增强目标模型鲁棒性的Mean-shift算法

针对传统Mean-shift算法中颜色核函数直方图对目标特征描述较弱的缺点,提出了一种联合目标特征点的二维结构信息和颜色信息的Mean-shift改进算法.改进算法细化了Harris检测算子的角点响应阈值,提取出更多的目标特征点计算其方向分布,并以方向与部分颜色特征的直方图构建目标模型,该模型能显著区分目标与背景.实验对不同算法进行了仿真及性能比较,结果表明:提出的改进算法在一定的复杂场景中提高了跟踪精度,且具有较好的鲁棒性.

深度信息辅助的均值漂移目标跟踪算法

参考目标模型中混入的背景噪声会弱化目标特征的描述,导致目标跟踪定位误差。为减少误差,依据目标与背景处于不同深度平面的特点,提出了基于深度信息辅助的和改进的背景加权直方图的Mean Shift跟踪算法,能够有效削弱核窗口中的背景干扰信息,突出目标的颜色特征信息,并适时自适应更新核带宽,减少因目标尺寸变小时引入较多的背景干扰信息。实验结果表明该算法迭代次数更少,具有良好的跟踪定精度。

漂移系数优化颜色直方图的Mean Shift算法

基于颜色直方图的传统Mean Shift视频目标跟踪算法,容易受到背景信息的干扰而造成定位偏差。针对此问题,提出了一种基于漂移系数的加权颜色直方图算法。根据核窗口内每个像素提供系数的大小,抑制对漂移贡献小的颜色特征,从而增强目标特征的刻画,并通过抑制背景信息和引入新的目标信息来更新模板。实验结果表明,该算法定位跟踪效果优于背景直方图加权算法,并且迭代次数更少。采用模板更新后,跟踪性能更加稳定。