LMSF Mean Shift目标跟踪算法

Mean shift作为一种有效的目标跟踪算法近年来得到了广泛的应用,但如何有效地更新核函数直方图模型仍是一个需要解决的问题.本文针对mean shift跟踪算法中模型更新问题,提出了一种新的模型更新策略.对mean shift中目标模型核函数直方图的分量进行自适应LMS滤波(LMS Filter),并且动态更新目标模型的核函数直方图分量,即解决了目标模型更新过快引起的过更新问题,同时核直方图模型又可以及时反映当前目标的颜色、外观变化.本方法通过实验证明取得了较好的跟踪效果.     

带宽自适应Mean Shift跟踪算法

提出了一种先进行空间定位再确定目标尺度的两级跟踪算法,有效地解决了mean shift算法对尺度变化的适应问题.该算法首先在当前帧对应位置进行降分辨率处理,并以基于增量试探的mean shift跟踪算法收敛点作为当前帧目标中心位置,进而利用对数极坐标变换的旋转、尺度不变性,对目标和候选目标分别进行对数极坐标映射,并通过求取最大归一化相关函数确定目标的尺度变化.跟踪实验表明,该算法可以有效的提高mean shift跟踪算法空间和尺度定位准确性.     

基于Mean Shift的变尺度快速运动目标自适应跟踪算法

为了实现对变尺度快速运动目标的良好跟踪,在对传统Mean Shift跟踪算法改进的基础上,提出了一种运动目标自适应跟踪算法。该算法首先采用目标区域的像素点空域加权后的彩色图像作为初始帧目标模板,目标的真实位置利用Mean Shift算法迭代求得,从而实现对快速运动目标的空间定位,然后将相邻帧的目标采用尺度不变特征变换(SIFT)算子进行特征匹配,根据目标的缩放因子实时更新下一帧的核带宽,修正算法跟踪窗口的尺寸,以适应目标尺度的变化,从而实现对快速运动目标的尺度定位。最后,通过实验表明,与传统的Mean Shift跟踪算法相比,该算法的跟踪准确率达到97%以上,能够实现对变尺度快速运动目标的精确跟踪。     

基于Mean Shift算法的实时运动目标跟踪

Mean shift算法是一种非参数密度估计算法,可以实现实时的最优匹配,为了把Mean shift算法应用到视频图像的运动目标跟踪中去,采用了以颜色直方图建立目标模型的策略,提出了在视频图像中以Mean shift为核心的目标跟踪算法。实验结果表明,该算法具有很好的鲁棒性、准确度等优点,在运动目标部分遮挡的情况下仍能实现稳定、实时的跟踪。     

基于Mean Shift的序列图像手势跟踪算法

将Mean Shift算法应用于序列图像中的手势跟踪,利用梯度优化方法实现快速目标定位,能够对非刚性目标实时跟踪,并且对目标的变形、旋转等运动有较好的适用性.实验结果表明,Mean Shift算法在目标姿态变化、光照变化下的跟踪效果较好.     

基于Mean Shift算法的运动目标跟踪研究

Mean Shift算法是一种基于颜色直方图的非参数核密度估计算法,由于其具有计算简单和鲁棒性强等优点被广泛应用于视觉跟踪等领域中。本文对Mean Shift算法的跟踪原理进行了详细描述,给出了目标跟踪的具体实现方法和过程。最后,通过对一组动物视频图像进行跟踪实验,验证了该算法具有很好的跟踪性能,对速度比较小的运动目标具有很好的鲁棒性。     

基于Mean Shift的目标跟踪算法性能比较研究

针对目前尚未有对基于Mean Shift的各类目标跟踪算法在同一数据集下进行性能比较这一问题,选取了七种具有代表性的基于Mean Shift的目标跟踪算法,分别从算法时效性、跟踪成功率和跟踪精确度三个方面对算法在25段包括多种复杂场景的图像序列上的性能进行了仿真实验比较。实验结果给出了算法在不同评价指标以及不同图像场景下的性能表现。由实验得出的结论可以为基于Mean Shift的目标跟踪算法的进一步优化改进提供参考。     

基于Mean Shift的抗遮挡运动目标跟踪算法

采用Mean shift和Kalman滤波器相结合来处理动态背景下目标跟踪问题.首先利用Kalman滤波器进行预估计获得每帧Mean Shift算法的起始位置.由图像差分法得到物体轮廓.同时定义了相似因子判断物体是否发生遮挡.当发生遮挡时,根据物体运动状态不同.对颜色信息和运动信息分别赋予不同权值来预测物体在当前帧的位置并作为下一帧预测的起点.此时,目标位置的线性预测替代了Kalnlan滤波器的作用.实验证明,新算法可实现对快速运动目标的跟踪,对遮挡也有很好的稳健性.     

结合Mean Shift的目标跟踪算法

基于均值漂移（Mean Shift）的视频目标跟踪一般采用直方图对目标进行建模,然后通过相似度度量,最终实现目标的匹配和跟踪。这种方法具有很高的稳定性,能够适应目标的形状、大小的连续变化,能够保证系统的实时性和可靠性,近年来在目标跟踪领域得到了广泛应用。Mean Shift算法已经成为目标跟踪领域的一个研究热点。     

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。     

一种嵌入式实时跟踪系统的设计与实现

设计了一种视频跟踪器,它以高性能DSP芯片TMs320Vc5416作为中央处理器,结合现场可编程门阵列(FPGA)构成外围电路逻辑控制,搭建了硬件跟踪平台,并在此系统中实现了用Kalman滤波估计目标位置和Mean Shift算法跟踪的目标位置自适应加权求和,作为目标最终跟踪结果的跟踪算法,有效减少了相同颜色背景的干扰.实验结果表明,本系统具有良好的跟踪性能,满足实时性要求.     

基于Mean Shift的自适应尺度变化跟踪算法研究

在实时跟踪系统中,要求在跟踪过程中跟踪窗口的大小实时地适应运动目标的外观变化,这对应着Meanshift 的尺度变化.针对跟踪这种尺度变化的问题,在跟踪框内检测角点并进行匹配,将所有得到的匹配角点对建立仿射模型,并采用最小二乘法求解得到尺度变化系数,进而更新跟踪框尺度,使得Meanshift算法可自适应地变化尺度并跟踪到大小不断变化的目标.实验结果表明,提出的算法具有较好的准确性、鲁棒性和实时性.     

自适应跟踪窗的Mean Shift算法

针对经典Mean Shift算法在目标跟踪过程中不能自适应目标的形状变化,提出了一种跟踪窗自适应的Mean Shift目标跟踪算法。该算法利用权值图像的矩特征推导出了一种目标真实面积的估计方法,同时利用估计出的目标真实面积校正可表达目标窗口内图像特征的协方差矩阵,从而计算出目标区域的主轴长度和方向。实验结果表明,该方法保留了Mean Shift算法简单、有效的特点,同时该算法的跟踪窗具备当目标发生旋转和尺度变化时的自适应能力,并且具有较强的鲁棒性。     

基于Mean Shift算法非刚体跟踪的性能分析

介绍一种通过目标特征提取和定位实现的自下而上的运动物体跟踪方法,并通过实验对其性能进行分析和研究.该方法首先对某帧图像中的目标对象进行核函数空域加权的像素直方图特征提取.将目标对象的定位问题等价变换为在空域中求最优解的问题.通过Mean Shift算法在空域对相似程度求最优解,找到与目标对象模式最相似的搜索对象模式,从而完成目标对象的定位.在此通过仿真实验对Mean Shift算法在非刚性目标跟踪应用上的适用性、鲁棒性以及实时性进行分析和研究.最后还提出一些对该方法的改进算法.     

基于自适应多特征融合的均值迁移红外目标跟踪

针对采用单一特征跟踪鲁棒性不高的问题,该文提出一种自适应多特征融合均值迁移红外目标跟踪算法。为了增强对目标的表征能力,对局部均值对比度算法进行改进,利用局部均值对比度和灰度特征表征目标。在特征融合中引入特征不确定度量方法,自适应调整不同特征对跟踪结果的贡献,有效地提高均值迁移算法的鲁棒性。为了进一步提高对尺度变化目标的跟踪性能,采取尺度算子更新跟踪窗的大小。实验结果表明,该算法提取的目标特征具有较强的鲁棒性,能实现复杂场景下的目标跟踪。     

Mean Shift跟踪的背景优化及动态分析

针对传统Mean Shift跟踪算法在进行目标跟踪时背景带来的定位偏差及由于缺乏相应的跟踪状态分析策略而易陷入局部最小值的缺陷,提出了两方面的改进措施。一是将跟踪窗口内的目标和背景区分开来,对背景像素定义新的特征模型以弱化背景像素对目标模型的影响。二是将跟踪窗口进行分块处理,综合考虑每个子块相似度的大小变化建立判断准则,对跟踪状态进行动态实时分析,以判断目标是否存在遮挡:如部分遮挡,则应用没有被遮挡的子块位置偏差对目标进行定位;如完全遮挡,则采取相应的二维线性预测方案根据先验信息对目标进行定位跟踪。将该方法应用于人物跟踪中进行实验,实验结果表明,该方法有效改善了Mean Shift跟踪算法的不足,对于复杂条件下的运动目标跟踪具有很好的鲁棒性。     

基于多特征Mean Shift的人脸跟踪算法

该文把局部三值模式(Local Ternary Patterns, LTP)纹理特征引入Mean Shift跟踪算法,提出了基于多特征的Mean Shift人脸跟踪算法以解决Mean shift跟踪算法的鲁棒性问题。通过对LTP纹理特征的分析、研究,提出了一个LTP关键纹理模型,既增强了目标的关键纹理信息,又简化了LTP纹理模型。在此基础上,提出一种基于LTP关键纹理特征和肤色特征的Mean Shift人脸跟踪算法,有效地解决了Mean Shift算法的鲁棒性问题。为进一步提高对快速运动目标的跟踪速度和跟踪性能,该文引入了卡尔曼滤波器对目标进行预测。实验结果表明,该文的算法在目标定位的准确性和跟踪性能上比Mean Shift算法均有明显的提高。     

融合局部三值数量和色度信息的均值漂移跟踪

该文提出了局部三值数量(Local Ternary Number, LTN)这一新的局部显著性纹理算子,并将其与色度信息相结合得到一种新的目标跟踪方法。该方法充分利用目标像素与其八邻域像素灰度值的大小关系,将局部显著性算子 (Local Similarity Number, LSN)加以拓展,设计了局部三值数量这一新的局部显著性纹理算子,该算子能区分目标像素在同一局部显著度下的不同纹理结构;LTN掩膜提取边缘、线和角点上关键像素以提高纹理特征的区分能力,同时能够较完整地保留目标信息;在此基础上,将掩膜内目标像素的LTN特征与色度信息融合生成一种新的目标模型,并嵌入到均值漂移(Mean Shift, MS)框架完成目标的跟踪。实验结果表明,该文提出的目标跟踪方法在场景中存在相似颜色和光照变化干扰的情况下,仍能持续准确地实现目标的定位,提高了传统均值漂移跟踪算法的性能。     

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.