基于Camshift与卡尔曼滤波算法的动态目标跟踪

提出了一种结合连续自适应均值漂移(Camshift)与卡尔曼(Kalman)滤波的目标跟踪算法,针对目标受干扰情况,对两种算法的跟踪结果进行线性的加权,从而得到目标的最终位置。实验结果显示,该方法具有良好的目标跟踪效果,且具有很强的稳健性。     

基于改进的Camshift算法的目标跟踪研究

研究了几种常用的目标跟踪算法,为了提高目标跟踪的准确率和鲁棒性,提出一种改进的Camshift目标跟踪算法。。将色彩空间由RGB空间转化为HSV空间,利用反向投影法把目标概率分布映射到目标图像上,构建跟踪窗口,采用改进的Camshift算法在视频中跟踪运动目标。实验表明,改进的Camshift算法跟踪目标准确率高、鲁棒性好。     

改进的Camshift与Kalman融合的目标跟踪算法

Camshift算法主要利用物体的颜色信息进行跟踪,在复杂背景条件下容易造成目标的跟丢,且在目标被遮挡时,也容易造成跟踪失效。本文提出了一种改进的Camshift目标跟踪算法。首先将目标图像的HSV模型的三个分量进行加权建立一种新的目标颜色模型,然后由对整帧图像计算反向投影改为比搜索窗口稍大的区域计算反向投影,减少了相似背景的干扰。同时为了解决遮挡问题,结合了Kalman滤波器,有效地预测了目标的位置。实验表明,本算法能够避免背景颜色干扰和解决遮挡问题,实现了对运动目标准确跟踪。     

基于均值漂移的视频目标跟踪改进算法

改进算法通过计算跟踪窗口颜色直方图的质心来自适应的调整跟踪窗口的尺寸,通过比较跟踪结果和目标的差值确定遮挡情况,并启用粒子滤波算法在整幅图像内搜索目标解决目标的遮挡问题,这种改进算法克服了均值滤波算法不能适应目标尺寸变化和不能解决遮挡问题的缺点.实验证明改进算法具有很强的鲁棒性.     

基于Camshift算法的红外测量目标跟踪方法

针对红外测量目标图像灰度分布不均衡、边缘灰度梯度小、有效信息范围窄,导致在应用Camshift算法对红外测量目标跟踪时不能准确检测目标区域的问题,文章利用红外测量图像相邻帧灰度分布的连续性,按照目标判读的具体要求,通过目标跟踪结果重定位的方式,解决了此方法在跟踪结果中目标图像范围不稳定的问题,实现了测量图像的连续稳定跟踪。实验结果表明:此方法能够提供准确的目标范围,跟踪稳定,执行效率高,且方法具有较好的自适应性,易于实现。     

基于Camshift的改进人脸跟踪算法

文中利用目标加速度运动位移方程,预测下一时刻目标可能移动的位置,使用预测位置误差方程,估测运动目标搜索范围,并且通过启动多个Camshift跟踪器的方法,改进Camshift算法。仿真实验表明,该方法有效地克服了Camshift算法自身的缺陷,即使是加速运动的目标,也可准确地预测运动目标的位置,并且有效提高了对遮挡目标跟踪和多个人脸目标跟踪的鲁棒性。     

一种改进的meanshift运动目标跟踪算法

为了有效地解决目标颜色与背景颜色区分度较低而引起的目标定位不准确的问题以及目标被大面积遮挡而引起目标丢失的问题,提出了一种改进的meanshift运动目标跟踪算法。该算法利用harris角点检测法快速地提取目标的角点特征,并将这些角点嵌入到meanshift算法的迭代条件中进行目标搜索,然后结合卡尔曼滤波原理预测目标在下一帧中的位置,最终实现目标跟踪。实验证明该算法能够有效地提高跟踪的准确性和实时性。     

基于变尺度全局搜索的运动目标跟踪算法

为了获得更加理想的运动目标跟踪效果,提出一种基于变尺度全局搜索的运动目标跟踪算法。首先对于没有发生严重遮挡运动目标,采用MS算法实现目标跟踪,然后当目标受到严重遮挡时,通过全局搜索策略缩小搜索窗尺度,逐渐逼近跟踪目标,实现对目标准确跟踪,最后采用多个实验对算法的性能仿真测试。仿真结果表明,相对其它的目标跟踪算法,本文算法不仅提高了运动目标的跟踪精度,而且加快运动目标跟踪速度,尤其对于严重遮挡目标跟踪问题,具有十分明显的优势,具有较强的鲁棒性。     

背景抑制直方图模型的连续自适应均值漂移跟踪算法

针对传统连续自适应均值漂移(CAMshift)跟踪算法在建立目标颜色模型阶段容易包含大量背景颜色信息从而使跟踪效果变差的问题,该文提出一种改进算法。利用混合高斯模型背景法(GMM)将原始图像分割成前景和背景的叠加,在原始图像和背景图像上运动物体所在区域分别建立色调分量直方图,利用背景图像的色调分量直方图计算原始图像中对应色调分量的权值,抑制原始图像中与背景颜色相同的色调,扩大前景与背景颜色的差异性。该方法通过对原始颜色模型中属于背景的色调进行抑制,扩大了目标颜色模型的显著性,提高了跟踪的准确性和稳定性,目标定位的最大中心误差小于20%,能够准确跟踪不发生丢失。     

一种改进的运动目标跟踪算法

为了进一步增加均值平移算法用于目标跟踪的准确性和鲁棒性,提出了加入目标位置的预测、对大目标间断采样、联合颜色信息与边缘信息建立直方图、采用多个候选目标优选与验证等4种改进方法,减小算法的计算量,提高算法的匹配速度,增强算法的适应性.使用Edinburgh大学提供的Workshop 1 front图像序列进行测试,分别得到了原算法与改进算法的Bhattacharyya距离,通过比较其平均值和标准偏差,说明了改进算法中最优匹配比原算法准确.使用自拍摄的复杂背景图像测试后,说明了改进算法的适应性.实验结果表明,改进后的均值平移算法对运动目标跟踪效果良好.     

一种改进的Camshift目标跟踪方法

为了解决单特征在目标跟踪中无法准确描述目标的问题,提出了一种多特征融合的实时目标跟踪方法。该方法将角点特征、轮廓特征融入传统的Camshift算法中,结合原有的颜色特征对目标进行描述。解决了传统算法易受同色物体干扰,抗遮挡性能差等问题。实验结果表明,该方法能够实现对目标的实时跟踪,当目标遮挡的时间较短时能够很好地识别目标,具有较高的鲁棒性。     

基于Haar检测和改进的Camshifl的人脸跟踪

针对人脸目标的遮挡大角度倾斜和旋转状态下的目标跟踪丢失问题,提出了一种时间回溯的人脸跟踪方法。以Haar特征检测和改进Camshift算法为基础,在Haar分类器中引入时间变量,实现回溯;在概率密度图像中引入变加权直方图模型,加大了人脸区域的权重,并辅以光照补偿、椭圆模板匹配等方法。实验表明,本文算法能够有效克服遮挡问...     

基于卡尔曼滤波器的运动目标跟踪算法

为了有效解决运动目标遮挡时目标信息容易丢失从而导致跟踪失败的问题,提出一种基于卡尔曼滤波器的运动目标跟踪算法。该算法首先利用高斯混合模型的背景差分法,结合空间邻域的相关性信息得到运动目标图像,然后通过建立帧间关系矩阵将跟踪情况分为5种状态分别进行处理,这5种状态是新目标出现、目标匹配、目标遮挡、目标分离和目标消失。采用卡尔曼滤波器预测目标参数,建立目标在下一帧中的预测信息。当运动目标相互遮挡时,在卡尔曼滤波器预测区域内采用交叉搜索法实现多个运动目标的精确匹配。通过多个视频序列测试,该算法能够获得良好的跟踪结果。     

基于三维直方图的改进Camshift目标跟踪算法

经典的连续自适应均值漂移算法Camshift通过HSV空间的色调Hue分量建立一维直方图,在有光照变化及有相似颜色目标或背景的干扰下,跟踪效果不好。提出一种融合HSV空间中色调、饱和度以及反应物体形状信息的边缘梯度的三维直方图特征,并基于背景模型自适应调整特征直方图三种分量的权重值,提高了算法的跟踪准确度。通过与传统Camshift跟踪实验比较,提出的改进算法在光照变化及相似颜色目标/背景干扰下具有更好的鲁棒性,同样也满足跟踪系统的实时性要求。     

一种改进的Camshift视频目标跟踪算法

鉴于连续自适应均值漂移(Camshift)算法在光照变化,相似背景颜色干扰及目标遮挡时鲁棒性不高,易造成跟踪错误等问题,提出了一种联合多特征和最大类间方差法的视频运动目标跟踪算法。该算法将色度直方图、梯度方向直方图和LBP纹理特征进行巧妙的融合,构建了一种高效的联合直方图目标外观特征模型,并在Camshift算法中嵌入最大类间方差法,增强目标和背景的区分度。不同场景的视频跟踪结果表明,改进算法有效克服了传统Camshift算法应对光照变化、颜色干扰和目标遮挡的缺点,与同类算法相比,具有更高的准确度和鲁棒性。     

基于OpenCV的交通视频运动目标检测与跟踪

智能交通系统（ITS）是目前世界交通运输领域正在研究和广泛关注的课题。OpenCV是一种用于数字图像处理和计算机视觉的函数库,由Intel公司开发。本文在目标检测方面,对采集到的交通视频进行灰度化、中值滤波、背景建模、二值化,背景差分等处理,可以较准确地检测出运动目标。在目标跟踪方面,提出了CamShift算法和Kalman滤波器相结合的方法,实现视频车辆的精确跟踪。最后,利用OpenCV的运动物体跟踪的数据结构、函数库,建立了一个视频车辆分析系统。用于道路上车辆的检测与跟踪,并具有良好的鲁棒性。     

利用改进的背景差法进行运动目标检测

为了更准确地划分运动目标和背景区域,提出了基于背景差法的改进算法。该算法将选择更新法与中值滤波法相结合,对背景建模与阈值选取进行了优化,解决了复杂场景背景建模不理想问题,并能快速有效地进行背景更新。该算法还提出了双阈值思想,根据场景信息自适应地在图像的不同区域采用不同阈值,将当前帧图像与背景图像的差分作为反馈来调整阈值。实验结果表明,该算法能够较快速准确地提取运动目标,并对光照变化、场景变化、运动干扰有较好的鲁棒性。     

基于改进粒子滤波的鲁棒目标跟踪算法

为了克服样本贫化现象导致的滤波发散,本文对重采样后的粒子进行有方向性的变异操作,在增加样本集的多样性同时使粒子集更集中均匀的分布在目标的邻域.同时把Mean Shift算法引入粒子滤波(PF)框架中,对PF估计结果迭代得到最优的目标状态,并用迭代得到的状态值控制粒子变异的方向.仿真实验表明,本文提出的方法具有更高的估计...