改进反向投影的Camshift人脸跟踪算法

对人脸进行检测与跟踪是诸如人机交互、视频监控等众多应用的基础。在众多方法当中,连续自适应均值偏移(Con-tinuously Adaptive Mean Shift,简称Camshift)算法在兼具良好跟踪性能的同时做到了较低的计算成本。然而在经典Camshift算法中,反映像素类肤色概率的"反向投影图"会受到初始搜索框内背景像素的影响,是几乎所有基于经典Camshift的算法中普遍存在的一个问题。针对反向投影图的原理进行分析,并采用人脸检测结果作为替代方案,从而对传统Camshift算法进行改进。同时,对YCrCb色彩空间中的人脸检测进行多时段分析,并借此自动确定初始跟踪区域,较传统Camshift算法具有更好的效果。

一种改进的Camshift目标跟踪算法

针对传统连续自适应场值漂移(Camshift)算法易受同色物体的干扰、抗遮挡性能差等问题,该文提出一种基于运动分割和H-S二维概率分布直方图的改进型Camshift算法。在Camshift算法跟踪之前,结合运动信息,采用三帧差分法从背景中提取出运动目标;在HSV空间根据Bhattacharyya系数,采用一维H分量颜色直方图与H-S二维直方图相结合的方式生成反向投影图;结合Kalman滤波器预测下一帧目标的位置。实验证明,该文算法克服了传统Camshift算法的缺点,增强了抗干扰能力,能够准确实时地跟踪运动目标,鲁棒性好。

一种尺度和方向适应性的Mean Shift跟踪算法

针对原始的Mean Shift跟踪算法虽能准确地估计目标位置,但对目标尺度和方向不能实现自适应估计,结合目标模型与候选目标区域的候选模型得到了反向投影图,此反向投影图可表示图像中像素点属于目标的概率,将反向投影图的矩特征应用到原始Mean Shift跟踪算法框架,实现了目标尺度和方向适应性Mean Shift跟踪.实验结果表明:该算法能有效跟踪尺度和方向变化的目标.