核函数自适应的Mean Shift目标跟踪算法

为解决Mean Shift算法无法对核函数带宽进行自适应更新的缺陷,提出目标质心的分布散度与多级正方形匹配结合的核函数带宽的更新算法。利用目标质心点的分布散度和增量试探法计算几个目标的可能变化尺度,采用多级正方形匹配计算各回字形区域间的Bhattacharyya距离预测目标的尺度变化趋势,对该趋势下的几个目标尺度进行Bhattacharyya距离对比,Bhattacharyya距离最大者为当前核函数的带宽,即目标的尺度。该策略减少了背景噪声的干扰以及每次计算目标收敛区域时的冗余像素的干扰。实验结果表明,该策略优于增量试探法和传统的核函数带宽不变化的方法,在时间代价上略低于增量试探法。

基于梯度方向检测的自适应带宽mean shift目标跟踪算法

传统核窗宽固定的mean shift跟踪算法不能很好地对尺寸变化的目标进行有效的跟踪。在结合增量试探法和梯度方向检测的基础上,提出了一种适应带宽的mean shift目标跟踪算法。算法能够对逐渐放大和逐渐缩小的目标都能够进行有效的跟踪,解决了增量试探法难以很好地对放大目标进行自适应带宽跟踪的问题,提高了自适应带宽跟踪的准确性。两段不同场景下的运动目标跟踪实验,证实了该算法的有效性。

一种基于Mean Shift和Kalman预测的带宽自适应跟踪算法

Mean Shift算法是视觉监控领域广泛应用的经典目标跟踪方法,但对于速度过快或尺度变化大的目标的跟踪存在较大的缺陷。针对这一问题,提出了一种基于Mean Shift和Kalman方法预测的带宽自适应跟踪算法。该算法提出以Kalman预测目标在下帧中的位置作为Mean Shift迭代初始位置,以高效锁定各类运动目标;同时采用增量试探法自动调节带宽以适应目标的尺度变化。通过对行人和车辆等不同监控对象的实验表明,该跟踪算法具有良好的鲁棒性。