基于改进的MeanShift算法的选煤厂人员目标跟踪方法

针对采用传统的MeanShift算法进行智能视频监控易受背景干扰而丢失目标的问题,提出了一种将MeanShift算法与卡尔曼滤波算法相结合的选煤厂人员目标跟踪方法。该方法首先通过运动检测方法分割出跟踪目标区域,然后通过卡尔曼滤波算法预测下一帧跟踪窗口的起点,在此基础上采用MeanShift算法跟踪目标区域;由于选煤厂环境较复杂,为了防止跟踪失败,采用跟踪与检测相结合的方法来进一步保证跟踪的鲁棒性。实验结果表明,该方法能很好地消除背景中相似颜色区域的影响,具有较好的跟踪效果。     

改进的抗遮挡MeanShift目标跟踪算法

传统MeanShift目标跟踪算法通过bin-bin颜色直方图表示目标特征,直方图中往往会混入背景颜色信息,造成跟踪不准确;同时由于MeanShift算法具有局部最优性,当目标受到严重遮挡丢失后,不能对目标重新定位跟踪。为了解决上述问题,在颜色直方图和抗遮挡能力方面进行了改进。利用交叉bin颜色直方图代替传统的bin-bin颜色直方图表示目标特征,减少背景颜色的干扰,提高MeanShift算法跟踪精度;当目标受到严重遮挡丢失后,通过一种尺度变化调整机制,在全局范围内搜索目标位置,提高MeanShift算法抗遮挡能力。实验显示,改进后的算法不仅在背景干扰大时对目标的跟踪精度更高,而且当目标受到严重遮挡丢失后,也能够对目标重新定位跟踪。     

使用彩色直方图均衡法改进的Mean Shift行人跟踪算法

视频监控中的行人跟踪是一个具有实际应用价值的研究领域。针对城市中智能视频监控中行人跟踪问题,提出了一种改进的基于彩色直方图均衡化的MeanShift行人跟踪算法,实验的图像序列通过监控摄像头获得。这种行人跟踪算法是基于均值移位算法,它使用颜色直方图均衡化来改进原始算法。通过使用CAVIARproject/IST200137540数据集来进行试验,试验结果表明,改进后的算法在某些情况下比原算法表现得更好。     

基于边缘检测和改进Mean Shift算法的红外目标自动跟踪方法

提出了一种边缘检测与改进的MeanShift算法相结合的红外目标跟踪方法。利用结合小波消噪的Canny边缘检测方法对初始帧进行目标检测;在目标被遮挡或丢失时,利用Kalman预测与形心定位方法修正MeanShift的迭代跟踪过程。     

窗口尺寸变化目标的遮挡跟踪

针对传统的MeanShift跟踪算法在目标发生遮挡时容易导致目标丢失的情况,提出了一种改进的MeanShift跟踪算法.将多尺度空间理论、Kalman滤波器与遮挡算法相结合,当目标发生遮挡后,利用Kalman估计目标信息量,能对目标尺寸有后续跟踪能力.实验结果表明,当目标发生遮挡后,改进的跟踪算法对目标无论增大或减小都能连续地、自动地选择大小合适的跟踪窗口.     

机动目标的跟踪与反跟踪

以WGS－84标准的地心坐标系作为统一坐标系,通过建立机动目标的跟踪模型,实时预测机动目标的轨迹,并提出了机动目标的跟踪与反跟踪策略。首先考虑了单目标跟踪问题,提出了基于改进的MeanShift算法的目标跟踪模型,使用此模型提取聚类点,并对这些聚类点进行B样条曲线拟合,得到光滑的航迹。其次考虑了两目标跟踪问题,建立了基于最近邻及改进MeanShift算法的目标跟踪模型,利用最小二乘法对航迹数据进行二次曲线拟合,分析机动目标加速度变化规律,并通过判断拟合曲线上的点与球面位置关系,提出了两种着落点预测方法。最后分析了机动目标如何反雷达跟踪的问题,提出了反跟踪策略。     

视频目标运动分析研究

首先分析了OpenCV中BlobTrack运动模块的跟踪算法流程,接着对帧间差分、背景差分、多帧累加和光流法等常见的运动目标检测方法进行了比较,并提出了采用差异累计图像法对运动目标进行检测,然后重点分析了MeanShift算法原理,最后指出了采用BlobTrack跟踪时各个参数选取的问题,并通过Matlab仿真证明了BlobTrack在智能视频监控系统中的适用性。     

智能视频监控系统中物体遗留检测方法的研究

本文针对智能视频监控中的物体遗留事件检测进行了研究,给出了一套完整的检测方案。多高斯模型用于运动目标检测,其自适应性很好地解决了背景帧不断变化所带来的影响;MeanShift算法用于运动目标的跟踪,使得监控对象不再限于固定区域;目标的七阶不变矩可以很好地描述目标特征,利用这一特征通过支持向量机对目标进行识别。实验结果证明了本文方法的有效性。     

目标窗口尺寸自适应变化的Mean-Shift跟踪算法

传统的窗宽尺寸固定不变的MeanShift跟踪算法不能实时地适应目标尺寸大小的变化。将多尺度空间理论与Kalman滤波器相结合,利用Kalman滤波器对尺寸变化的目标面积比例进行预测,用多尺度空间理论中的目标信息量度量方法求出前后相邻两帧的目标特征信息比,将其作为Kalman滤波器的观察值对目标面积比例进行修正,然后与MeanShift算法结合起来对目标进行跟踪,实验结果表明,改进的跟踪算法对尺度逐渐变大和变小的目标都能连续地自动地选择合适大小的跟踪窗口。     

嵌入Mean Shift 的粒子滤波目标跟踪算法

传统的粒子滤波算法通常使用大量粒子表示目标状态的后验概率密度函数,算法的计算量较大,跟踪的实时性较差,且无法对快速、遮挡目标进行准确跟踪．针对以上问题,提出了一种嵌入MeanShift（均值偏移）的粒子滤波算法,该方法充分利用了MeanShift聚类作用,使得粒子分布更加合理,不但提高了粒子的多样性,而且有效减少了描述目标状态的粒子数目．实验结果表明,改进的目标跟踪算法具有较强的鲁棒性和较好的实时性．     

基于均值漂移聚类的运动目标检测

为了有效减少噪声对运动目标检测的影响,提出了一种利用均值漂移聚类实现运动目标检测的方法。首先运用Mean Shift算法分别对三帧连续图像进行平滑去噪处理,然后对图像进行边缘提取,最后通过三帧差分法对三帧图像进行差分,进而得到运动目标。实验结果表明,该方法可以有效地抑制噪声并提取出运动目标。     

基于DESO的Mean Shift目标跟踪算法研究

将基于DESO的运动预测算法和Mean Shift算法相结合,形成一种新的基于Mean Shift的快速目标跟踪算法.该算法以DESO预测位置作为Mean Shift算法下一帧候选模型的计算中心,实现了对快速运动目标的跟踪,并通过DESO对目标运动轨迹进行预测,较好地解决了目标完全遮挡时的跟踪问题.实验结果表明,该算法具有预测精度高、实时性好、抗遮挡能力强的优点.     

基于混合粒子滤波的运动火焰跟踪算法

提出一种基于混合粒子滤波的运动火焰跟踪算法。针对通用粒子滤波算法计算量大的问题,提出了混合粒子滤波,将Mean Shift算法嵌入到粒子滤波中,并用自适应运动模型和目标模型自动更新的策略改善算法性能。基于混合粒子滤波提出了火焰识别和火焰跟踪相结合的运动火焰自动跟踪算法,先火焰识别,再火焰跟踪,且跟踪时,如果估计目标与模型的相似度小于阈值则切换到火焰识别阶段。识别与跟踪的相互切换保证了跟踪结果的正确性。实验结果表明混合粒子滤波具有很好的跟踪效果,与粒子滤波和Mean Shift算法相比,提高了跟踪精度;基于混合粒子滤波的火焰跟踪算法能够跟踪复杂环境下的运动火焰,提供火焰的精确位置。     

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。     

基于背景优化的Mean Shift目标跟踪算法

针对传统的Mean Shift算法在目标快速运动且背景区域变化较大时,容易丢失跟踪目标的问题,提出了一种基于背景优化的Mean Shift目标跟踪算法。该算法引入混合直方图并对直方图重新量化,再通过减少背景像素在概率密度函数(PDF)中的权重来对背景进行优化,从而降低背景区域对跟踪的影响。实验结果表明,当目标快速运动,且背景区域变化较大时,该算法仍然能够实现对运动目标的准确跟踪。     

一种基于角点的Mean Shift目标跟踪算法*

为了提高经典的Mean Shift算法在复杂场景中的跟踪性能,提出了一种基于角点的目标表示方法。首先,利用Harris角点检测算法提取表示目标主要特征的角点;其次,基于提取的角点,建立目标模型,将其嵌入Mean Shift算法进行跟踪。该方法仅用少量的关键点表示目标,能够自动去除目标和背景中的次要特征,有效地抑制背景成分对目标定位的影响,从而改进Mean Shift目标跟踪算法的性能。通过测试两个复杂环境下的视频,实验结果表明,相对于传统的目标跟踪算法,提出的方法取得了更好的性能。     

Mean Shift目标跟踪核函数宽度的自适应调整

Mean Shift算法无需穷尽搜索就可快速定位目标,因此被广泛应用于实时性要求较高的目标跟踪领域中。但传统Mean Shift算法的核函数宽度,也即跟踪窗口是固定的,不能适应目标大小变化,定位精度低。针对该问题,提出一种目标尺度度量方法,并应用于Mean Shift算法中,实现核函数宽度随着目标大小变化而自适应调整,实验仿真结果表明改进后的算法能很好地跟踪目标大小的变化,跟踪效果很好。     

基于Mean Shift算法和灰度模板匹配的运动目标主动跟踪

该文提出了一种综合Mean Shift算法和灰度模板匹配的主动跟踪算法。该算法利用灰度模板匹配与运动目标在图像的位置无关的特点,在视角和焦距发生变化后用灰度模板进行穷尽搜索,再用匹配结果更新Mean Shift搜索窗口,解决了Mean Shift算法要已知目标区域才能正确跟踪的问题。该算法能在视角和焦距发生变化的情况下能正确的跟踪运动目标并能使被跟踪的运动目标始终保持在图像的中心区域。实验表明,该算法具有较好的可行性。     

基于Mean Shift的多视频车辆跟踪研究

为了提高多视频下目标车辆跟踪的准确率,提出了一种基于Mean Shift结合视觉词袋的车辆跟踪方法。该方法采用Mean Shift提供的轮廓和颜色信息进行初匹配,并进行跟踪;针对车辆在不同视频下车辆视角、环境不同的情况,提出了尺度不变的识别方法,即利用视觉词袋特征作为车辆特征进行再次匹配。该方法能够利用高速路网中摄像机拍摄的视频确定目标车辆的具体位置。实验表明,基于Mean Shift的多视频车辆跟踪方法能够有效提高车辆跟踪的准确率。     

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。