基于Camshift的改进人脸跟踪算法

文中利用目标加速度运动位移方程,预测下一时刻目标可能移动的位置,使用预测位置误差方程,估测运动目标搜索范围,并且通过启动多个Camshift跟踪器的方法,改进Camshift算法。仿真实验表明,该方法有效地克服了Camshift算法自身的缺陷,即使是加速运动的目标,也可准确地预测运动目标的位置,并且有效提高了对遮挡目标跟踪和多个人脸目标跟踪的鲁棒性。     

基于Camshift算法的运动目标实时跟踪系统

设计了一个基于Camshift算法的摄像机对目标的实时跟踪系统。应用该算法检测到每帧图像中目标的尺寸和中心位置,得到的数据通过串口控制云台的转动,使目标物体始终在摄像头的视场范围内,以实现摄像机对目标的同步跟踪。系统运行结果表明,当运动目标的距离和速度在一定的范围内时,能够实现实时跟踪。     

基于改进的Camshift算法的目标跟踪研究

研究了几种常用的目标跟踪算法,为了提高目标跟踪的准确率和鲁棒性,提出一种改进的Camshift目标跟踪算法。。将色彩空间由RGB空间转化为HSV空间,利用反向投影法把目标概率分布映射到目标图像上,构建跟踪窗口,采用改进的Camshift算法在视频中跟踪运动目标。实验表明,改进的Camshift算法跟踪目标准确率高、鲁棒性好。     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

基于Kalman滤波与Camshift算法的水面目标跟踪

根据水面监控图像的特点,对运动载体采集到的水面视频图像进行处理,从而实现对运动目标的跟踪。首先,利用Haar分类器检测出水面的运动目标,并用检测结果初始化Camshift跟踪器的搜索窗口;然后,运用Kalman滤波器与Camshift组合算法实现对运动目标的跟踪。其中,利用Kalman滤波算法预测目标在下一帧中出现的位置,Camshift算法用来跟踪目标,以此减小搜索范围,提高跟踪效率。实验结果表明,该算法能够实现对水面运动舰船的检测并进行有效跟踪。     

一种改进的Camshift目标跟踪方法

为了解决单特征在目标跟踪中无法准确描述目标的问题,提出了一种多特征融合的实时目标跟踪方法。该方法将角点特征、轮廓特征融入传统的Camshift算法中,结合原有的颜色特征对目标进行描述。解决了传统算法易受同色物体干扰,抗遮挡性能差等问题。实验结果表明,该方法能够实现对目标的实时跟踪,当目标遮挡的时间较短时能够很好地识别目标,具有较高的鲁棒性。     

基于卡尔曼滤波运动估计的Camshift人脸跟踪方法

针对目标姿态变化和遮挡下的目标实时跟踪问题,提出了一种基于卡尔曼滤波运动估计的Camshift的人脸跟踪方法.将图像的RGB空间转换成HSV空间,建立H分量直方图,找出H分量像素点并建立颜色概率表,从而实现图像的反向投影;同时引入卡尔曼滤波算法解决目标跟踪过程中的非线性变化和目标遮挡问题.实验结果显示,该算法能有效解决...     

基于Contourlet直方图的目标跟踪算法

提出一种基于Contourlet直方图的目标跟踪算法。对图像先进行Contourlet变换,并利用变换后的Contourlet系数建立Contourlet直方图,将其作为meanshift算法的迭代参数来实现目标跟踪。实验结果表明,本算法具有较好的鲁棒性,能够在遮挡、小目标等情况下实现快速准确的跟踪。     

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Haar检测和改进的Camshifl的人脸跟踪

针对人脸目标的遮挡大角度倾斜和旋转状态下的目标跟踪丢失问题,提出了一种时间回溯的人脸跟踪方法。以Haar特征检测和改进Camshift算法为基础,在Haar分类器中引入时间变量,实现回溯;在概率密度图像中引入变加权直方图模型,加大了人脸区域的权重,并辅以光照补偿、椭圆模板匹配等方法。实验表明,本文算法能够有效克服遮挡问...     

一种新的基于分块直方图的mean shift跟踪算法

在经典的Mean-Shift算法中使用颜色直方图来描述目标,而这种颜色直方图中却存在大量空的颜色直方图区间,且没有融入图像的空间信息,在遇到与跟踪目标颜色分布相近的背景或目标时会造成跟踪丢失。针对颜色直方图的不足提出一种分块颜色直方图构建方法以融入空间信息,对得到的分块直方图进行简化,去除空闲的直方图区间。实验中对颜色分布相似的物体发生遮挡进行跟踪试验,并与经典Mean-Shift算法跟踪结果进行对比。实验结果表明,这种新算法能更稳定、准确地跟踪目标。     

基于改进的Camshift运动目标跟踪算法的研究

针对基于颜色概率分布的连续自适应均值漂移算法(Camshift)跟踪算法在背景中出现相同颜色干扰时容易致使跟踪目标失败的问题,提出了一种改进的Camshift跟踪算法。首先对Camshift跟踪目标前进行目标检测,通过帧差法、光流法、背景差分法三种检测算法对比,采用背景差分法得到的运动目标区域矩形特征参数作为Camshift的初始化参数,取代一般Camshift算法利用颜色特征的跟踪。最后对改进的算法和一般Camshift进行仿真对比实验。实验结果表明,结合背景差分法和连续Camshift算法的运动目标跟踪在一定程度上满足了实时性与稳定性的要求。     

基于方向直方图的Mean shift目标跟踪新算法

Mean shift算法是一种非参数密度估计算法,可以实现快速的最优匹配。为了有效地将Mean shift算法应用到灰度图像中,使用空间分布和纹理信息作为匹配信息,提出了一种基于空间方向直方图的Mean shift跟踪新算法。利用卡尔曼滤波器来获得每帧目标的起始位置,再利用Mean shift算法得到跟踪位置。实验结果证明,该算法在目标运动较快,目标尺度变化的情况下仍能稳定、实时、高效地跟踪目标。     

一种改进的Camshift视频目标跟踪算法

鉴于连续自适应均值漂移(Camshift)算法在光照变化,相似背景颜色干扰及目标遮挡时鲁棒性不高,易造成跟踪错误等问题,提出了一种联合多特征和最大类间方差法的视频运动目标跟踪算法。该算法将色度直方图、梯度方向直方图和LBP纹理特征进行巧妙的融合,构建了一种高效的联合直方图目标外观特征模型,并在Camshift算法中嵌入最大类间方差法,增强目标和背景的区分度。不同场景的视频跟踪结果表明,改进算法有效克服了传统Camshift算法应对光照变化、颜色干扰和目标遮挡的缺点,与同类算法相比,具有更高的准确度和鲁棒性。     

基于变尺度全局搜索的运动目标跟踪算法

为了获得更加理想的运动目标跟踪效果,提出一种基于变尺度全局搜索的运动目标跟踪算法。首先对于没有发生严重遮挡运动目标,采用MS算法实现目标跟踪,然后当目标受到严重遮挡时,通过全局搜索策略缩小搜索窗尺度,逐渐逼近跟踪目标,实现对目标准确跟踪,最后采用多个实验对算法的性能仿真测试。仿真结果表明,相对其它的目标跟踪算法,本文算法不仅提高了运动目标的跟踪精度,而且加快运动目标跟踪速度,尤其对于严重遮挡目标跟踪问题,具有十分明显的优势,具有较强的鲁棒性。     

一种Camshift优化的粒子滤波跟踪算法

针对传统粒子滤波目标跟踪算法中用先验转移概率作分布函数时计算量大、粒子退化严重且未考虑最新观察信息等缺点,提出了一种Camshift优化的粒子滤波跟踪算法.算法首先在粒子滤波框架下,利用Camshift算法使粒子向目标状态的最大后验核密度估计方向移动.然后针对目标所处环境的不同,提出了适时调整参与Camshift算法优化的粒子数的方法,既考虑了跟踪算法的效率又考虑了粒子的多样性.跟踪结果表明,该算法的跟踪性能明显优于传统的粒子滤波算法,具有很好的实时性和鲁棒性.