基于多新息Kalman滤波的TLD改进算法

针对跟踪检测学习(tracking learning detection,TLD)跟 踪算法中目标被遮挡后跟踪失败以及跟踪精度不高的问题,本文提出基于多新息Klaman滤波的TLD改进算法,在原始TLD跟踪算法的基础上加入了多新息Klaman滤波算法。改进算法对跟踪目标建模,将TLD跟踪算法 的结果作为系统当前状态的观测值,结合多新息Kalman滤波算法的预测值,最优化检测结果 ,作为当前帧中目标的跟踪位置。通过实验对原始TLD和改进后的TLD算法进行比较,通过在标准测试序列的实验验证,加入多新息Kalman滤波的TLD改进算法与原始TLD算法相比,其跟踪误差更小,而且实现了对跟踪目标被遮挡后 的位置预测。     

一种基于卡尔曼滤波的运动物体跟踪算法

针对实时视频监控领域中传统的Camshift算法不能有效解决遮挡和高速运动等问题,提出一种改进的Camshift算法与卡尔曼滤波相结合的运动物体跟踪算法。首先,通过二次搜索来调整搜索窗口的位置和大小,保证Camshift跟踪的可靠性;然后,在Camshift算法的基础上通过卡尔曼滤波对搜索窗口进行运动预测,保证实时跟踪。实验表明该方法具有较好的实时性,并能够有效地解决遮挡等问题。     

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.     

改进的高效Camshift跟踪算法

Camshift是一种应用颜色信息的跟踪算法,它对做加速度的运动物体跟踪效果不够稳定和强壮,从准确预测目标位置及缩小目标搜索范围入手对Camshift算法进行了改进。该算法使用运动目标加速度运动位移方程预测下一时刻目标可能出现的位置,使用预测位置误差方程估计运动目标搜索范围,并使用IIR滤波器对目标运动速度、加速度等参数自适应地修正。实验证明,改进的Camshift有效地克服了Camshift算法自身的缺陷,即使运动目标做加速运动时,也可准确地预测运动目标的位置,缩小目标搜索范围,进而提高目标跟踪速度。     

一种检测区域动态更新的目标跟踪算法

TLD(Tracking-Learning-Detection)是针对视频中未知物体的长时间跟踪算法.当目标跟踪受到光照、遮挡和旋转等因素干扰时,TLD算法无法实现视频目标准确跟踪.针对TLD存在的问题,提出了一种改进的TLD动态更新检测区域的目标跟踪算法.采用压缩跟踪作为跟踪模块,并且增加了对压缩跟踪模块和检测模块运行效果的评估,根据评估结果来调整压缩跟踪模块和检测模块所占的权重,更准确预测目标的位置.在每次检测之前根据前一帧目标的位置和目标的历史运动速度选定一个动态更新的检测区域,缩短了检测模块和学习模块的运行时间.通过实验对原始TLD和改进后的TLD进行了对比测试,结果表明,改进后的TLD算法较原始TLD算法具备更高的跟踪成功率和更快的处理速度.     

一种检测区域动态更新的目标跟踪算法

TLD(Tracking-Learning-Detection)是针对视频中未知物体的长时间跟踪算法.当目标跟踪受到光照、遮挡和旋转等因素干扰时,TLD算法无法实现视频目标准确跟踪.针对TLD存在的问题,提出了一种改进的TLD动态更新检测区域的目标跟踪算法.采用压缩跟踪作为跟踪模块,并且增加了对压缩跟踪模块和检测模块运行效果的评估,根据评估结果来调整压缩跟踪模块和检测模块所占的权重,更准确预测目标的位置.在每次检测之前根据前一帧目标的位置和目标的历史运动速度选定一个动态更新的检测区域,缩短了检测模块和学习模块的运行时间.通过实验对原始TLD和改进后的TLD进行了对比测试,结果表明,改进后的TLD算法较原始TLD算法具备更高的跟踪成功率和更快的处理速度.     

改进的Camshift跟踪算法研究

Camshift是使用颜色直方图作为特征的一种跟踪算法。它利用目标的颜色直方图模型得到每帧图像的颜色投影图,初始化一个搜索窗的大小和位置,并根据上一帧得到的结果自适应调整搜索窗口的位置和大小,定位出当前图像中目标的中心位置。从准确预测目标位置及缩小目标搜索范围入手对Camshift算法进行了改进。实验结果表明,改进的Camshift有效地克服了Cam-shift算法自身的缺陷,即使在图像背景复杂且不规则的情形下,仍然能有效的跟踪到目标。     

变电站外围监视入侵鼠类的目标跟踪研究

针对变电站围墙外鼠类动物的监视问题,提出一种基于监控视频图像处理的多特征融合Camshift目标跟踪算法。采用多特征融合的方式,消除背景干扰,并引入线性外推法预测机制,通过预测目标的空间位置信息,矫正Camshift算法搜索框的中心位置,解决因目标受到遮挡或运动速度过快,导致跟踪框漂移的问题。与传统的Camshift算法进行对比,实验结果表明,该算法能有效消除背景干扰,且鼠类目标被严重遮挡或快速运动时,仍能准确跟踪。     

一种深度图像中人体的实时跟踪算法

针对深度图像中的人体目标跟踪问题,提出一种基于深度图像的改进Camshift算法。利用人体目标的深度信息计算概率分布,结合人体形态学特征,对深度的概率分布赋予不同的权重,通过Camshift算法进行迭代,从而寻找目标,使用卡尔曼滤波器在三维空间中对运动人体目标的位置实现预测和更新。采集1200帧图像进行测试,结果表明,该算法能实时准确地跟踪深度图像中的运动人体目标,有效克服遮挡等干扰,单人和双人跟踪准确率均在95%以上,高于传统Camshift算法。     

基于KCF相似度的TLD目标跟踪算法

研究持续单目标跟踪算法时,TLD的架构是一种值得借鉴的方式,但由于其本身的一些缺陷,当跟踪的目标在出现遮挡、快速移动以及光照变化等复杂情况下,TLD跟踪算法容易发生目标跟丢的情况,并造成误差的逐渐累积。鉴于TLD跟踪算法以中值流跟踪算法作为跟踪器存在局限性,本文提出一种基于KCF相似度的TLD目标跟踪算法(TLD-KCFS)。采用KCF算法对TLD跟踪进行实时监督,通过跟踪结果计算出相似度,利用相似度进行检测模块切换的判断,并结合两种结果调整目标跟踪框。通过对多类型的视频序列进行测试后可知,TLD-KCFS算法在遇到模糊和快速移动、目标遮挡、光照变化等复杂情况时,可以稳定且良好地输出跟踪结果,鲁棒性较好,适用于长时间目标跟踪。