一种改进的Mean Shift跟踪算法

在复杂背景的图像中,用直方图作为目标的特征模板,依据颜色分布进行匹配,具有较好的稳定性.Mean Shift算法是计算最优解的一个高精度算法,能在良好的目标初始化的前提下跟踪到无遮掩的目标.但其新目标由手工标定,特征模板计算量很大,且容易丢失遮掩情况下的目标,所以对Mean Shift算法进行了四处改进.改进后的算法能够准确地初始化、并快速精确地跟踪目标.     

复杂背景下一种有效的Mean Shift目标跟踪算法

提出了一种改进的Mean shift目标跟踪算法,该方法能够有效的排除非目标点对跟踪结果的影响,并且得到新的权值,增强了该像素属于目标的可能性,削弱了背景信息对目标模型的影响,提高了在复杂背景下对运动目标跟踪的鲁棒性.实验表明该方法能够有效实现复杂场景下的目标跟踪.     

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.     

Mean Shift跟踪算法创新实验项目设计

视频跟踪算法是计算机视觉实践课程中比较受关注的实验项目。针对突变情况下传统Mean Shift跟踪算法无法实时准确跟踪的问题,设计了基于模板更新和线性预估的Mean Shift跟踪算法创新实验项目。在模板更新策略下,引入背景模板,通过将原目标模板和背景模板与设定的阈值进行比较来对干扰因素进行判定,当干扰因素判定目标受到遮挡时,引入线性预估方程进行目标位置预测,有效解决目标在遮挡情况下跟踪丢失的问题。通过对测试视频的跟踪效果和性能进行对比分析,验证了算法在突变情况下相较于传统算法具有更好的抗干扰能力。以算法创新设计为核心,通过开放性创新实验项目的选题、设计、答辩、反馈的闭环实验过程,有效提高了学生算法创新设计能力。     

粒子滤波器与Mean Shift算法在人脸跟踪中的应用

目的针对背景复杂的彩色视频图像序列,提出了一种梯度和颜色直方图相结合的双线索人脸跟踪算法。方法首先利用颜色确定肤色区域,再根据人头的椭圆形状利用梯度确定头部轮廓,从而获取人脸区域。在跟踪过程中采用粒子滤波方法得到人脸初始粒子与位置;然后用Mean Shift算法进行粒子更新,判断目标运动方向。结果与结论该方法对复杂背景下人脸旋转、遮挡及背景肤色干扰下的跟踪,具有较强的鲁棒性,能够更好地克服在视频跟踪中的遮挡问题。对于丢失目标的跟踪情况进行改进还有一定的困难,这也是以后研究的重点。     

基于灰度共生矩阵和Mean Shift的目标跟踪算法

针对运用单一颜色特征描述运动目标时抗干扰性较差的问题,提出一种融合灰度共生矩阵和颜色特征的Mean-Shift目标跟踪算法.采用灰度共生矩阵推导的6个纹理特征参数和颜色特征分别表征跟踪目标,引入马氏距离计算纹理特征的相似度,并结合Bhattacharyya系数计算颜色特征的相似度,同时利用Mean Shift算法进行目标定位.实验表明,改进算法能在复杂背景下,有效、准确地实现目标跟踪.     

基于Mean Shift算法的卡尔曼滤波红外摄像头的目标跟踪系统设计

红外图像具有被动成像、抗干扰性强、目标识别能力强和全天候工作的特点,已经被广泛应用于军事侦察、监控和制导等领域.在背景干扰或者遮挡情况下传统的Mean Shift跟踪算法的跟踪存在不连续的问题.针对人体目标的活跃性和特殊性,设计一种在Mean Shift算法基础上结合卡尔曼滤波和Bhattacharyya系数遮挡判定因子的目标跟踪系统.当遮挡发生时,通过滤波器预测目标下一帧的位置,继续实现跟踪.测试结果表明：在背景干扰或者遮挡的情况下该跟踪系统可以有效地对目标进行准确跟踪.     

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。     

结合卡尔曼滤波和Mean Shift的抗遮挡跟踪算法

针对卡尔曼滤波和Mean Shift算法结合后对严重遮挡和遮挡后复出失效且实时性差的问题,提出一种基于卡尔曼滤波和Mean Shift动态结合的改进算法. 通过在算法中加入Bhattacharyya系数进行遮挡程度判断,并根据遮挡系数的阈值选择使用卡尔曼滤波或线性预测法更新Mean Shift迭代起点. 实验结果表明,该方法能成功实现大范围连续遮挡和目标复出情况下红外目标的跟踪,并且迭代次数和跟踪时间分别减少了9.68%和17.58%,提高了跟踪的鲁棒性和实时性.      

基于Mean Shift方法的视频车辆检测与分割

提出了一种基于Mean Shift方法的视频车辆检测和分割方法.首先将交通场景图像与路面区域所对应的二值掩模图像进行“与”运算以排除无关背景干扰,并对所得的结果图像用Mean Shift聚类方法进行分割以得到原始的分割图像.然后根据区域的面积、分布以及颜色的均匀性和相似性等特征有效过滤出路面区域.进一步基于颜色的不相似度量,将路面区域置“黑”,所有其他区域置“白”,对路面区域图像进行二值化.最后通过特定的后处理过程可把路面区域中所存在的动、静态车辆检测出来.     

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.     

一种自适应权值更新的mean shift跟踪算法

传统的mean shift跟踪算法根据像素与模板中心的距离为像素设置权值,进而增强算法的鲁棒性。但是在跟踪非刚性或非对称目标的过程中,上述权值设置方法明显不合理。提出了一种自适应核函数的mean shift跟踪算法,它为模板中的每个像素赋予一个卡尔曼滤波器,在目标跟踪过程中根据目标形态变化对像素权值进行修正,从而获得一个更柔性、更合理的模板。将该方法用于人体运动目标的跟踪,基于监控录像中的人体运动目标跟踪实验表明,与现有方法相比,该方法具有很好的鲁棒性及稳定性。     

基于自适应特征融合的均值迁移目标跟踪

提出了一种基于自适应多特征融合的目标跟踪算法.分别利用RGB颜色和LBP纹理特征建立目标模型,通过线性加权将两类目标子特征模型代入目标相似性函数并用均值迁移算法进行目标位置优化计算.在跟踪过程中,引入S igmoid函数动态调整两类子特征权重,并利用子特征相关系数和可靠性指数对目标特征模型选择性自适应更新.实验结果表明,该算法能在跟踪场景和目标外观变化时自适应调整两种子特征权重,避免了特征失效导致的跟踪失败;特征模型选择性更新策略有效抑制了模型漂移.与单一特征和模型直接更新的跟踪方法相比,该算法在复杂跟踪环境更具有鲁棒性,能进行准确稳定的实时跟踪.     

基于颜色直方图和深度信息的CamShift目标跟踪算法

基于颜色直方图的Cam Shift目标跟踪方法不能适应复杂环境,特别是环境中有相似颜色干扰的情况.针对这一不足,提出了一种基于颜色直方图和深度信息的Cam Shift目标跟踪方法.通过对比试验,证明深度信息的引入,大大削弱了复杂环境对跟踪效果的影响,提高了目标跟踪的鲁棒性.     

基于均值漂移模型的异常值检测方法

由于异常值的存在对统计推断有很大影响,因此异常值检测是数据分析中的一个重要步骤。对于横截面数据的线性模型,改写模型的设计矩阵后,基于均值漂移模型,利用系数压缩估计方法来进行异常值检测。由于系数压缩估计中调节参数的选择对检测效果有很大影响,基于两种调节方法的加权,提出了一种新的调节方法。数值模拟结果表明,使用这种基于均值漂移模型的异常值检测调节方法,可以显著降低犯两种错误的概率。     

基于Kalman滤波和改进的MeanShift算法的目标跟踪

MeanShift算法因为简单性和稳定性在目标跟踪中得到广泛应用,但是当目标和背景的颜色模型比较接近时,传统的MeanShift算法由于缺少空间信息,且经典的相似性度量函数不易区别,导致跟踪失败。为了克服上述缺点,采用基于空间颜色特征和新的相似性度量的MeanShift算法,并提出一种融合Kalman滤波器和改进的MeanShift算法的目标跟踪方法。首先,利用改进的MeanShift算法计算出当前帧中目标的准确位置,然后使用Kalman滤波器去预测下一个初始搜索位置,用于下一帧中MeanShift迭代,最后实现对目标的跟踪。实验结果表明,该算法可以准确地跟踪目标,并且跟踪的准确率优于传统的MeanShift算法或者Kalman和传统Meanshift的融合算法。     

适应复杂背景的C-V模型

当图像中只有目标和背景两类分片光滑区域时,C-V模型可以取得很好的分割效果,然而需要从复杂背景中提取目标边缘时,该模型往往无法得到正确的结果.针对这一问题,在C-V模型和均值平移技术的基础上提出了适应复杂背景的C-V模型.该模型能够根据图像特征空间分段地确定轮廓曲线的内部区域和外部区域.实验结果表明,所提出的适应复杂背景的C-V模型对复杂背景有更强的适应能力,能够从复杂背景中成功地提取到连续光滑的目标边缘.     

基于改进C-V模型的脑组织提取算法

通过对水平集算法C-V模型进行三方面改进,提出一种基于改进C-V模型的脑组织提取算法.首先,通过改进经典的距离函数,在保证准确度的同时,可以在很大程度上加快距离函数的收敛,提高分割速度.其次,改进了收敛结果的唯一性,使边缘停止在欲提取的目标类灰度上,用于去除脑脊液,使脑灰质、白质的提取更加准确.最后,提出了迭代收敛的动...     

基于切分模板的实时跟踪算法

相关匹配算法是一种经典的匹配算法 ,通过计算模板图像和待匹配图像的互相关值来确定匹配的程度 ,具有很高的准确性和适应性 ,在目标跟踪中得到了广泛应用。但是相关匹配算法计算耗时过于庞大 ,难以达到实时要求 ,并且当目标在模板中所占比例很小时 ,很难确定模板的准确位置 ,使得此算法在实时目标跟踪中难以得到应用。文中在相关匹配的基础上提出了一种基于切分模板的实时跟踪算法。匹配的模板被分为几个部分 ,每个部分均有不同的加权值 ,最后的相关匹配度为各部分匹配度的加权和。算法中还设置了一个不是实时更新的加权模板 ,以提高算法的抗干扰能力 ,并采用金字塔搜索算法进行加速。实验结果显示 ,此算法有效地克服了相关匹配算法的缺点 ,具有较好的匹配精度和实时性