光照和尺度自适应的Mean Shift人脸跟踪算法

针对原始Mean Shift算法易受光照强度影响及跟踪窗口不随目标尺度自适应变化的问题,提出了一种光照和尺度自适应的Mean Shift人脸跟踪算法。该算法将颜色特征与光照不变性特征局部二值模式结合起来共同表征人脸,增强了复杂背景下目标的跟踪性能,利用矩特征和巴氏系数估计目标的真实尺度,提高了人脸发生较大形变时的适应能力。实验结果表明,提出的算法比传统的基于颜色直方图的Mean Shift算法具有更准确的跟踪结果。     

多颜色直方图自适应组合Mean Shift跟踪

经典Mean Shift跟踪算法使用单一颜色直方图跟踪目标,导致其对目标外观的变化鲁棒性较差。为了解决该问题,提出一种多颜色直方图自适应组合Mean Shift跟踪算法。该算法利用多个视图的颜色核函数直方图的加权组合作为目标模型进行Mean Shift跟踪;为了适应目标外观的变化,利用目标区域对每一颜色直方图的概率图均值和方差的比值评价每一颜色直方图的可靠性,并自适应地计算其组合权值。实验结果表明,与现有Mean Shift跟踪算法相比,提出的跟踪算法对目标的外观变化具有更强的鲁棒性。     

基于均值移动与贪婪算法的多人脸跟踪

提出一个基于均值移动(Mean Shift)和贪婪算法的多人脸跟踪器.首先建立多个均值移动目标跟踪器以进行多人脸跟踪.结合卡尔曼滤波逐个检测目标并从视频帧中清除已跟踪到的人脸,以解决当多个目标相邻或相互遮挡时相应的跟踪窗口会收敛于最大目标、导致其他目标丢失的难题.引入辅助窗口并根据其纹理信息确定粘连目标的对应.实验结果表明,该多人脸跟踪算法可实现稳健的实时多人脸跟踪.     

面向交通流检测的Mean Shift多目标自适应跟踪算法

随着社会的发展,交通问题越来越严重,交通流检测技术是解决这一问题的重要途径,而目标跟踪又是交通流检测中必不可少的一部分。目前在目标跟踪领域Mean Shift算法是被广泛采用的技术,但是传统的Mean Shift跟踪算法计算量很大,难以实现交通流检测中的多目标实时追踪。鉴于此,提出一种基于线性预测的Mean Shift跟踪算法。该算法引入一个预测矢量,用来预测目标在下一帧可能出现的位置,在跟踪时算法从预测的位置开始迭代,直至收敛于目标真实位置。实验结果表明,该算法从很大程度上提高了原有算法的效率,有利于实时跟踪。而且,为了解决Mean Shift跟踪算法中核函数带宽自适应的问题,还提出了一种基于比较目标中心灰度比例变化来实现带宽自适应更新的新方法。     

基于Mean Shift迭代的新生未知多扩展目标跟踪

针对当前基于随机集的多扩展目标跟踪算法存在计算量大、量测划分不准确和跟踪误差大的问题,在PHD滤波基础上提出一种基于均值漂移(Mean Shift)迭代的新生未知多扩展目标跟踪算法.首先,对聚类后量测数据进行关联,得到新生目标状态,解决目标新生问题;然后,通过Mean Shift迭代获得目标量测集质心,将扩展目标的多量测问题转化为点量测处理;最后,给出其粒子实现方式.仿真实验表明,所提出的算法可以降低跟踪复杂度,提高跟踪效率,在交叉时刻具有稳定的跟踪性能。     

遮挡情况下的多目标跟踪算法*

在视频监控系统中,由于背景的复杂变化,运动目标经常会出现部分或全部被遮挡的情况。为了在遮挡条件下进行多目标跟踪,针对运动目标发生遮挡情况下的Mean Shift跟踪问题进行了研究,提出一种新的抗遮挡算法。利用卡尔曼滤波器来获得每帧Mean Shift算法的起始位置,再利用Mean Shift算法得到目标跟踪位置,通过目标遮挡判定机制和目标搜索机制来解决遮挡问题。实验表明,该算法较好地解决了运动目标的遮挡问题。     

基于Mean Shift算法的目标跟踪综述

介绍Mean Shift算法及其研究进展,在众多计算机视觉研究和实际应用,尤其是视频跟踪研究中,基于Mean Shift算法的视频跟踪被大量应用。就目前所应用的跟踪算法,Mean Shift算法使跟踪中存在的很多问题得到了解决,例如运动目标的突然加速,背景的干扰,目标和目标以及目标和背景之间的遮挡,背景或者目标外部的变化等。对目前基于Mean Shift算法本身及其改进方法的理论和应用进行分类和比较,详述其各自方法内容和优缺点。     

基于改进Mean Shift视频目标跟踪算法的研究

针对传统的Mean Shift目标跟踪算法计算量大,难以实现对目标的实时跟踪,并且容易造成目标丢失,降低了目标跟踪的精确度;鉴于此,提出了一种改进Mean Shift的视频目标跟踪算法;首先,建立视频运动速度的系统动态模型,以便减少粒子维数粒子的数量;其次,在Mean Shift算法中核函数在目标特性的直方图表示的基础上来构建系统的观测值的获取;最后,利用Mean Shift算法的聚类作用,将粒子聚集在真实位置的区域以便更加靠近其跟踪目标;实验结果表明,验证了该算法在视频目标跟踪中,能够有效跟踪运动目标,满足实时性要求,明显优于传统的Mean Shift目标跟踪算法,减少了计算量,有助于提高其跟踪精度。     

一种基于Mean Shift的快速跟踪算法

针对Mean Shift算法难以跟踪快速运动目标、算法迭代次数多以及耗费时间长的问题,提出了一种基于Mean Shift的快速运动目标检测方法,该方法结合帧差法并融合背景信息来快速检测运动目标;同时提出一种新的相似性度量方法进行初步检测,排除干扰并快速选出符合标准的目标以进行Mean Shift匹配,找出最佳目标。该方法不仅减少了传统方法的迭代次数,缩短了算法所需时间,而且在跟踪实验中取得了较好的跟踪效果,提升了算法的鲁棒性。     

基于背景加权的联合颜色纹理直方图跟踪算法

针对在背景与目标颜色相近以及复杂场景中跟踪不准确的问题,提出一种改进的背景加权Mean Shift(均值漂移)跟踪算法,在目标颜色直方图中加入纹理特征,并将局部背景信息引入目标特征直方图中,以排除复杂背景的影响。实验证明,本文提出的算法在应对复杂背景及遮挡时比经典的Mean Shift算法以及背景加权Mean Shift算法更有效,且拥有不错的运行效率。     

自动选择跟踪窗尺度的Mean-Shift算法

实用的跟踪系统要求能实时地适应运动目标的外观变化,尺度固定不变的跟踪窗口不能有效地跟踪存在明显尺度变化的目标。本文将多尺度图像的信息量度量方法引入到运动目标跟踪中,提出了一种跟踪窗口自动更新算法,并用此算法改进了基于颜色直方图的Mean-Shift跟踪方案。实验结果表明,改进的跟踪算法对尺寸逐渐减小和逐渐增大的目标都能自动选择合适的跟踪窗口大小。     

移动机器人实时目标跟踪系统设计与实现

针对单目视觉移动机器人目标跟踪的实时性和鲁棒性要求,提出了基于Kalman滤波器的改进Camshift算法检测和定位目标.将Kalman预测值作为目标初始位置,补偿摄像头和目标相对运动导致的目标在图像中的偏移.在系统“跟丢”后判断目标丢失的原因,根据原因自适应拓展搜索窗口作为Cam-shift算法的下一帧初始搜索窗口.为了验证改进算法的有效性,自主研制了一种应用该算法的履带式机器人实时目标跟踪系统.实验结果表明:该系统具有很好的鲁棒性和实时性.     

Camshift算法中搜索区域像素筛选的研究与改进

近年来Camshift由于具有对目标形变不敏感,实时性好等特点而倍受青睐。然而传统的camshift算法仍存在一些缺陷,由于图像质量等原因,需要对目标区域的像素进行选取,以消除这一干扰对生成的颜色直方图带来的误差,本文提出了对搜索窗口大小的调整设置保护措施以及采用自适应筛选阈值的方法防止上述问题。通过实验对比,相比于传统camshift算法,改进的cam-shift算法在对目标跟踪的稳定性和准确性方面有明显的提高,对背景的适应能力更强。     

跟踪窗口尺度自动更新的Mean—Shift跟踪算法

Mean—Shift算法作为一种高效的模式匹配算法,已经广泛地应用在实时性要求较高的目标跟踪系统中,但标准的Mean—shift跟踪算法缺乏窗口尺度自动更新机制无法满足图像中运动目标尺寸变化的需要。在分析图像的轮廓检测的基础上提出了一种窗口自动更新方法,实验证明本算法能够有效地跟踪尺寸变化的目标并且提高了跟踪精度,增强了跟踪稳定性。     

融合灰度和SURF特征的红外目标跟踪

由于红外图像对比度低、色彩信息匮乏且灰度级动态范围小,基于红外成像的目标跟踪一直是本领域研究的难点和重点。提出了一种融合灰度核直方图和SURF(speeded up robust features)特征的红外目标跟踪算法。在首帧采用灰度核直方图和SURF特征分别描述目标模板,在以后每帧中利用均值漂移算法快速找到局部最优解。考虑到灰度直方图特征信息量少,跟踪误差逐渐累积,采用改进的SURF特征点匹配算法估算当前帧目标尺度和中心位置,及时修正累积误差,避免跟踪窗口漂移且能自适应调整跟踪窗口大小,此外更新目标模板,最终准确跟踪目标。真实场景实验结果表明,本文算法在目标外观发生较大尺度变化、周边具有相似表观物体时能稳定跟踪目标,具有很强的稳健性,且满足实时性要求。     

基于自适应活动轮廓模型的实时手势跟踪

在基于视觉的手势分析与识别中，一个关键环节是手势跟踪。本文提出了基于颜色信息的自适应活动轮廓模型，并与均值漂移算法相互融合，实现图像序列的实时手势跟踪。跟踪算法分为两步进行，首先应用均值漂移算法实现手部区域的定位，然后基于自适应活动轮廓模型提取手部轮廓。在跟踪过程中，轮廓提取为下一帧的区域定位更新搜索窗口，提高了搜索效率，使目标跟踪达到实时性要求。同时，本文根据跟踪区域模板与目标模板的相似性度量Bhattacaryya系数给出了在跟踪目标被遮挡时的处理方法，有效地解决了这一难题。实验结果证明了在无遮挡和遮挡两种情况下算法均能实现准确、实时的手势跟踪。     

自适应窗宽的均值迁移图像跟踪算法

针对传统均值迁移跟踪算法中核函数窗宽固定使之无法满足图像中运动目标尺寸变化需要的问题，在分析目标特征零阶矩特点基础上，以其变化比作为观测量，以目标面积的变化比作为状态量，利用卡尔曼滤波器对未来帧中目标面积的变化进行预测进而获得同目标尺度变化相适应的核函数窗宽。该算法通过窗宽自适应变化，提高了跟踪精度，增强了跟踪稳定性，同时仍保证了跟踪的实时性。实验结果证明了该方法的有效性。     

Efficient multi-feature PSO for fast gray level object-tracking

Robust and real-time moving object tracking is a tricky job in computer vision systems. The development of an efficient yet robust object tracker faces several obstacles, namely: dynamic appearance of deformable or articulated targets, dynamic backgrounds, variation in image intensity, and camera (ego) motion. In this paper, a novel tracking algorithm based on particle swarm optimization (PSO) method is proposed. PSO is a population-based stochastic optimization algorithm modeled after the simulation of the social behavior of bird flocks and animal hordes. In this algorithm, a multi-feature model is proposed for object detection to enhance the tracking accuracy and efficiency. The object's model is based on the gray level intensity. This model combines the effects of different object cases including zooming, scaling, rotating, etc. into a single cost function. The proposed algorithm is independent of object type and shape and can be used for many object tracking applications. Over 30 video sequences and having over 20,000 frames are used to test the developed PSO-based object tracking algorithm and compare it to classical object tracking algorithms as well as previously published PSO-based tracking algorithms. Our results demonstrate the efficiency and robustness of our developed algorithm relative to all other tested algorithms.     

自适应均值漂移算法目标跟踪检测仿真研究

研究运动物体目标跟踪精确度问题,由于存在遮挡和多光源的噪声影响检测精度,而且运动目标的跟踪是在连续的图像帧间创建位置、速度、形状等存在匹配问题。传统的目标跟踪算法由于目标的动态移动速度大,而容易导致跟踪丢失目标。为了解决上述问题,提出了一种改进的基于自适应均值移动(Cam Shift)目标跟踪新算法。主要难点技术问题是提取了多运动目标视频图像,进行了背景分离。算法是一种颜色跟踪算法,根据多次迭代的计算结果,自适应调整图像,实现对运动目标的实时跟踪。仿真结果表明,提出的改进目标跟踪算法的跟踪精度和滤波效果有了较大提高,同时具有较强的鲁棒性能。     

基于混合注意力的Transformer视觉目标跟踪算法

基于Transformer的视觉目标跟踪算法能够很好地捕获目标的全局信息,但是,在对目标特征的表述上还有进一步提升的空间.为了更好地提升对目标特征的表达能力,提出一种基于混合注意力的Transformer视觉目标跟踪算法.首先,引入混合注意力模块捕捉目标在空间和通道维度中的特征,实现对目标特征上下文依赖关系的建模;然后,通过多个不同空洞率的平行空洞卷积对特征图进行采样,以获得图像的多尺度特征,增强局部特征表达能力;最后,在Transformer编码器中加入所构建的卷积位置编码层,为跟踪器提供精确且长度自适应的位置编码,提升跟踪定位的精度.在OTB100、VOT2018和LaSOT等数据集上进行大量实验,实验结果表明,通过基于混合注意力的Transformer网络学习特征间的关系,能够更好地表示目标特征.与其他主流目标跟踪算法相比,所提出算法具有更好的跟踪性能,且能够达到26帧/s的实时跟踪速度.