可視目標跟蹤已經廣泛應用於民用和軍事的許多領域，如視頻監控、機器人導航、圖像壓縮等，因此對可視目標跟蹤的研究有著非常重要的意義。Mean Shift算法是一種非參數的密度梯度估計算法，近年來將其運用到目標跟蹤上，並取得了較好的跟蹤效果。本論文著重圍繞對該算法的研究，提出了算法在跟蹤應用中遇到的問題，以及相應的解決方法。
主要工作有以下幾點:
首先，分析了Mean Shift算法的收斂性和收斂速度，提出了一種基於預測模型的收斂速度提高方法，改善了原算法的跟蹤實時性。
其次，從Mean Shift算法在實際應用中出現的問題發現，當目標部分被遮擋或有背景因素干擾時，跟蹤精度會降低。將背景和目標本身進行加權，從原算法對目標模型的描述出發，將其加入到Mean Shift算法的數學模型表達式中，改善跟蹤效果。
最後，通過對Mean Shift算法的原理分析發現，由於跟蹤核窗寬不能實時改變，造成算法對於目標尺寸逐漸變化時的跟蹤，效果不理想。通過對目標建立二值圖像，利用NMI特徵識別跟蹤目標對象，結合提取的目標輪廓，對目標進行尺度定位;提出一種新的中心定位算法，得到每幀圖像中更新目標的中心位置，利用Mean Shift迭代方法進行目標的空間定位和校正。本文算法將目標的空間定位和尺度定位分開，避開傳統算法中僅利用色調直方圖來定位目標的缺陷。由於Mean Shift算法對目標模型和候選目標模型的相似度判別效果好，改進的算法能夠在保證精確度的同時，保持較好的實時性，彌補了傳統Mean Shift框架下跟蹤變尺度目標的不足。實驗結果表明，該方法能在目標尺寸放大或縮小時選擇合適的跟蹤窗口，而且具有較強的跟蹤抗干擾性。
分享到:
閱讀更多 波波說文化 的文章
