基于梯度方向检测的自适应带宽meanshift目标跟踪算法

传统核窗宽固定的meanshift跟踪算法不能很好地对尺寸变化的目标进行有效的跟踪。在结合增量试探法和梯度方向检测的基础上,提出了一种适应带宽的meanshift目标跟踪算法。算法能够对逐渐放大和逐渐缩小的目标都能够进行有效的跟踪,解决了增量试探法难以很好地对放大目标进行自适应带宽跟踪的f＊l题,提高了自适应带宽跟踪的准确性。两段不同场景下的运动目标跟踪实验,证实了该算法的有效性。     

带宽自适应Mean Shift跟踪算法

提出了一种先进行空间定位再确定目标尺度的两级跟踪算法,有效地解决了mean shift算法对尺度变化的适应问题.该算法首先在当前帧对应位置进行降分辨率处理,并以基于增量试探的mean shift跟踪算法收敛点作为当前帧目标中心位置,进而利用对数极坐标变换的旋转、尺度不变性,对目标和候选目标分别进行对数极坐标映射,并通过求取最大归一化相关函数确定目标的尺度变化.跟踪实验表明,该算法可以有效的提高mean shift跟踪算法空间和尺度定位准确性.     

一种基于Kalman-mean shift的自适应跟踪算法

提出了一种基于Kalmanmean shift的自适应跟踪算法。利用卡尔曼滤波器预测目标在当前时刻的起始位置,并利用互信息量与目标尺寸之间的关系,在mean shift算法中加入了一个尺度更新项,通过尺度更新对运动目标,特别是目标尺寸变化的目标进行自适应跟踪。实验表明该算法提高了mean shift跟踪算法的适应性,有效地解决了长时间跟踪过程中尺度变化目标定位困难的问题。     

LMSF Mean Shift目标跟踪算法

Mean shift作为一种有效的目标跟踪算法近年来得到了广泛的应用,但如何有效地更新核函数直方图模型仍是一个需要解决的问题.本文针对mean shift跟踪算法中模型更新问题,提出了一种新的模型更新策略.对mean shift中目标模型核函数直方图的分量进行自适应LMS滤波(LMS Filter),并且动态更新目标模型的核函数直方图分量,即解决了目标模型更新过快引起的过更新问题,同时核直方图模型又可以及时反映当前目标的颜色、外观变化.本方法通过实验证明取得了较好的跟踪效果.     

基于改进的单高斯背景模型运动目标检测算法

针对传统单高斯背景模型(SGM)存在的背景模型不能很好地自适应背景变化、目标检测不完整的问题,提出了一种改进的单高斯背景模型运动目标检测算法,该方法结合单高斯背景模型和mean shift原理对运动目标进行检测。取前N帧视频样本的均值作为初始背景模型,对当前帧图像进行运动目标的初检测,根据单高斯背景模型更新原理用当前帧图像对检测为背景的点进行背景模型更新,对更新后的背景模型中不属于背景点的像素点进行mean shift修正,将进行mean shift修正后得到的背景模型作为最终的背景模型,再通过背景差分法最终检测出运动目标。实验表明,改进的算法能很好地克服背景模型不能自适应背景变化的缺点,目标检测完整度比传统的单高斯模型高。     

基于Mean Shift和Kalman滤波相结合的运动目标跟踪方法

为了使Mean shift算法能跟踪快速运动目标和大比例遮挡的目标,算法引入Kalman滤波对目标位置进行预测,Mean shift在预测位置邻域内搜索目标位置.同时对引入Kalman滤波的算法进行试验分析发现,不能有效的跟踪运动状态突然变化的目标,为此提出采用两次Bhattacharyya系数大小判断的方法.实验证明,提出的算法能够有效的跟踪运动目标,对于快速运动目标、大比例遮挡的目标以及运动状态突变的目标都有很好的跟踪效果,具有很好的鲁棒性.     

一种基于颜色分布的混合视频跟踪方法

传统的Mean shift算法虽然具有简单快速的特点,但在目标被遮挡的情况下无法进行有效的跟踪。与此同时,以Monte Carlo随机模拟理论为基础的粒子滤波虽然可以很好地解决这一问题,但是由于结果的好坏与粒子的数目成正比,计算耗时无法满足系统的实时性要求。该文基于颜色直方图分布,引入自适应选择粒子样本数的采样策略,有效地融合传统Mean shift算法的简单快速和粒子滤波跟踪算法的抗遮挡的优点,在保证跟踪效果的同时减少了跟踪的总体时间花费,有效提高了设计的跟踪系统的实时性。实验证明,该方法在实际的目标跟踪中是有效和稳健的。     

基于自适应尺度的Mean—shift跟踪算法

针对传统Mean—shift跟踪算法不能解决目标跟踪中的目标特征大小变化问题,在此通过对Mean-shift算法的深入研究,提出了基于自适应尺度的Mean—shift目标跟踪算法。通过引用尺度空间理论,改变尺度空间中的选择参数,调整追踪窗口的大小来解决跟踪时自适应目标大小特征变化的问题。计算机仿真实验表明,基于自适应尺度的Mean—shift跟踪算法的跟踪所取得的效果明显优于传统方法的目标跟踪方法。     

一种特征融合的带宽自适应Mean Shift跟踪算法

传统Mean Shift跟踪算法在目标颜色特征和背景颜色特征相近、尺度变化等情景下效果不理想。提出了一种特征融合且核函数带宽自适应的改进跟踪算法,针对颜色直方图容易受背景区域影响,融合了边缘直方图,并对核函数带宽进行自适应更新。另外,对目标模型的更新进行了相关探索并给出比较结果。结果表明,该算法可以对目标实现更稳定的跟踪,对目标颜色和背景颜色相近、尺度变化等场景具有很好的适应性。     

Improved Target Tracking Method Based on Fearture Fusion and Automatic Bandwidth Selection Mean Shift Algorithm

传统Mean Shift跟踪算法在目标颜色特征和背景颜色特征相近、尺度变化等情景下效果不理想.提出了一种特征融合且核函数带宽自适应的改进跟踪算法,针对颜色直方图容易受背景区域影响,融合了边缘直方图,并对核函数带宽进行自适应更新.另外,对目标模型的更新进行了相关探索并给出比较结果.结果表明,该算法可以对目标实现更稳定的跟踪,对目标颜色和背景颜色相近、尺度变化等场景具有很好的适应性.     

带宽自适应均值偏移红外目标跟踪

提出一种多特征融合和带宽自适应均值偏移跟踪算法。基于M-估计器建立位置和带宽关于完整参数型带宽矩阵的迭代更新公式。分析权值图像的本质,基于灰度和局部标准差建立融合权值图像。通过先前目标模板模型和确定的目标模型的平均值生成当前目标模板模型。在位置向量的迭代公式中,采用扩大的带宽矩阵,确保定位精度。为防止由于背景杂波导致带宽膨胀或者由于目标自我相似导致带宽收缩,引入规范准则。跟踪的视觉结果和评估尺度表明,提出的跟踪算法相比于另外三种尺度自适应均值偏跟踪算法,具有最好的性能。     

各向异性核函数均值漂移目标跟踪算法研究

针对传统均值漂移算法利用固定核或对称核函数进行目标跟踪时出现目标跟踪丢失或跟踪失败的问题,提出了基于各向异性核函数的自适应带宽均值漂移目标跟踪算法,以提高目标跟踪的准确性、实时性.在符号距离核函数的基础上引入符号距离约束函数,构成各向异性核函数,满足目标外部的区域函数值为零,为目标跟踪提供准确的跟踪窗.依据基于各向异性核函数的均值漂移应用到目标跟踪中需满足跟踪窗内的样本点到中心点的向量权重之和为0的思想,计算各向异性核函数模板的均值漂移窗口中心.利用相似度阈值对前后两帧目标模板的变化情况进行限制,实现各向异性核函数模板的自适应更新及目标的准确实时跟踪.实验结果表明所提出算法的准确性和实时性较高.     

边界约束的核密度估计红外人体目标跟踪方法

基于核密度估计的均值漂移算法因其良好的实时性而被广泛地应用于目标跟踪,但传统的均值漂移算法极易因颜色等信息的缺乏而使跟踪不稳定,且目标尺度的变化也不利于目标位置的准确估计,为此,提出了一种具有边界约束的均值漂移红外人体目标跟踪新方法。该方法通过各向异性扩散,并联合红外图像的梯度与亮度信息来获取目标边界,自适应调整核窗宽,从而利用均值漂移策略进行红外人体目标跟踪。实验结果表明,该方法在红外人体目标尺度改变时仍能实现良好的跟踪。     

基于光流场估计的自适应Mean-Shift目标跟踪算法

针对Mean-Shift算法在目标跟踪中出现由于目标运动速度过快或尺度明显变化以及目标遮挡时导致跟踪失败的问题,结合光流场估计,提出了一种自适应Mean-Shift跟踪算法。本文方法在基于传统均值漂移矢量法的同时,引入光流法,在目标上找寻特征点,通过特征点前后变化的信息,修正跟踪窗口中心位置和大小,再根据Bhattacharyya系数二分法分别自适应得到更为精确的窗口长宽;而针对目标被静止物体遮挡,通过色差分析观测目标被遮挡区域,利用Bhatta-charyya系数重新捕捉目标。实验结果表明,本文方法在对目标移动方向较明显或由透视变化而导致的尺度变化具有较其他算法更优异的表现。将本文方法应用到铁轨跟踪实际中,测试结果表明,结合本文方法可显著提高轨道跟踪的可靠性。     

Infrared target tracking based on multi-feature fusion under motion platform

In order to realize infi＇ared target tracking accurately under motion platform, and make up for the shortcoming of the nuclear density estimation based on gradation feature, an adaptive kalman-mean shift algorithm based on multi-feature fusion is proposed. The target model based on edge-gradation feature fusion is applied in the mean shift algorithm. The starting position at present of an infrared target is predicted by a kaiman filter, and then a scale updating item of tracking window is appended based on the relationship between mutual information and the object scale. Then the moving object, especially the object with a variable scale, is adaptively tracked under motion platform. Experimental results demonstrate that the adaptability of mean shift algorithm is enhanced by the improved scheme, which can be applied in the process of long time tracking for the object with a variable scale.     

目标跟踪性能的仿真研究

系统目标的跟踪性能,一般要通过实际跟踪才能得到检验,如何定量地检验系统的目标跟踪性能是否满足系统指标一直是困扰使用者的难题。结合船载雷达的特点,通过MATLAB仿真软件对伺服系统位置回路带宽与系统跟踪性能之间的定性、定量关系进行描述,为检验系统适应不同特性目标的能力提供可靠的测试依据。     

基于直方图插值的均值移动小尺寸目标跟踪算法

小尺寸目标跟踪是视觉跟踪中的难题.该文首先指出了均值移动小尺寸目标跟踪算法中的两个主要问题:算法跟踪中断和丢失跟踪目标.然后,论文给出了相应的解决方法.对传统Parzen窗密度估计法加以改进,并用于对候选目标区域的直方图进行插值处理,较好地解决了算法跟踪中断问题.论文采用Kullback-Leibler距离作为目标模型和候选目标之间的新型相似性度量函数,并推导了其相应的权值和新位置计算公式,提高了算法的跟踪精度.多段视频序列的跟踪实验表明,该文提出的算法可以有效地跟踪小尺寸目标,能够成功跟踪只有6×12个像素的小目标,跟踪精度也有一定提高.