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。     

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。     

基于多特征融合的Mean Shift跟踪算法

在对Mean Shift跟踪算法原理分析的基础上提出了一种反映区域像素空间关系的特征值与原算法基核结合的跟踪方式。该方式采用适应性公式与相似性量度结合的二级判决策略,提取区域内特征值并按不同权重归一化特征值。若不满足特征观测值的条件,则采取粗-精搜索结合的方式对目标模型进行更新。实验结果表明目标跟踪过程中提取的特征值波动符合目标区域实际情况,并在波动异常时重新定位目标,从而提高了跟踪的稳定性。     

基于改进巴氏指标和模型更新的视觉跟踪算法

传统的Mean Shift算法采用巴氏系数度量模型与候选模型之间的统计特征相似性,但是由于背景特征的影响,有时应用巴氏指标进行匹配得到最优解的位置并不一定是目标的实际位置,在跟踪过程中可能导致目标定位出现偏差。该文提出一种改进的巴氏系数相似度指标,指标由于引入了前景/背景置信值,能够有效抑制待匹配区域中背景特征的影响,突出目标特征的权重,与原始的巴氏指标相比,明显提高了目标匹配的准确性。基于改进的巴氏指标,对目标与背景区域双模型相似度系数进行综合分析,合理地判断干扰目标匹配的原因,从而采取相应的模型更新策略。采用4段具有挑战性的视频序列对5种跟踪算法进行了测试,通过定量实验分析可知,文中算法处理1帧视频所需的平均时间为75.76 ms,实时性仅次于原始的Mean Shift跟踪算法,同时跟踪误差在5种跟踪算法中取得了最优结果。实验结果表明,该算法能够有效抑制背景干扰和避免模型漂移,在不同的复杂场景下都具有一定的鲁棒性。     

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27 fps速率连续稳定地实现视频目标的跟踪.     

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.     

基于自适应尺度的TLD目标跟踪算法

为提升TLD目标跟踪算法的每帧处理速度,以达到在更高分辨率视频中跟踪目标的实时性要求,在TLD算法框架的基础上,提出了一种基于自适应尺度检测学习的目标跟踪算法(AS-TLD)。当跟踪目标成功时,选取当前帧跟踪到的目标尺度及几个相邻的尺度作为下帧检测目标时滑动窗口尺度的选取范围;而当跟踪失败时,则选取在TLD算法初始化阶段,根据跟踪目标及视频图像大小选定的尺度来保障长时间跟踪目标,从而有效减少了平均每帧扫描的窗口数量。实验结果表明,该方法不仅有效地降低了检测模块的检测时间,显著提高了整体算法速度,而且通过动态选取尺度,在一定程度使得TLD各个模块更加协调,跟踪精确度得到提升。     

基于变分辨率的自适应窗口目标跟踪方法研究

针对视觉跟踪中运动目标的大小也随之改变这一问题,提出一种基于变分辨率的自适应窗口目标跟踪方法。在最大后验概率视觉跟踪算法基础上,分析了运动目标窗口内外框上的后验概率贡献指标,建立了自适应窗口调整目标尺度的数学模型。当运动目标尺寸变化时,其分辨率也相应变化,为了保证跟踪的实时性和效率,采用变分辨率的特征统计采样方法。在对运动目标实现自适应窗口的跟踪时,特征统计的分辨率也随之改变,对尺寸越大的运动目标尺度赋予更低的分辨率,从而实现基于变分辨率的自适应窗口目标跟踪。     

基于多粒子群算法的视频跟踪研究

粒子群算法是一种新的进化算法,算法思路适合于进行视频跟踪,但是由于在视频跟踪过程中以跟踪窗口作为粒子,因此该粒子具有中心点横坐标、中心点纵坐标和窗口半径三维特征向量,计算冗余较大,难以满足视频跟踪的实时性要求。提出了一种多粒子群视频跟踪算法,即在跟踪过程中使用多个粒子群,粒子群与粒子群之间粒子半径不同,在各粒子群以评价函数收敛到最佳中心点后,再完成各自半径的一维粒子群计算。这样就可将三维粒子群计算分为一个两维和一个一维粒子群计算,最后通过比较得出最佳粒子,作为搜索结果。分析了这一算法成立的必要条件,即当选择Bhattacharyya系数计算方法作为粒子群算法的评价函数时,大于目标的固定窗体的中心点可以收敛到目标的形心。实验证明,这种基于多粒子群的跟踪算法可以应用于实时视频跟踪,其跟踪效果优于传统算法。     

An adaptive window object tracking algorithm based on variable resolution

This paper presents an adaptive window object tracking method based on variable resolution. It copes with the change in size of the object during visual tracking. On the basis of the visual tracking algorithm, based on maximum posterior probability, we analyze the posterior probability index on the inside and outside panes of the object window, then build a mathematical model for adjusting object size with an adaptive window. Since the resolution changes according to the size of the object, this thesis uses a statistical sampling method of the feature by variable resolution. The resolution of the statistical feature is correspondingly changed in object tracking with an adaptive window. The resolution of a larger object is decreased, which realizes an object tracking method with adaptive window based on variable resolution.     

自适应窗口选取的Mean-Shift目标跟踪

当目标尺度发生变化时,传统Mean-Shift跟踪算法因跟踪窗口尺寸不变容易导致跟踪目标丢失,为解决此问题,本文提出一种带宽自适应算法对目标尺度变化进行检测,从而实现模板更新.该算法分别将模板图像与当前帧目标图像分割成等间隔半径的若干同心圆,通过计算模板图像与当前帧图像不同环层之间相似性度量,根据相应环层之间相似性度量关系确定当前帧模板带宽更新参量,最后利用kalman滤波完成模板尺度更新,从而实现目标稳定跟踪.实验证明,当目标尺度发生变化时,目标模板自动更新,能够实现目标稳定跟踪;相对传统Mean-Shift跟踪算法,目标跟踪可靠性能得到了提高.     

基于CamShift和Kalman组合的改进目标跟踪算法

针对应用CamShift算法进行目标跟踪过程中,当目标被严重遮挡、目标被与目标颜色相近的背景干扰时易丢失跟踪目标的问题,提出了一种基于CamShift和Kalman滤波组合的改进跟踪算法;为克服目标因严重遮挡而丢失的缺陷,利用自适应算法改进了传统的CamShift算法,扩大了搜索窗口,使运动目标位于搜索窗口内;为解决目标因颜色相近背景干扰而丢失的问题,改善跟踪准确率,利用卡尔曼滤波预测目标运动空间位置,作为下一帧搜索窗口的质心坐标;基于上述改进,利用C++语言,研发了改进的CamShift目标跟踪软件模块,给出了该模块的算法流程;实验结果表明,改进后的目标跟踪算法能有效地克服传统CamShift算法的缺陷,大大提高运动目标跟踪的准确性;所提的算法可以应用于运动小车跟踪,人脸识别等领域。