Mean-shift跟蹤算法魯棒性的研究.pdf

1、運動目標的檢測和跟蹤一直是計算機視覺領域的重要研究課題。它在人工智能系統(tǒng)、數(shù)字影像監(jiān)控、軍事視覺制導、安全檢測、醫(yī)學生物領域等都有廣泛的應用。Mean-shift跟蹤算法實時性好，對遮擋和目標變形具有一定的適應性，是一個比較優(yōu)秀的跟蹤方法。但它也存在不足。傳統(tǒng)的Mean-shift算法當背景的直方圖分布和目標的直方圖分布類似時，或者目標受到光照、陰影等影響，或有干擾物體靠近目標時，很容易發(fā)生跟蹤錯誤。 本文對Mean-shift

2、算法在視頻跟蹤中的魯棒性進行了研究，針對上述幾個跟蹤難點，在以下幾個方面對Mean．shifl算法進行了改進。 1) 用目標的色彩融合特征取代灰度特征，使目標更有效地從背景中區(qū)分出來，增強Mean-shift算法中目標特征建立的魯棒性。 2) 利用Kalman濾波對目標位置進行預測，在預測位置的鄰域內(nèi)進行Mean-shift搜索，降低Mean-shift跟蹤在相似物體靠近或目標受遮擋等情況下發(fā)生定位錯誤的概率。