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.     

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.     

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。     

基于颜色和空间信息的多特征融合目标跟踪算法

为解决单一特征目标跟踪鲁棒性较差的问题,提出一种基于颜色和空间信息的多特征融合目标跟踪算法。采用一种自适应划分颜色区间的方法提取目标颜色特征,利用空间直方图提取目标颜色的空间分布信息。在粒子滤波框架下将自适应颜色直方图和空间直方图相结合,在特征融合中引入特征不确定性度量方法,自适应调整不同特征对跟踪结果的贡献,提高算法的鲁棒性。仿真实验结果表明,该跟踪算法平均位置最小误差值仅6.967 像素,而单一特征跟踪算法以及传统融合算法的跟踪误差达192.576 像素和199.464像素。说明本文算法在跟踪准确性上优于单一特征跟踪算法及传统融合算法,具有更好的跟踪精度和更高的鲁棒性。     

Mean Shift跟踪算法中核函数参数的评估与分析

Mean Shift是一种基于特征的对目标实现快速跟踪的算法,传统的Mean Shift算法由于跟踪中物体的尺度变化会使跟踪偏离目标乃至跟踪失败,并且原有的自适应地对跟踪窗宽的调整,是基于对核窗宽的改变来得到的。在＂固定跟踪窗宽—改变核窗宽＂的基础上对目标进行跟踪,对目标空间定位精度进行了评估与分析,通过实验结果表明改变核函数参数能改善目标跟踪的精度。     

基于注意力融合的目标跟踪算法

针对基于孪生网络的目标跟踪算法存在抗干扰能力弱、鲁棒性差等问题,在SiamCAR基础上提出通道和空间注意力融合的目标跟踪算法。在特征提取子网络和分类回归子网络之间级联改进后的高效通道注意力和空间注意力模块,加强网络对互相关后响应图中重要通道特征和位置特征的关注,同时抑制不重要的特征信息。在OTB100上,所提算法在背景杂乱挑战下成功率和精度相比SiamCAR分别提高了3.1%和2.8%;在VOT2018上,所提算法的鲁棒性和期望平均重叠率相比SiamCAR分别提高了4.9%和2.2%。实验结果表明,所提算法增强了跟踪器的鲁棒性,提升了跟踪器在复杂场景下的跟踪效果。     

基于多特征融合与ROI预测的红外目标跟踪算法

针对当前红外目标检测与跟踪算法存在场景自适应能力弱、专用性强,以及在大视场条件下,首帧图像中小目标误检率高的问题,提出一种红外序列图像目标自适应阈值分割、检测与跟踪方法.选取目标移动速度、目标轮廓的面积和周长、以及自适应分割阈值与感兴趣区域位置为动态变量,建立动态决策准则.采用首帧目标检测算法计算出序列图像的第一帧图像目标的静态变量和部分动态变量,再采用改进的局部自适应阈值分割算法分割后续帧图像,然后利用静态与动态决策准则筛选出分割后的真实目标,最后计算并更新动态决策准则.红外靶标测试结果表明:该方法对不同场景具有较好的适应性,四个场景平均跟踪准确率为95.81%,微机平台平均每帧处理时间为10.93ms,嵌入式平台为26.79ms.     

基于动态特征融合的粒子滤波目标跟踪算法

提出一种基于动态特征融合的粒子滤波目标跟踪算法。选择具有互补性的灰度直方图和梯度直方图特征共同描述目标模型,然后在目标跟踪过程中,根据特征对目标和背景的区分程度动态地调整每个特征的置信度,对目标模型进行在线动态建模和更新,从而提高目标模型描述的准确度,并进一步提高粒子滤波算法的跟踪精度。实验结果表明:在对典型场景下的目标跟踪过程中,提出的算法比单独使用一种特征的粒子滤波算法具有更高的跟踪精度和更稳定可靠的跟踪性能。     

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...     

复杂背景灰度图像下的多特征融合运动目标跟踪

为解决低对比度、低信噪比、目标旋转、缩放等非理想状态给跟踪算法的研究带来的诸多困难,本文提出灰度图像多特征融合目标跟踪算法,保证在满足工程实践需要的条件下,能够对目标进行稳定的跟踪。算法首先对灰度图像利用Sobel算子求出梯度特征,将X、Y双方向的梯度特征与灰度特征相融合得到新特征,新特征在核密度函数下对低对比度,目标轮廓形状变化较大的情况有较高的适应性和稳定性,再利用背景建模的方法对提取的运动目标区域进行加权,降低非跟踪目标的权值,最后对融合后的加权特征目标利用改进MeanShift算法进行跟踪。通过大量的实验表明,该算法适应目标和背景的复杂变化,并且具有较强的鲁棒性,基本满足在复杂背景灰度图像下目标跟踪的工程实际需求。     

多特征融合的鸟类物种识别方法

针对短时窗平均/长时窗平均算法从次声台站监测数据中提取的信号仍然包含噪声的问题,对支持向量机和人工神经网络的机器学习方法进行了研究。采用小波包分解的方法对信号进行重构,提取出各频带内的重构信号能量特征,对事件信号和噪声进行了识别实验,并分析了提高识别能力的方法,为工程应用提供理论参考。实验结果表明,在训练数据集不大的情况下,通过优化模型结构可以将两种方法的识别能力提高到可以接受的水平。     

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。     

加权实时数据融合在线阵CCD测温中的应用研究

针对面阵CCD测温系统的复杂性及对波长的不可选择性,提出了一种利用线阵CCD进行温度测量的方法,并在2.5kW热处理炉上对其进行了实验研究。实验结果表明,该方法简单易行,可任意选择波长组合,利用CCD光谱响应及比色测温原理,得到了测量点的温度值。由于受波长等多种因素的影响,所测得的值之间偏差较大。为了减小误差,引入了加权实时数据融合算法。与传统的算术均值方法相比,该算法计算量小,精度较高,且无需任何先验知识,仅根据各传感器的输出信息就能使融合后的估计值得到优化。