Mean Shift算法

摘要： 为优化航测内业遥感图像深度融合方法,提升图像融合效果,提出基于自适应分割的航测内业遥感图像深度融合算法。采用多维特征自适应MeanShift算法完成对航测内业遥感图像低频分量、高频分量特征的聚类与分割。针对分割获取的结果,将小波变换方法与HIS转换方法结合,获取基带数据与每个层次的子带数据。通过基带数据融合保护遥感图像光谱信息的完整性,通过子带数据融合优化遥感图像的分辨率,从而实现航测内业遥感图像的深度融合。研究结果显示:这一算法可优化航测内业遥感图像的深度融合效果,融合后的航测内业遥感图像信息量充分,纹理显著,目视效果与指标评价结果均优于其他方法,可作为航测内业遥感图像处理方法推广。

摘要： 随着帕金森患者数量的持续增长,帕金森病理的研究引起人们的重视。病症给患者心理及身体上带来极大的折磨,严重影响着患者的生活质量。其中静止性震颤的评估诊断方法成为当前研究发展的热点。针对这一需求,本文将手部运动作为研究对象,利用双目视觉系统,分析了改进的手部运动检测与跟踪方法。通过融合Canny边缘检测的三帧差分法,对结果进行处理,得到的二值掩模图像与当前帧结合,使本课题手部检测得以实现;以Meanshift算法为前提,用交叉颜色直方图代替传统的颜色直方图,减少干扰,进而准确追踪运动目标。通过实验证实,在手部运动过程中,改进的检测与跟踪方法都能对手部运动进行准确的处理,能使其鲁棒性得到提升。

摘要： 由于低照度图像本身的不均匀性,导致对其进行色彩增强时极易出现信息丢失的情况,为此,提出基于改进小波变换的低照度多媒体平面图像色彩增强方法,采用Mean Shift算法对低光照图像进行图像色彩分割处理,考虑到传统小波变换算法对像素点的均匀程度要求较高,引入了色域关系和空域关系两个参数,以分割区域内的照度信息均值为尺度单位,对像素信息进行内积,结合参照图像的色彩信息,对各个分割部分像素信息的内积结果进行增宽,以此达到生产增强的目的。测试结果表明,设计方法处理后的图像信息熵始终稳定在8.00以上,标准差不低于70.00,且最大值达到了72.095 1,平均梯度值稳定在16.00~17.00,并且结构相似度和峰值信噪比均对照组,可以实现对图像的有效处理。

摘要： 由于我国人口老龄化趋势不断加快,出生率下滑,农村劳动力严重不足。为了解决这一问题,研究人员开发了一系列不同用途的农业机器人,其中就包括水果采摘机器人。对于水果采摘机器人而言,水果的检测和识别是一项重要的任务,因此本研究小组提出了一种基于HSV颜色统计特征的水果识别技术。首先,将水果图像从RGB颜色空间转换为HSV颜色空间;然后将水果HSV颜色空间的色调分布近似为拉普拉斯分布,该拉普拉斯分布可作为该果实的特征描述;将水果从输入图像中分割出来,如果分割后的水果图像符合某种90%置信区间的拉普拉斯分布,则输入的水果属于该水果。在实际操作中,将每种水果的拉普拉斯分布的90%置信区间对应的马氏距离(MD)作为参考评价;如果输入水果数据的马氏距离(MD)小于参考值,则该输入属于该类型的水果。实验结果表明,该方法对不同种类的水果具有良好的识别效果。

摘要： 目前主要目标跟踪算法都假设目标的运动,无法跟踪运动速度较快的目标.论文提出一种新的目标跟踪方法,首先利用通过多分辨率模型加速的快速模板匹配算法在整个图像中大致寻找与模板近似匹配的点作为候选点,然后以每一个候选点为初始点利用mean shift算法找到它们各自对应的局部极值,并选取其中最大值所对应的点作为目标位置的最终估计.实验证明了该算法能更准确和鲁棒地跟踪目标.

摘要： 为了充分挖掘无人机图像,快速有效地提取树木信息,利用无人机数据生成的正射影像作为研究对象,提出一种Mean Shift算法和分水岭分割算法相结合的林木株数提取方法.该方法利用Mean Shift算法对从RGB图像中提取的G通道图像进行有效地聚类和平滑处理,然后将其输入到结合形态学运算以及欧氏距离变换的分水岭分割算法中进行单木检测和树木株数提取.实验结果表明:与目视解译并计数的10块样地结果相比,本文研究方法的树木株数提取精度在92.74％左右.该方法可以有效地检测单木及提取树木株数,并且具有较好的提取精度.

摘要： 为了提高对纱管的实时精准跟踪,将Camshift算法应用于纱管分拣喂纱跟踪领域.传统MeanShift算法需要手动选择初始跟踪窗口,纱管分拣喂纱过程中单一颜色特征的跟踪算法很难满足实时跟踪要求.针对此问题,在CamShift跟踪算法基础上加入颜色识别,有效降低了误跟踪现象;加入卡尔曼预测机制,解决自动框选初始跟踪窗口的问题.通过3组对比实验可知:改进后的算法使目标的质心坐标偏差大约维持在4个像素点,验证了改进方法的实时性和精准性.

摘要： 针对传统的Meanshift视频跟踪算法在跟踪目标存在背景干扰或者有遮挡情况下,目标跟踪不准确、丢失的问题,提出了一种基于自适应卡尔曼滤波的Meanshift跟踪算法(AKF-Meanshift).该算法在Meanshift算法的基础上结合自适应卡尔曼滤波,有效解决了系统噪声特性未知时,卡尔曼滤波发散的问题.通过滤波器预测目标在下一帧的中心位置,把该位置作为Meanshift迭代初始位置,最终实现跟踪.实验结果表明:提出的算法能够在系统噪声未知的情况下、存在遮挡的条件下对目标进行准确的跟踪.

摘要： 针对现有高速公路车辆流量检测方法未创建初始帧目标模型和当前帧模型,导致目标定位不准确,车辆流量检测准确性不理想的问题,提出了基于点云数据和图像处理技术的高速公路车辆流量检测方法。通过图像预处理将原始点云数据转变为三维点云数据场,采用虚拟现实技术实现点云分布密集度优化,利用已优化的点云数据进行高斯分布,完成点云图像三维重建,并以此为基础采用基于均值漂移理论的半自动跟踪算法Mean Shift,通过跟踪目标特征点创建初始帧目标模型和当前帧模型,利用相似性度量函数迭代计算出最优模型,从而完成目标定位,实现车辆流量检测。实验结果表明,该方法在高速公路不同路段、不同车道以及不同光照条件下的车辆流量检测准确率均在94%以上。

摘要： 针对现有高速公路车辆流量检测方法未创建初始帧目标模型和当前帧模型,导致目标定位不准确,车辆流量检测准确性不理想的问题,提出了基于点云数据和图像处理技术的高速公路车辆流量检测方法.通过图像预处理将原始点云数据转变为三维点云数据场,采用虚拟现实技术实现点云分布密集度优化,利用已优化的点云数据进行高斯分布,完成点云图像三维重建,并以此为基础采用基于均值漂移理论的半自动跟踪算法Mean Shift,通过跟踪目标特征点创建初始帧目标模型和当前帧模型,利用相似性度量函数迭代计算出最优模型,从而完成目标定位,实现车辆流量检测.实验结果表明,该方法在高速公路不同路段、不同车道以及不同光照条件下的车辆流量检测准确率均在94％以上.

摘要： 影像分割是基于对象的遥感影像自动解译的基础,但高分辨率遥感影像数据量一般比较大,传统的处理办法一般是进行分块处理,然后进行分割结果的缝合,但由于地物类型的复杂性,缝合效果往往不理想,而且分割算法往往也比较复杂,计算耗时,进而影响影像自动解译的实时性.本文提出基于金字塔自顶向下的并行Mean Shift分割算法,根据初始分割区域对数据进行划分,避免了分块分割存在分割结果衔接时的"缝合线"的问题.从试验结果看,利用该算法的分割结果与直接进行Mean Shift分割的结果保持一致,保证了该算法的有效性和结果的可信度,同时通过串行计算和并行计算时间的比较,可以看出该算法达到一定的加速比,实用性强.

摘要： 影像分割是基于对象的遥感影像自动解译的基础,但高分辨率遥感影像数据量一般比较大,传统的处理办法一般是进行分块处理,然后进行分割结果的缝合,但由于地物类型的复杂性,缝合效果往往不理想,而且分割算法往往也比较复杂,计算耗时,进而影响影像自动解译的实时性.本文提出基于金字塔自顶向下的并行Mean Shift分割算法,根据初始分割区域对数据进行划分,避免了分块分割存在分割结果衔接时的"缝合线"的问题.从试验结果看,利用该算法的分割结果与直接进行Mean Shift分割的结果保持一致,保证了该算法的有效性和结果的可信度,同时通过串行计算和并行计算时间的比较,可以看出该算法达到一定的加速比,实用性强.

摘要： 影像分割是基于对象的遥感影像自动解译的基础,但高分辨率遥感影像数据量一般比较大,传统的处理办法一般是进行分块处理,然后进行分割结果的缝合,但由于地物类型的复杂性,缝合效果往往不理想,而且分割算法往往也比较复杂,计算耗时,进而影响影像自动解译的实时性.本文提出基于金字塔自顶向下的并行Mean Shift分割算法,根据初始分割区域对数据进行划分,避免了分块分割存在分割结果衔接时的"缝合线"的问题.从试验结果看,利用该算法的分割结果与直接进行Mean Shift分割的结果保持一致,保证了该算法的有效性和结果的可信度,同时通过串行计算和并行计算时间的比较,可以看出该算法达到一定的加速比,实用性强.

摘要： 影像分割是基于对象的遥感影像自动解译的基础,但高分辨率遥感影像数据量一般比较大,传统的处理办法一般是进行分块处理,然后进行分割结果的缝合,但由于地物类型的复杂性,缝合效果往往不理想,而且分割算法往往也比较复杂,计算耗时,进而影响影像自动解译的实时性.本文提出基于金字塔自顶向下的并行Mean Shift分割算法,根据初始分割区域对数据进行划分,避免了分块分割存在分割结果衔接时的"缝合线"的问题.从试验结果看,利用该算法的分割结果与直接进行Mean Shift分割的结果保持一致,保证了该算法的有效性和结果的可信度,同时通过串行计算和并行计算时间的比较,可以看出该算法达到一定的加速比,实用性强.

摘要： 本文基于Mean Shift算法，提出了结合IMM的改进算法。在跟踪过程中将目标的运动方式设定为多个运动模型的合成，在时刻k对目标状态估计的计算中，以不同模型分别进行匹配，随后在对各自的滤波结果融合输出，从而得到较为精确的目标位置。实验表明，在环境和目标运动都不确定的实际跟踪过程中，该算法能够更好的提高目标跟踪的效果。

摘要： 本文基于Mean Shift算法，提出了结合IMM的改进算法。在跟踪过程中将目标的运动方式设定为多个运动模型的合成，在时刻k对目标状态估计的计算中，以不同模型分别进行匹配，随后在对各自的滤波结果融合输出，从而得到较为精确的目标位置。实验表明，在环境和目标运动都不确定的实际跟踪过程中，该算法能够更好的提高目标跟踪的效果。

摘要： 本文基于Mean Shift算法，提出了结合IMM的改进算法。在跟踪过程中将目标的运动方式设定为多个运动模型的合成，在时刻k对目标状态估计的计算中，以不同模型分别进行匹配，随后在对各自的滤波结果融合输出，从而得到较为精确的目标位置。实验表明，在环境和目标运动都不确定的实际跟踪过程中，该算法能够更好的提高目标跟踪的效果。

摘要： MeanShift算法实现动目标跟踪其基本原理是利用目标的相似性，建立自适应算法调整机制，从而实现目标跟踪，但当目标移动速度较快时，由于迭代算法负担增大，算法的实时性受到很大的影响。本文对MeanShift算法进行了改进，首先将模糊机制引入MeanShift算法，使它在权值计算中不但提取单一象素的信息，使色度相近，亮度相近的象素点也对其产生影响，提高MeanShift的识别能力。为了克服目标相对运动较快的问题，然后引入了Kalman 滤波器对目标在新图象中的位置进行预测，确定目标落在MeanShift算法的搜索范围中，同时减少迭代算法的计算量，避免卡滞现象的出现。

摘要： MeanShift算法实现动目标跟踪其基本原理是利用目标的相似性，建立自适应算法调整机制，从而实现目标跟踪，但当目标移动速度较快时，由于迭代算法负担增大，算法的实时性受到很大的影响。本文对MeanShift算法进行了改进，首先将模糊机制引入MeanShift算法，使它在权值计算中不但提取单一象素的信息，使色度相近，亮度相近的象素点也对其产生影响，提高MeanShift的识别能力。为了克服目标相对运动较快的问题，然后引入了Kalman 滤波器对目标在新图象中的位置进行预测，确定目标落在MeanShift算法的搜索范围中，同时减少迭代算法的计算量，避免卡滞现象的出现。

摘要： MeanShift算法实现动目标跟踪其基本原理是利用目标的相似性，建立自适应算法调整机制，从而实现目标跟踪，但当目标移动速度较快时，由于迭代算法负担增大，算法的实时性受到很大的影响。本文对MeanShift算法进行了改进，首先将模糊机制引入MeanShift算法，使它在权值计算中不但提取单一象素的信息，使色度相近，亮度相近的象素点也对其产生影响，提高MeanShift的识别能力。为了克服目标相对运动较快的问题，然后引入了Kalman 滤波器对目标在新图象中的位置进行预测，确定目标落在MeanShift算法的搜索范围中，同时减少迭代算法的计算量，避免卡滞现象的出现。

摘要： 本发明公开的基于深度图像的利用MeanShift算法进行手部区域分割的方法，包括以下步骤：1、读取深度图像；2、对深度图像进行预处理并初步提取包含冗余轮廓的手部区域；3、在初步提取得到的手部区域中选取初始迭代点并计算迭代半径；4、利用MeanShift算法对初始迭代点和迭代半径进行迭代运算，获取最接近手掌区域的圆形区域；5、根据最接近手掌区域的圆形区域将初步提取到的手部区域上的冗余轮廓剔除，更新得到精确的手部区域轮廓。本发明利用MeanShift算法进行手部区域分割的方法可以有效去除手臂等其他冗余轮廓信息，为后续的特征提取、分类学习等步骤的提供更为准确的输入数据源，提高最终手势识别和交互系统的稳定性和准确性。

摘要： 本发明公开了一种一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，包括离线建立数据库阶段和在线数据匹配阶段，离线建立数据库阶段是利用MeanShift将UWB基站的测距值划分为不同的子类，获得聚类后的指纹数据库；在线数据匹配阶段是将待测指纹的测距值与指纹数据库进行匹配，并通过加权k近邻算法估算待测指纹位置。本发明方法采用UWB基站测距值作为指纹量，利用MeanShift算法构建指纹库，与传统指纹库相比可靠性更高，同时利用加权k近邻算法估算待测目标的物理位置，有效提高了指纹定位的精度和稳健性。

摘要： 本发明是基于形态学方法及Meanshift算法的电磁图像分块方法，本发明首先对图像进行同态滤波抑噪，然后使用形态学方法对图像进行处理，从而使图像更易于进行Mean Shift聚类分割，然后计算图像粗糙度和像素值平均偏移作为聚类算法的阈值参数。接下了进行MS分割，并对分割后图像判断是否为同一信号区域，对于同一信号区域进行合并。对方法进行了仿真和实验验证，结果显示方法可以高效准确的对多区域多频率电磁图像进行图像抑噪并分割。

摘要： 基于特征匹配和Mean Shift算法的目标跟踪方法，步骤如下：输入图像序列，对图像序列进行背景重构，获得初始时刻的目标区域，并采用MeanShift算法进行建模；对初始时刻的目标区域模型进行SIFT特征提取，将初始时刻的目标区域模型的SIFT特征点作为特征库的初始特征点；通过SIFT特征匹配计算当前帧目标的初始位置、尺度参数和旋转参数；采用Mean Shift算法对目标进行精确定位；计算目标的遮挡因子，判断目标的遮挡程度，确定目标的跟踪模式；图像序列中的所有图像跟踪完毕，结束目标跟踪。本发明将Mean Shift算法和SIFT特征匹配算法结合起来，充分发挥二者的优势，实现目标的稳定跟踪。

摘要： 本申请公开了一种基于MeanShift算法的目标跟踪方法，其能够提高在单目标跟踪过程中的可靠性和跟踪速度、减少跟踪框飘离目标的情况。该方法包括步骤：（1）对原始图像中的每一个像素点计算其特征值，生成特征图像，针对特征图像利用双核平滑函数建立目标的特征模型；（2）将原始MeanShift算法中的单核平滑函数改进为双核平滑函数；（3）为了保证算法的收敛性，使双核平滑函数满足二元凸函数的限定条件；（4）为了保证跟踪目标特征模型的标准化，得到新标准化常数公式。

摘要： 本发明公开了基于减背景、帧差和Meanshift算法的果蝇攀爬检测、跟踪方法，其中涉及的基于减背景、帧差的果蝇攀爬检测方法，包括步骤：S1.获取果蝇攀爬的视频序列图像，并根据获取到的视频序列图像进行背景建模，得到背景模型；S2.在获取到的视频序列图像中随机选取两帧图像，记为第i帧图像和第i+1帧图像；S3.分别计算第i帧图像和第i+1帧图像与背景帧的帧差，得到连续两帧的帧差结果；S4.将得到的连续两帧的帧差结果做与运算，得到果蝇攀爬的目标区域；S5.对所述得到的目标区域进行选择和校正处理，得到果蝇攀爬完整的目标区域。本发明基于减背景、帧差和Meanshift向量的果蝇攀爬检测、跟踪方法可以科学、准确、高效的解决果蝇攀爬实验的分析。

摘要： 本发明公开了一种一种基于MeanShift和加权k近邻算法的UWB指纹定位方法，包括离线建立数据库阶段和在线数据匹配阶段，离线建立数据库阶段是利用MeanShift将UWB基站的测距值划分为不同的子类，获得聚类后的指纹数据库；在线数据匹配阶段是将待测指纹的测距值与指纹数据库进行匹配，并通过加权k近邻算法估算待测指纹位置。本发明方法采用UWB基站测距值作为指纹量，利用MeanShift算法构建指纹库，与传统指纹库相比可靠性更高，同时利用加权k近邻算法估算待测目标的物理位置，有效提高了指纹定位的精度和稳健性。

摘要： 本发明公开了一种基于Mean Shift原理改进的一种视觉跟踪算法。目前视觉跟踪问题方法主要分为确定性跟踪方法和概率跟踪方法。确定性跟踪方法计算效率高，能够满足对实时性要求较高的应用，并且依赖的参数较少；以粒子滤波为代表的概率跟踪方法能够较好地处理非线性非高斯问题，鲁棒性较强。针对常用的mean shift跟踪算法无法利用目标的空间信息导致跟踪不准确并且无法解决遮挡等问题，本发明给出目标与候选目标的相似性度量函数，并基于此推导出了类Mean Shift迭代算法。发明提出了“微分结构相似度”的视觉跟踪方法。并推导其关于目标状态（位置和大小）的梯度，及基于Steepest Ascent最优化方法。

摘要： 本发明采用一种基于meanshift算法和SVM的婴儿异常行为检测方法，首先对获取到的婴儿视频进行预处理，然后用meanshift算法对视频中的婴儿四肢和全身分别进行目标运动轨迹跟踪，将得到的运动轨迹信息进行保存，之后利用小波变换对运动轨迹信息进行提取，对提取得到的小波近似波形建立样本集，用设置好的SVM支持向量机对其进行训练，利用小波对运动轨迹信息求功率谱，得到的特征建立样本集，同样利用设置好的SVM支持向量机对其进行训练，将两个训练好的模型进行测试，根据两个模型精确度的不同，利用数据加权融合算法设置不同权值参数进行加权判断，从而得到最佳训练结果。

摘要： 本发明采用一种基于meanshift算法和SVM的婴儿异常行为检测方法，首先对获取到的婴儿视频进行预处理，然后用meanshift算法对视频中的婴儿四肢和全身分别进行目标运动轨迹跟踪，将得到的运动轨迹信息进行保存，之后利用小波变换对运动轨迹信息进行提取，对提取得到的小波近似波形建立样本集，用设置好的SVM支持向量机对其进行训练，利用小波对运动轨迹信息求功率谱，得到的特征建立样本集，同样利用设置好的SVM支持向量机对其进行训练，将两个训练好的模型进行测试，根据两个模型精确度的不同，利用数据加权融合算法设置不同权值参数进行加权判断，从而得到最佳训练结果。