跟踪遮挡目标的一种鲁棒算法

为了解决在跟踪目标过程中的遮挡问题,引入Kalman滤波器为Mean Shift跟踪算法选择初始点,在跟踪稳定的情况下进行模型更新以消除由于目标缓慢变化而产生的累积误差对跟踪结果的影响。根据Kalman滤波器残差的大小判定是否发生遮挡,遮拦检测算法对目标进行分块检测从而把遮挡分为部分遮挡和完全遮挡两种情况,并对两种情况进行区别讨论：对部分遮挡情况不做特殊处理;对完全遮挡情况,结合目标的运动方向提出6点搜索策略来找回目标。实验表明,该算法能很好地解决跟踪运动目标过程中目标的遮挡问题。     

遮挡情况下基于特征相关匹配的目标跟踪算法

特征相关匹配是重要的运动目标跟踪方法.目标特征有灰度特征和边缘特征两大类,在遮挡情况下,采用哪种特征进行匹配,要根据目标本身属性来确定.本文先对目标灰度性质做出判断,然后根据灰度单一或是丰富来合理选择边缘相关匹配或者是基于多子块的灰度相关匹配来解决遮挡情况下的刚性目标跟踪问题.其中边缘匹配算法是通过当前边缘与实时更新模板的最优匹配来确定目标的运动位移量.基于多子块的灰度相关匹配算法通过目标的各个具有较明显特征的子块准确判定遮挡区域,利用剩余的未被遮挡的子块参与灰度相关匹配继续跟踪目标.实验结果表明,这种算法是十分有效的.     

复杂场景下灰度图像的运动目标跟踪

提出了一种对复杂场景下灰度图像序列中运动目标分割和跟踪的新方法:首先,利用光流法分割出运动目标;然后,以mean shift算法为核心跟踪感兴趣的目标.跟踪过程中以目标灰度直方图为特征进行帧与帧之间的目标匹配,其匹配的相似度以Bhattacharyya系数来测量.算法中利用Kalman滤波器对运动目标在图像中的位置进行预测,不仅可以有效解决目标的暂时遮挡问题,而且可以缩小模式匹配的搜索范围,提高处理速度.实验结果和对实验相关数据的分析验证了该跟踪算法的有效性和实时性.     

自适应权值的MRF分割与跟踪方法

提出一种基于自适应权值的区域马尔可夫随机场（MRF）分割与跟踪的方法,该方法利用了相邻像素区域的空间相关性,自适应更新系统能量函数中的参数β,可以更准确地分割出运动目标,在此基础上建立分片积分直方图特征模板,并结合Kalman预测与目标运动方向等信息,进一步提高算法准确性,实现目标匹配跟踪。实验结果表明,本文算法在部分遮挡、光线变化等情况下,能准确实现运动目标分割与跟踪。     

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.     

基于特征匹配预估的Mean Shift运动检测与跟踪

针对传统Mean Shift跟踪算法在目标存在背景干扰或遇到遮挡时,目标跟踪不准确的问题,提出了一种基于特征匹配运动检测预估的Mean Shift跟踪方法.采用Harris算法提取跟踪目标特征点进行运动定位检测,通过Kalman滤波器估计每一帧中目标迭代的起始位置,由Mean Shift算法从预估位置开始迭代搜索,最终实现目标跟踪.实验证明:提出的算法能够在遮挡的情况下对目标进行精准的定位检测,有效改善了复杂条件下的跟踪效果,具有较好的鲁棒性.     

基于Camshift和Kalman滤波的自动跟踪算法

针对传统的Camshift算法在跟踪时需要手动定位目标,在颜色干扰、遮挡等复杂背景中容易跟丢目标的问题,提出了一种基于Camshift和Kalman滤波的自动跟踪算法。首先利用帧间差分法和Canny边缘检测法分割出运动目标的完整区域,然后用提取出的目标区域初始化Camshift算法的初始搜索窗口,从而实现了目标的自动跟踪。当背景中存在相似颜色干扰或者目标被严重遮挡时,采用Kalman滤波与Camshift算法相结合的改进算法进行跟踪。实验结果表明,本文改进算法在目标被严重遮挡、颜色干扰等情况下仍能有效、稳健地跟踪。     

一种改进的跟踪算法的研究与实现

运动目标的检测与跟踪是计算机视觉领域的一个重要课题,是视频监控系统能否实现智能化的关键。本文提出一种基于运动模板与利用移动物体边缘方向直方图特征匹配相结合的跟踪算法,又在此基础上利用Kalman预估器缩小匹配的搜索范围,大大提高了跟踪的效率,最后通过OpenCV软件平台实现对算法的仿真,仿真结果表明,该改进的跟踪算法从一定程度上能够克服光照、遮挡等干扰因素的影响,具有很强的鲁棒性。     

一种改进的TLD算法

针对跟踪算法目标遮挡后易出现跟踪漂移的问题,提出了一种跟踪学习检测（TLD）算法与Kalman滤波相结合的手势跟踪方法.在跟踪器跟踪成功后,加入识别窗的方法进行遮挡判定.产生遮挡后目标模型不再更新,学习器不再更新集合分类器.若是部分遮挡,则由TLD学习器处理;若是严重遮挡,则改由Kalman滤波算法预测目标的运动轨迹.该方法在保留TLD算法长期稳定跟踪、适应摄像机快速运动与复杂背景等优点的基础上,改善了目标遮挡后易出现跟踪漂移的问题.实验表明：提出的改进TLD算法比其他常见跟踪方法具有更加优异的性能.     

基于多人遮挡的定位跟踪算法

针对传统视频跟踪算法中存在的问题,提出一种基于多人遮挡问题的定位跟踪算法,该算法采用改进的投影分析方法对运动目标进行定位,并结合Kalman滤波进行匹配跟踪。仿真实验结果表明,该算法能够有效区分、定位、跟踪处于2种不同遮挡状态下的每个人的位置,具有一定应用价值。