基于SIFT特征度量的Mean Shift目标跟踪算法

传统的Mean Shift算法,在诸如跟踪目标出现尺度变化、旋转、噪声干扰等复杂情况下,无法得到准确的跟踪结果。提出了一种基于尺度不变特征变换SIFT(Scale Invariant Feature Transform)特征度量的Mean Shift目标跟踪算法,首先根据SIFT算子计算跟踪目标附近的关键点位置和尺度,并获取该尺度空间下关键点邻域的特征向量,然后用跟踪目标区域内的特征向量的模值-方向分布直方图表示该目标,最后使用Mean Shift算法进行跟踪。实验结果表明,该算法在跟踪目标出现尺度变化、旋转、噪声干扰和遮挡等情况下能够准确地跟踪物体,鲁棒性好。     

基于FPGA的Mean Shift跟踪算法实现

实际应用中对目标跟踪的实时性要求越来越高。针对这个问题,设计并实现一种基于FPGA的Mean Shift跟踪系统。针对FPGA硬件平台的浮点运算复杂度高的特点,对核函数和权重计算进行优化,使用定点运算替代浮点运算。在处理同样分辨率的视频/图像数据时,与通用CPU E7400相比,该系统可使得性能有很大的提升。采用此方法大大提高了Mean Shift跟踪算法的计算速度,满足实时性的要求。     

基于背景优化的Mean Shift目标跟踪算法

针对传统的Mean Shift算法在目标快速运动且背景区域变化较大时,容易丢失跟踪目标的问题,提出了一种基于背景优化的Mean Shift目标跟踪算法。该算法引入混合直方图并对直方图重新量化,再通过减少背景像素在概率密度函数(PDF)中的权重来对背景进行优化,从而降低背景区域对跟踪的影响。实验结果表明,当目标快速运动,且背景区域变化较大时,该算法仍然能够实现对运动目标的准确跟踪。     

基于灰度触发的Mean Shift自动跟踪算法

为实现道路交通的车辆自动跟踪,提出一种基于灰度触发的Mean Shift自动跟踪算法。利用改进的高斯混合模型进行前景检测,有效抑制光照突变对于目标检测的影响,保证触发区域的灰度干扰降低到最少。设计基于虚拟区域灰度变化的触发方式,通过捕获虚拟触发区域内的灰度局部峰值,扩展目标搜寻区域进行运动车辆的锁定,进而实现核函数宽度自适应调整的Mean Shift跟踪。实验结果表明,该方法能准确实现自动触发跟踪,触发精度较高,具有较好的实用价值。     

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.     

一种基于Mean Shift的快速跟踪算法

针对Mean Shift算法难以跟踪快速运动目标、算法迭代次数多以及耗费时间长的问题,提出了一种基于Mean Shift的快速运动目标检测方法,该方法结合帧差法并融合背景信息来快速检测运动目标;同时提出一种新的相似性度量方法进行初步检测,排除干扰并快速选出符合标准的目标以进行Mean Shift匹配,找出最佳目标。该方法不仅减少了传统方法的迭代次数,缩短了算法所需时间,而且在跟踪实验中取得了较好的跟踪效果,提升了算法的鲁棒性。     

基于Mean Shift的相似性变换和仿射变换目标跟踪算法

传统的Mean Shift (MS) 算法只能对发生平移和尺度变化的目标进行跟踪,而对于具有相似性变换或者更复杂的仿射变换的目标跟踪效果很不理想或无法跟踪。为了解决这一问题,提出了两种基于MS的改进算法。第一种算法针对仿射变换,根据奇异值分解理论,仿射变换矩阵可以分解成两个旋转矩阵和一个对角矩阵的乘积,在此基础上建模了一种新的候选目标模型。通过Bhattacharyya系数将目标跟踪问题转化成以仿射变换参数为变量的最优化问题,推导相关参量的一阶偏导数并令其为零从而得出相对于仿射变换的MS算法。另外,针对进行相似性变换的目标也提出了一种新的候选目标模型,并用类似的梯度下降算法估计目标的平移向量和旋转角度。实验结果表明,提出的算法能够跟踪具有相似性变换或仿射变换的目标,比传统的MS算法具有更好的跟踪性能。     

基于Mean Shift视频运动目标跟踪

视频监控是安全防范系统的重要组成部分,而视频运动目标检测和跟踪技术则是智能视频监控的关键技术。Mean Shift算法是一种在一组数据的密度分布中寻找局部极值的稳定的方法,并因其它计算量小,简单易实现而广泛应用于实时跟踪场合。在离散的数据集上,Mean Shift能很快的找到数据分布最密集的点,本文介绍了使用OpenCV实现Mean Shift的方法,分析其在跟踪方向的优势与不足。     

基于Mean Shift视频运动目标跟踪

视频监控是安全防范系统的重要组成部分,而视频运动目标检测和跟踪技术则是智能视频监控的关键技术。Mean Shift算法是一种在一组数据的密度分布中寻找局部极值的稳定的方法,并因其它计算量小,简单易实现而广泛应用于实时跟踪场合。在离散的数据集上,Mean Shift能很快的找到数据分布最密集的点,本文介绍了使用OpenCV实现Mean Shift的方法,分析其在跟踪方向的优势与不足。     

基于Mean Shift算法和粒子滤波器的人眼跟踪

基于视觉的驾驶疲劳检测是人脸表情识别技术最有商业前途的应用之一,实时人眼跟踪是其中的关键部分。为了解决跟踪方法对眼睛的部分遮挡、人脸尺度变化等过于敏感的问题,提出了一种综合MeanShift算法和粒子滤波器的跟踪算法。利用粒子滤波器得到样本的观测值后,将MeanShift分析用于每一个粒子,使得粒子集中在测量模型的局部区域内,很好地克服了粒子滤波器的退化现象并有效缩短了计算时间。实验结果表明该算法实时性强,且具有良好的鲁棒性。     

Mean-Shift跟踪算法中核函数窗宽的自动选取

传统核窗宽固定的Mean-Shift跟踪算法不能很好地对逐渐增大尺寸的目标进行有效的跟踪.在分析同一目标在不同尺度下核直方图基于Bhattacharyya系数相似性的基础上,发现并证明了在核窗宽固定的条件下,目标在其窗宽范围内进行缩放、平移运动并不影响Mean-Shift跟踪算法空间定位的准确性.在此基础上,提出了一种基于后向跟踪、形心配准的核窗宽自动选取算法.对尺度渐大的车辆进行的跟踪实验验证了该算法的有效性.     

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.     

基于预测的多特征融合Mean-Shift跟踪算法

视频监控在生活中的应用已经相当广泛,其中视频目标精确跟踪是 计算机视觉中 应用较广、难度较大的一部分。在实际视频场景中目标存在复杂的变化,如外形变化、部分遮挡、光照变化等,这对Mean-Shift跟踪算法产生了较大的影响。为了解决上述变化导致的跟踪不准确的问题,融合颜色和Gabor-LBP纹理特征进行Mean-Shift跟踪,并利用二次多项式预测运动目标的位置,以提高跟踪的准确度。     

基于信息熵的Mean-shift目标跟踪

视频目标跟踪在交通、军事等领域具有重要的应用价值。基于信息熵理论,提出了一种视频特征相关匹配的视频目标跟踪算法。首先引入信息熵概念,以信息熵描述视频目标特性,结合Mean—shift算法,针对不同的两个颜色空间RBG与HSV,用特征相关匹配法设计跟踪算法。试验结果表明,所提跟踪算法跟踪具有较好的实时性,取得较好的跟踪效果。     

团块与Mean-Shift结合的局部遮挡目标跟踪

传统的基于Mean-Shift的目标跟踪方法利用目标的全局特征进行跟踪,在局部遮挡情况下跟踪效果不佳。提出一种基于团块建模和Mean-Shift相结合的利用目标局部特征的运动目标跟踪方法,对目标进行团块建模,利用Mean-shift算法对各团块进行跟踪,在此基础上确定目标新位置。该方法能够在目标发生局部遮挡时,自动选取未被遮挡的团块的跟踪结果来确定目标的位置。为了提高方法对背景干扰的鲁棒性,采用背景加权的Mean-Shift算法。实验结果表明：该方法在局部遮挡的情况下可较好地进行目标跟踪,跟踪效果优于报导的基于Mean-Shift的方法。     

Mean-Shift目标跟踪算法的带宽选取策略

分析不同带宽策略对Mean-Shift目标跟踪算法的影响,提出一种新的带宽策略。构造一个与目标窗口内接椭圆相似的椭圆,利用其长轴和短轴确定带宽,将此带宽策略纳入Mean-Shift算法中进行目标跟踪。实验结果表明,该策略具有良好的跟踪效果,能够有效降低时间复杂度。     

基于特征在线选择的目标压缩跟踪算法

基于压缩感知理论的压缩跟踪算法能够有效地实现对目标的跟踪, 具有良好的实时性, 但该算法对目标特征没有进行在线选择导致跟踪鲁棒性不高. 本文提出一种基于特征在线选择的目标压缩跟踪算法. 首先, 在目标附近采样得到正负样本集合, 计算样本的多尺度矩形特征, 采用压缩感知中的随机投影矩阵对高维特征投影得到低维压缩域特征, 对压缩域特征进行在线选择提取最优特征, 剔除被污染的样本特征, 使用简单高效的朴素贝叶斯分类模型进行样本判断, 实现对目标的跟踪, 同时对跟踪中目标在摄像头中的尺度变化进行建模, 给出目标尺度变化的定量描述, 实现了适应目标尺度变化的多尺度跟踪. 实验结果表明本文算法具有更好的鲁棒性与更高的跟踪精度, 对目标跟踪中的遮挡、光线突变、尺度变化和非刚性形变等因素具有较好的抗干扰能力, 同时算法复杂度低, 可以满足实时性要求.     

跟踪窗口尺度自动更新的Mean—Shift跟踪算法

Mean—Shift算法作为一种高效的模式匹配算法,已经广泛地应用在实时性要求较高的目标跟踪系统中,但标准的Mean—shift跟踪算法缺乏窗口尺度自动更新机制无法满足图像中运动目标尺寸变化的需要。在分析图像的轮廓检测的基础上提出了一种窗口自动更新方法,实验证明本算法能够有效地跟踪尺寸变化的目标并且提高了跟踪精度,增强了跟踪稳定性。     

基于UKF的窗口自适应Mean-Shift算法

传统的Mean-Shift跟踪算法窗口固定,不能对尺度任意变化的目标进行有效跟踪.为此,提出一种多尺度理论与无味卡尔曼滤波器(UKF)相结合的视频跟踪改进算法.利用多尺度理论统计跟踪窗内的信息量,使用UKF对得到的信息量进行预测,通过修正后的信息量计算窗口变化比例系数,对尺度任意变化的目标进行跟踪.实验结果证明,该算法...     

基于角特征和Mean-shift的车辆跟踪方法

提出一种基于角特征点和Mean-shift的车辆跟踪方法,对不断改变尺寸的车辆目标进行有效跟踪,利用角特征点把模板目标构造成若干个同尺寸的子窗口,每个子窗口单独地按Mean-shift算法进行跟踪,并寻找其相应的中心位置,通过关联过程确定车辆目标在整个视场中的运行轨迹。实验结果表明,该方法简单、可靠,可以稳定地跟踪车辆目标。