视频序列图像中的人脸检测与跟踪

目标检测与跟踪是计算机视觉领域最普遍和关键的问题之一。基于级联结构的AdaBoost算法和基于色彩的Camshift算法,目前被认为是较有效的检测和跟踪算法,结合AdaBoost、Camshift算法和Kalman滤波器实现,对视频序列图像中多角度人脸的实时检测与跟踪,并针对AdaBoost训练耗时问题提出了改进。     

面向物流仓库的多目标视频跟踪

为了解决物流仓库复杂环境下多目标跟踪的问题,本文提出一种融合了背景建模的Camshift算法,并在算法跟踪过程中加入目标运动信息。首先根据跟踪目标获得目标颜色概率密度图像;然后根据背景建模获得的背景图像对概率密度图像进行滤波处理;在Camshift每次迭代过程中,引入运动信息,通过加权融合获得最优位置;在多目标跟踪过程中,将当前帧中已跟踪完成的目标在概率密度图像中滤除,减少对其它目标的干扰。通过实验表明,在物流仓库运送轨道上的物品跟踪的实际应用中,本文算法对复杂背景干扰和相似目标的相互干扰,有很好的处理能力。     

基于帧间差分和运动估计的Camshift目标跟踪算法

针对Camshift算法无法适应目标的高速运动、复杂背景和遮挡的局限性,本文提出结合帧间差分法和运动估计对Camshift算法进行改进.首先在颜色概率分布图计算中通过帧间差分法加入目标运动信息,实现自动初始化跟踪并排除与目标相似背景颜色的干扰.之后在搜索窗传递过程中预测目标的位置,根据跟踪状态对搜索窗进行调整,以实现对高速运动目标的跟踪.实验表明新算法在目标高速运动、遮挡、和同色干扰情况下,仍能进行有效跟踪.     

基于状态分割的运动目标实时跟踪

针对基于云台的移动式摄像头视频监控系统,为准确、实时地对运动目标实施检测、跟踪,提出了一种基于状态分割思想的运动目标实时跟踪方法。该方法将运动目标检测跟踪过程按摄像头的运动状态分为静止、运动2个阶段。在摄像头静止阶段,采用基于混合高斯模型的背景差法检测运动目标,提取目标的颜色特征信息;在摄像头运动阶段,采用Camshift算法对运动目标进行跟踪。开发了基于 OpenCV 开源库的算法程序。实验结果表明,在目标颜色特征显著的情况下,该方法实现了移动式摄像头对运动目标的精确跟踪,并具有较好的鲁棒性和实时性。      

基于主动轮廓模型联合Camshift算法的目标跟踪方法

针对城市道路交通环境中传统Camshift算法跟踪窗不能描述运动目标轮廓以及易受近似颜色干扰跟踪丢失的问题,提出基于Snake主动轮廓模型联合Chamshift区域模型的目标跟踪方法,算法将原Camshift算法中使用的HSV颜色特征和LTP纹理特征融合,增加了抗干扰能力,同时利用多尺度小波改进的Snake主动轮廓模型进一步对物体轮廓检测,去除阴影区域,更为直观的描述了物体的轮廓。实验证明,新方法在城市道路交通监控中有良好的应用前景。     

基于缺损目标的CamShift序列图像跟踪方法

在标准CamShift算法对缺损目标进行跟踪的过程中,由于算法不能根据目标的变化实时调整跟踪窗口形状,造成跟踪窗口内包含缺损区域的背景图像信息,降低了目标的匹配能力,导致CamShift算法不能适用于缺损目标的跟踪。针对此问题,文中提出一种新的缺损目标CamShift序列测量图像跟踪方法,将目标模型和候选模型之间的相似...     

基于Camshift与Particle Filter的运动目标跟踪系统的设计及实现

采用Camshift算法对图像序列中的运动目标进行跟踪,同时根据系统环境及运动目标跟踪的非线性非高斯的特点,引入Particle Filter对跟踪算法进行改进,在保证系统的实时性的前提下提高其鲁棒性。最后在室内环境下验证该跟踪算法的实时性及可靠性,为自动跟踪的智能监控系统提供了一种候选方案。     

交比不变的Camshift跟踪方法

为了提高Camshift跟踪方法在复杂环境下的跟踪性能,应用被跟踪目标内部各特征像素间的交比不变原理,提出了一种改进的Camshift跟踪方法。该方法通过分析被跟踪的目标模型,计算出其内部各特征像素间的坐标关系;将内部数据间的交比不变量作为所提出的跟踪方法的约束条件,对跟踪错误的像素点进行校正,并将跟踪过程中连续两帧图像的内部特征像素间的距离比作为跟踪效果的评判标准。用改进的Camshift跟踪方法分别对标准测试视频内的视频信息和实际拍摄的视频信息进行了测试。结果显示,该方法在两种复杂环境实验条件下,跟踪目标的距离偏差都能保持在15pixel以内,对单帧图像平均处理时间在20ms以内。试验结果表明,该方法对复杂环境下的目标具有良好的跟踪效果,跟踪性能稳定,跟踪效率高,可以满足跟踪系统实时性的要求。     

基于改进 Mean－shift算法的铲斗目标跟踪

针对挖掘机器人铲斗目标实时跟踪问题,提出了Kalman＋Mean－shift算法的铲斗目标跟踪算法。与Mean－shift算法以及Camshift 算法相比,该算法通过Kalman滤波器对目标位置的预测,解决了跟踪过程中出现干扰时无法跟踪目标的问题。运用OpenCV进行跟踪程序设计,对挖掘机模型的铲斗目标进行跟踪实验,对算法的可行性进行验证。实验结果显示,结合Kalman滤波器的Mean－shift算法能够准确地实施对铲斗目标的跟踪。     

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。