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.     

基于颜色直方图的粒子跟踪算法在视频监控中的应用

摘 要：本文通过对跟踪目标颜色特征的分析,采用了基于颜色直方图的粒子滤波跟踪算法对目标进行实时跟踪。该算法首先确定目标跟踪模型并归一化颜色直方图,其次设定粒子初始化参数、计算粒子参数、比较颜色直方图从而确定目标位置,最后通过重采样更新粒子。该算法充分利用颜色直方图作为目标的描述特征,同时兼顾粒子滤波对复杂环境的要求,可以实现非线性和非高斯噪声系统的目标跟踪。仿真效果表明,该算法可以很好的对单目标和多目标进行实时跟踪。     

基于Mean Shift算法的实时运动目标跟踪

Mean shift算法是一种非参数密度估计算法,可以实现实时的最优匹配,为了把Mean shift算法应用到视频图像的运动目标跟踪中去,采用了以颜色直方图建立目标模型的策略,提出了在视频图像中以Mean shift为核心的目标跟踪算法。实验结果表明,该算法具有很好的鲁棒性、准确度等优点,在运动目标部分遮挡的情况下仍能实现稳定、实时的跟踪。     

一种基于粒子滤波的自适应运动目标跟踪方法

该文提出了一种基于粒子滤波的自适应运动目标跟踪方法。均值漂移算法是一种最优梯度下降法,通过迭代来搜索目标,从而实现对运动目标的跟踪。而粒子滤波是一种在非线性和非高斯情形下进行跟踪的强有力方法。该文首先对图像的直方图进行改进,提出了一种基于统计直方图分布的目标模型,然后通过这个模型将这两种方法有效地结合起来。根据跟踪的过程,自适应地调整参数,能够较好地处理图像序列中由于光线变化或遮挡所带来的影响。实验证明,该文所提出的方法与均值漂移方法相比,即使在复杂的情形下,也能够准确地对目标进行跟踪。     

一种基于粒子滤波的红外弱小目标跟踪方法

研究低信噪比复杂环境下的红外小目标检测和跟踪问题,提出了基于粒子滤波的高斯目标模型跟踪方法。粒子滤波是一种在非线性和非高斯情形下进行跟踪的强有力方法。将状态粒子决定的区域所对应的灰度分布与参考模型灰度分布相比较,得出最佳的后验估计。运用最佳粒子方法确定目标的坐标,实现跟踪、对真实红外图像序列的实验表明,该算法可成功跟踪和检测信噪比为1的小目标。     

一种自适应基于纹理和颜色特征的目标跟踪算法

针对运动目标进行跟踪,常采用粒子滤波跟踪算法。为了减少相似背景像素点及光照变化对机动目标跟踪的干扰,采用了基于目标纹理特征和颜色特征融合的自适应粒子滤波算法,通过采用了不同的状态转移模型和观测模型,根据不同的跟踪环境进行自适应选择,并给出了相应的实验结果。实验结果表明,该算法在跟踪的性能和鲁棒性方面有所改进。     

一种基于SMOG模型的红外目标跟踪新算法

空间颜色混合高斯模型(SMOG)在基于颜色特征的目标跟踪中显示出比颜色直方图更强的目标鉴别能力,因为它不仅考虑了区域的颜色信息,而且也考虑了颜色的空间分布信息.本文将SMOG模型合理地引入到了红外目标的建模中,改进了原SMOG模型中的相似性度量函数,进一步提高了其对目标的鉴别能力.在粒子滤波框架内,使用简单的二阶自回归模型作为系统状态转换方程,将改进后的相似度函数作为各粒子的状态观测,给出了有效的模式更新方法以适应目标外观的变化,并设计出了一种有效的红外目标跟踪算法.实验证明,SMOG模型能有效刻画红外目标,本文提出的算法对红外目标的跟踪是稳健的.     

基于粒子滤波的红外目标跟踪

粒子滤波(Partic le F ilter)是一种处理非线性和非高斯动态系统状态估计的有效技术.提出了一种基于粒子滤波的红外目标稳健跟踪新方法.在粒子滤波理论框架下,红外目标的状态后验概率分布用加权随机样本集表示,通过这些随机样本的Bayesian迭代进化实现红外目标的跟踪.系统状态转移模型选择为简单的二阶自回归模型,并自适应地确定系统噪声方差.红外目标的描述利用目标区域的灰度分布,该灰度分布通过核概率密度估计建立.通过计算参考目标的灰度分布和目标样本的灰度分布之间的Bhattacharyya距离,建立系统观测概率模型.实验结果表明该方法是有效的和稳健的.     

一种基于纹理和颜色的粒子滤波目标跟踪方法

针对基于颜色的粒子滤波跟踪方法在复杂背景下会导致跟踪失败的问题,提出了一种基于局部二值模式纹理和颜色特征的粒子滤波目标跟踪方法。颜色直方图是对目标在彩色图像中的全局描述,而局部二值模式纹理包含了灰度图像中局部邻近区域的纹理信息,两者可以互为补充。因此同时用颜色直方图和局部二值模式纹理直方图描述目标,在粒子滤波框架下将目标颜色和局部二值模式纹理有机结合起来。实验结果表明,该算法不仅提高了跟踪精度,而且具有较强的稳健性。     

一种改进的粒子滤波和Mean Shift联合跟踪算法

为了提高视频运动目标跟踪的准确性和实时性,提出一种改进的粒子滤波和Mean Shift联合跟踪算法.针对传统粒子滤波跟踪算法中颜色直方图观测模型存在的局限性,提出了一种基于分块颜色直方图的观测模型描述方法,并根据该分块直方图的特点,重新设计了粒子权值的更新策略;针对粒子滤波算法实时性差的问题,提出了一种基于积分直方图的颜色特征快速计算方法,极大地降低了算法的运算量;为了降低相似背景干扰对跟踪效果的影响,提出了一种基于Gabor幅度谱的Mean Shift跟踪算法,并利用改进的Mean Shift算法对粒子滤波跟踪结果进行优化,提高了跟踪算法在复杂背景下的搜索能力.实验结果表明了算法的有效性.     

Object Modeling with Color Arrangement for Region‐Based Tracking

In this paper, we propose a new color histogram model for object tracking. The proposed model incorporates the color arrangement of the target that encodes the relative spatial distribution of the colors inside the object. Using the color arrangement, we can determine which color bin is more reliable for tracking. Based on the proposed color histogram model, we derive a mean shift framework using a modified Bhattacharyya distance. In addition, we present a method of updating an object scale and a target model to cope with changes in the target appearance. Unlike conventional mean shift based methods, our algorithm produces satisfactory results even when the object being tracked shares similar colors with the background.     

基于瑞利分布的粒子滤波跟踪算法

粒子滤波是一种非线性滤波算法,在目标跟踪中得到了广泛的应用。基本的粒子滤波算法中粒子散布是通过高斯分布实现的,对于低速运动且变化平缓的目标可以较好地捕获,但是当目标运动状态突然改变时(如突然加速、减速或转弯等),由于高斯分布曲线的拖尾比较轻,粒子散布范围比较小,经常发生目标丢失的现象。针对该问题,该文提出使用瑞利分布来散布粒子,实现粒子的繁殖与传播,同时根据目标的运动速率对瑞利分布参数进行自适应调节,并通过二次粒子滤波方法提高跟踪精度。实验证明,基于瑞利分布的粒子传播机制可以有效提升粒子滤波的目标捕获能力。     

基于颜色属性直方图的尺度目标跟踪算法研究

利用目标颜色信息的跟踪算法,容易受到环境光照、尺度变化、相似背景等因素的干扰,导致跟踪任务失败。为了克服以上问题,该文提出一种基于颜色属性空间的鲁棒尺度目标跟踪算法。该算法首先将原始的RGB颜色空间映射到颜色属性(Color Names, CN)空间,减少目标颜色在跟踪过程中受环境变化影响。然后采用一种背景加权约束的颜色属性直方图,来抑制相似背景的干扰。最后,为了解决目标尺度变化带来的影响,先用梯度上升法粗略估计尺度,再用约束项精确求解尺度,并利用反向一致性检验,进一步提高尺度估计的准确性。该文选取了5段典型视频进行实验,并与相关算法进行比较。结果表明所提算法能够消除环境光照、阴影、相似背景和尺度变化等因素所带来的影响,在中心位置误差和跟踪成功率性能指标上,优于其它算法。     

一种新的基于Mean Shift的目标三自由度跟踪算法

标准Mean Shift跟踪算法仅能确定目标形心位置,而不能确定其旋转角,在跟踪细长形目标时鲁棒性不好。为此,该文提出了一种三自由度Mean Shift跟踪算法,新算法在计算目标特征分布直方图时,用像素的位置转角及其到目标形心的归一化距离加权,并将像素在局部坐标系下的特征转角作为新特征引入。这种新的目标表示模型能够方便地纳入Mean Shift优化框架,通过迭代求解,可同时精确确定目标的形心位置和方位指向。实验结果表明该算法精度高,计算量小。     

基于多特征融合的均值迁移粒子滤波跟踪算法

仅用单一的颜色特征进行跟踪是大多数跟踪算法鲁棒性不高的主要原因。针对此问题,该文提出一种多特征融合跟踪算法。该算法利用颜色和纹理特征表示目标,通过均值迁移和粒子滤波算法进行特征融合,有效地避免了单一颜色特征在光照变化和背景相似情况下的不稳定问题。将两种常用的融合策略结合,减轻了粒子的退化现象,提高了算法效率。实验结果表明该算法提取的目标特征具有较强的鲁棒性,能实现复杂场景下的目标跟踪。     

基于各向异性核函数的均值漂移跟踪算法

均值漂移算法是一种将迭代轨迹滑向局部邻域内均值的迭代算法,已应用于目标跟踪领域。传统的均值漂移算法通常采用各向同性核函数进行跟踪,但视频序列中的跟踪目标的结构随时间而变化,尤其当目标结构快速变化时,基于各向同性核函数的均值漂移跟踪算法常常会导致目标的丢失。该文采用各向异性核函数均值漂移算法实现目标跟踪,由于该核函数的形状、大小、方向能自适应于目标局部结构的变化,保证了跟踪效果的稳定性和鲁棒性。实验结果证明该算法是有效的。     

一种新的空间直方图相似性度量方法及其在目标跟踪中的应用

在基于空间直方图的目标跟踪中,选择一种合适的度量两个空间直方图之间相似性的方法至关重要。该文提出一种新的空间直方图相似性度量方法。将空间直方图中的每个区间所对应像素的空间分布看作一个高斯分布,其均值和协方差矩阵为该区间内所有像素坐标的均值和协方差矩阵,然后用Jensen-Shannon Divergence(JSD)计算对应区间的空间分布相似度,而颜色特征的相似度采用具有强区分能力的直方图相交法来计算。理论和实验证明该文提出的相似性度量的稳定性好,区分能力强,其在静态图像上的整体性能优于已有度量方法,视频跟踪结果比已有方法更精确。     

联合Kalman和自适应Meanshift的稳健相关视频跟踪方法

相关视频跟踪器存在计算量大、模板漂移、对机动目标,杂波影响大以及遮挡情况无法跟踪的问题,而Kalman滤波能通过利用相关跟踪器的输出结果来预测目标在下一帧里在图像中的坐标,可以在高概率的小范围内对目标进行搜索,以大幅减小计算量和杂波的影响.然后,当跟踪器由于受到杂波或遮挡的影响而提供了错误的测量信息时,跟踪的性能将大幅下降.大量研究表明,Mean-Shift跟踪器具有运算速度快和跟踪性能好的特点,而当目标柱状图和待选图像区域相近时,其跟踪性能也将大幅下降,甚至无法进行跟踪.为了解决该问题,结合上述3种思想提出了一种改进的、稳健的视频目标跟踪方法,并通过理论分析和仿真结果表明了算法的有效性和优越性.