一种基于算法融合的运动目标跟踪算法

视频目标跟踪的重点和难点在于如何快速、准确的匹配目标.针对复杂背景下,单一模式的跟踪算法不能准确跟踪目标的问题,提出了一种基于算法融合的运动目标跟踪方法.该算法综合运用去均值相关跟踪算法（normalized cross correlation,NCC）和均值漂移算法（MeanShift）2种基本模式对输入输入视频进行处理,结果送入Kalman滤波器进行滤波与预测,最后根据最小总均方误差准则进行自适应融合.试验证明,该算法能够较好地实现复杂场景条件下的目标跟踪,提高了跟踪的鲁棒性.     

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。     

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。     

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。     

基于MeanShift算法的运动人体跟踪

用于运动目标跟踪的MeanShift算法主要是通过单一直方图描述目标颜色特征来实现的,它明显缺少有关空间分布方面的信息。针对该缺陷,Maggio E等人提出了使用目标区域分块的改进方法,但在复杂环境下判别效果和稳定性不够好。为此,本文提出了新的改进方法。一方面通过减少人体区域分块数目来减少处理时间,但又不失相关空间信息
;另一方面通过对每个分块进行一定系数的加权来提高判别效果。实验比较证明,该算法提高了复杂环境下运动人体判别的准确性,具有很好的稳定性。     

基于模糊隶属关系的Mean Shift图像跟踪改进算法

鉴于Mean Shift算法中核心步骤计算所得的新目标模板中心位置几乎都非整数的问题,该文提出了模糊隶属度的概念,并在此基础上,改进了Mean Shift算法在图像跟踪中的实现步骤。实验表明,该算法计算量小,且能很好的减少原算法中不必要的误差。     

基于Camshift和SIFT线性融合的目标跟踪算法研究

Camshift算法是对MeanShift算法的改进,它可以解决目标尺度缩放、持续跟踪等问题。但是当目标颜色与背景颜色接近或者目标遇到旋转问题时,Camshift算法容易失效。而SIFT算子对旋转、亮度变化保持不变性,对颜色相近也保持一定的稳定性,所以本文提出一种Camshift与SIFT算子线性融合的目标跟踪算法。首先利用Camshift算法来对目标进行初步的跟踪,得到跟踪区域,再利用SIFT特征向量来匹配目标区域与跟踪区域,得到SIFT的匹配和校正结果,再将两种算法的结果进行线性融合,得到最终的跟踪结果。实验结果表明,本文提出的方法可以有效地解决跟踪过程中出现的旋转、颜色相近等问题。     

基于MeanShift算法和改进PID算法的图像追踪研究

针对MeanShift算法可以实现图像聚类的这一特性,并结合改进的PID算法,对某二维追踪实验台实现了有效的跟踪控制.由MeanShift算法得到的坐标偏差经过自适应积分分离的PID控制器校正后,作为实验台电机的输入速度信号从而实现有效追踪.实验证明该系统可以实现左右和俯仰两个方向及其复合方向的追踪,具有较高的跟踪实时性.     

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.     

联合多特征的自动CamShift跟踪算法

针对CamShift跟踪算法仅采用颜色作特征,易发生跟踪错误等问题,提出了一种基于特征融合的算法。采用改进的背景差分法自动检测目标,目标模型联合了颜色和梯度方向特征,并对特征的可信度进行加权处理,有效解决了CamShift算法在有颜色相近的干扰目标存在情况下跟踪可能失效的问题。实验表明,该算法提高了跟踪的准确性和稳健性。