基于自适应阈值Kirsch-LBP纹理特征的均值漂移目标跟踪算法

针对以颜色特征建立概率模型的Mean Shift目标跟踪算法在光线变化时存在的缺陷,提出了一种融合 改进型纹理特征与HSV颜色特征的Mean Shift目标跟踪算法。首先,设计一种具有抗光性能的自适应阈值Kirsch-LBP纹理特征算子,该算子利用Kirsch算子的8个方向模板所求的差值,并采用LBP模板均值作为自适应阈值,再按照旋转不变LBP原理提取局部纹理特征;其次,利用不同特征相似性系数间的关系作为加权准则来构建新的权重;最后,将其嵌入到Mean Shift算法中以实现目标跟踪。对比实验结果表明,本算法在光线变化场景中也具有良好的目标跟踪特性,广泛适用于光照变化和姿态变化等复杂场景下的目标跟踪领域。     

基于Haar型LBP纹理特征的人体姿态估计

基于人体部件的树形模型表达直观且计算高效,被广泛应用在人体姿态估计中。然而模型本身在部件特征表达上的不足限制了姿态估计结果的准确度,为此,提出一种基于图结构模型和新型纹理特征的人体姿态估计算法。采用改进后的外观模型,从训练集中获得部件位置的先验知识,联系相邻部件之间的关系,并将其应用于测试图像的外观模型建模阶段。应用Haar型局部二值模式( HLBP )纹理特征,提取部件的纹理信息,对图像进行分块处理,并为每一块赋予不同的权重。实验结果表明,带权重的HLBP特征能更有效地提取部件的纹理特征,与HLBP特征、归一化HLBP特征和颜色特征相比能获得更高的准确度。     

多颜色直方图自适应组合Mean Shift跟踪

经典Mean Shift跟踪算法使用单一颜色直方图跟踪目标,导致其对目标外观的变化鲁棒性较差。为了解决该问题,提出一种多颜色直方图自适应组合Mean Shift跟踪算法。该算法利用多个视图的颜色核函数直方图的加权组合作为目标模型进行Mean Shift跟踪;为了适应目标外观的变化,利用目标区域对每一颜色直方图的概率图均值和方差的比值评价每一颜色直方图的可靠性,并自适应地计算其组合权值。实验结果表明,与现有Mean Shift跟踪算法相比,提出的跟踪算法对目标的外观变化具有更强的鲁棒性。     

自适应HLBP纹理特征的Meanshift目标跟踪算法

结合Haar型特性局部二元模式(HLBP)的图像纹理特征提取方法,提出一种新的目标跟踪算法,并将其运用到Meanshift框架中。将Visual Studio 2010和opencv2.4.9作为实验平台,将所提算法的实验结果与传统Meanshift跟踪算法、基于局部二元模式(LBP)纹理特征的Meanshift跟踪算法进行对比分析。实验结果表明,所提算法在背景复杂或背景简单的情况下都表现出了稳健而准确的跟踪特性,且在部分遮挡的情况下仍可以正确地跟踪目标。     

一种基于空间直方图的多特征目标跟踪算法

为提高跟踪算法对光照或背景的大幅度变化和车辆大范围运动的鲁棒性,提出了一种基于空间直方图的多特征目标跟踪算法。算法以自适应权值多特征乘性融合框架为基础,分别建立目标的颜色、边缘和纹理空间直方图,使用Mean Shift迭代,利用各特征空间概率分布图中目标与背景的BH系数,调整特征权值。该算法使跟踪不再过分依赖某一单一特征,实现了复杂背景下目标的准确跟踪。     

基于背景加权的联合颜色纹理直方图跟踪算法

针对在背景与目标颜色相近以及复杂场景中跟踪不准确的问题,提出一种改进的背景加权Mean Shift(均值漂移)跟踪算法,在目标颜色直方图中加入纹理特征,并将局部背景信息引入目标特征直方图中,以排除复杂背景的影响。实验证明,本文提出的算法在应对复杂背景及遮挡时比经典的Mean Shift算法以及背景加权Mean Shift算法更有效,且拥有不错的运行效率。     

基于最优特征选择的车辆跟踪方法

针对智能交通系统的车辆跟踪问题,提出基于最优特征选择的车辆跟踪方法.综合颜色、纹理和形状特征确定特征集合,采用线性鉴别分析方法从特征集合中选取最优特征,使用Mean Shift算法在最优特征下预测目标位置,根据目标匹配结果确定车辆的运行轨迹,利用特征平滑方法更新特征模型.实验结果表明,该方法适用于不同的公路监控场景,能够准确、有效地跟踪运动目标.     

基于颜色-纹理特征的目标跟踪

针对传统的基于颜色特征目标跟踪算法在一些复杂场景中存在的跟踪不稳定性,提出一种基于颜色 纹理特征的目标跟踪算法;在传统的基于颜色Mean shift的目标跟踪算法中加入纹理特征,在提取目标颜色特征的同时提取目标的纹理特征,并且采取串接原则,在搜索目标新位置时仍然沿用传统的基于颜色的均值漂移跟踪算法,但在每一次迭代过程搜寻目标最佳的位置点即特征相似最大的区域时,利用纹理特征来实现,并且采用八邻域搜索法（候选区域周围扩大八个大小相等的区域）来解决部分遮挡的问题。通过对比实验表明,该算法在复杂场景中表现出的实时性和鲁棒性较好。关键词：     

基于颜色和方向梯度特征融合的粒子滤波跟踪算法

提出基于均值偏移的粒子滤波算法。该算法融合了颜色特征和方向梯度特征对人体行为实施跟踪。HSV颜色模型采用带宽自适应的改进策略,有效地实现了对尺度变化目标的跟踪;方向梯度特征的融合,提高了算法在复杂环境中应对光线变化和相似目标遮挡等情况的适应性。针对粒子退化问题,在特征融合的粒子滤波基础上引入具有聚类作用的Mean Shift算法,从而可以用较少数量的粒子达到较好的跟踪效果。仿真实验表明,该算法具有较好的准确性、鲁棒性与实时性。     

基于均值漂移—连通域标记的多目标跟踪算法*

提出一种基于Mean Shift改进算法与连通域标记的多目标跟踪算法。在多目标跟踪过程中,对目标瞬间丢失、目标遮挡或重叠时目标跟踪失败等情况有较好的改进。在跟踪过程中,当目标丢失时,基于改进的Mean Shift算法能自适应调整搜索窗口尺寸和方向。通过自适应扩展搜索窗口,利用连通域标记算法搜索目标并计算其矩特征来获得跟踪目标的重心和大小信息,并将获得的位置和尺度信息作为下一帧Mean Shift算法跟踪初始坐标和尺度,统计目标区域颜色直方图作为Mean Shift算法目标模型,从而解决了因目标速度过快而引起的目标瞬间丢失问题。最后研究结果显示,这种改进的目标跟踪算法可以有效改善多目标跟踪的性能,实现目标连续跟踪。     

一种基于纹理模型的Mean Shift目标跟踪算法

在Mean Shift跟踪算法中,目标表示方法对跟踪性能有着重要影响.本文以局部二值模式(LBP)纹理模型作为研究对象,分析LBPi,1ri的9种纹理模式所表示的图像特征,提出用LBP8,1ri纹理模型中表示边界和角的5种基本模式表示目标的算法,称为FLBP8,1,并将FLBP8,1模式成功嵌入Mean Shift算法进行目标跟踪.FLBP8,1有效结合目标的边界及其纹理特征,能够自动提取目标的关键模式点,利用少量的关键点准确表示目标,因此计算复杂度较低.实验结果表明,在复杂的条件下,本文方法比基于颜色的表示法在目标表示的准确性和跟踪性能上均有明显提高.     

粒化的Mean Shift行人跟踪算法

Mean Shift行人跟踪采用颜色特征直方图作为跟踪特征,存在易受背景颜色干扰等问题。基于此,在传统的Mean Shift行人跟踪算法中引入粒计算的思想,提出粒化的Mean Shift行人跟踪算法,对图像目标区域作粒层分块来提取块颜色特征信息,并在颜色特征表示上作不同粒度的粒化,最后在Mean Shift迭代框架下实现行人跟踪。该方法相比传统的跟踪方法具有计算复杂度更低、稳健性更好的优点。在PETS2009和CAVIAR数据库上的实验表明,这种方法跟踪正确率更高,在颜色干扰下稳健性更好,能够实时有效地跟踪行人。     

基于Mean Shift算法视频跟踪研究

为改善Mean Shift算法的跟踪性能,分析了Mean Shift算法跟踪局限性,对Mean Shift算法流程进行了改进.Harris特征角点具有对光照、旋转、部分仿射变化以及噪声干扰具有很好的鲁棒性的特性可解决Mean Shift算法在背景过于复杂时的跟踪失败问题.Surf算法则具有对旋转、尺度缩放、亮度变化保持不变性,检测和匹配速度快等优点,能辅助Mean Shift算法在帧速过快情况下解决跟踪失败问题.提出了融合Harris角点和Surf算法的改进型Mean Shift算法.实验表明改进后的算法改善了Mean Shift算法在背景复杂以及帧速过快情况下的跟踪性能.     

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.     

光照和尺度自适应的Mean Shift人脸跟踪算法

针对原始Mean Shift算法易受光照强度影响及跟踪窗口不随目标尺度自适应变化的问题,提出了一种光照和尺度自适应的Mean Shift人脸跟踪算法。该算法将颜色特征与光照不变性特征局部二值模式结合起来共同表征人脸,增强了复杂背景下目标的跟踪性能,利用矩特征和巴氏系数估计目标的真实尺度,提高了人脸发生较大形变时的适应能力。实验结果表明,提出的算法比传统的基于颜色直方图的Mean Shift算法具有更准确的跟踪结果。     

基于信噪比最大化的目标自适应跟踪

针对采用静态目标表达模型容易导致跟踪失败的缺点,本文提出一种基于自适应特征生成模型的目标跟踪方法。在该方法中,将目标看作为有效跟踪信号,而背景则为随机噪声,在对目标的似然图像进行构建后,采用局部信噪比对当前目标所处特征空间的可跟踪性进行量化比较,选用信噪比最大的表达模型作为当前的特征跟踪模型。基于Mean Shift的目标跟踪实验表明,与采用静态目标表达模型相比,文中的算法具有更好的鲁棒性和可行性。     

混合目标模型的Mean Shift跟踪算法

但固定目标模型的Mean Shift算法采用直方图进行匹配,而直方图是一种比较弱的目标特征,当背景和目标的颜色分布较相似时其跟踪效果欠佳。针对这一缺点,提出了一种采用混合目标模型的Mean Shift算法。该算法在匹配过程中使用的目标模型包含了初始帧和前一帧的信息,克服了固定目标模型难以对与背景相似目标以及旋转目标进行准确描述的缺点,获得了较好的跟踪效果。     

一种WSN下的Mean Shift跟踪算法*

为有效地利用无线传感器网络跟踪移动目标,提出了一种基于高斯混合模型的Mean Shift跟踪算法。该算法运用高斯混合模型描述网络区域内目标信号分布的统计特征,利用Mean Shift区分目标信号与环境噪声,并对目标进行定位与跟踪。仿真实验结果表明,该算法在网络存在较大噪声,特别是网络存在大量异常传感器节点读数的情况下,定位精度高、受异常传感器节点读数影响较小。较之以往无线传感器网络目标跟踪算法,该算法具有更好的鲁棒性。     

基于级联Adaboost的目标检测融合算法

单一特征的模型对于颜色纹理变化较大的目标的检测往往存在检测率不高或检测速度慢的缺点. 本文提出了一种基于级联Adaboost的``级联--加和'融合算法. 融合模型由两个独立训练得到的级联Adaboost分类器组成, 分别利用边界片段特征和矩形类Haar小波特征描述整个目标以及目标的一个稳定部件. 级联--加和的融合决策以样本在两个分类器中被拒绝或通过的级数信息为依据. 在多个数据库上的实验证明这种融合检测算法不仅综合了Haar小波特征检测速度快和边界片段特征鲁棒性好的优点, 而且与单一特征的分类器相比, 检测性能也有所提高.     

基于空间关联特征分布的目标跟踪

通过利用特征全局分布信息,提出一种以网格为数据单元的Mean Shift的目标跟踪算法(grid mean shift,GRIMSHIFT).针对传统Mean Shift目标跟踪算法的不足,GRIMSHIFT算法在m*n个像素的网格小区域内提取如颜色、角点量等局部区域特征值.在此基础上结合整幅图像进行约束Delaunay三角剖分得到图像像素间全局空间关联信息.在网格级上把局部特征信息和全局分布信息加权混合,使特征分布数据集具有了更高的目标辨识度;在视频序列中对动态网格特征分布连续运用Mean Shift便实现了对目标的跟踪.实验结果表明GRIMSHIFT拥有良好的实时性和准确性.