,且计算量小、效率高,目标特征维度低。为提高跟踪稳定性,依据置信度决定跟踪模型更新,避免模型被错误样本干扰。与判别尺度空间跟踪算法相比,所研究算法在准确性、实时性、鲁棒性方面均具有显著优势,且实现300 fps的跟踪速度@256×256像素图像。