基于Mean Shift和Kalman滤波相结合的运动目标跟踪方法

为了使Mean shift算法能跟踪快速运动目标和大比例遮挡的目标,算法引入Kalman滤波对目标位置进行预测,Mean shift在预测位置邻域内搜索目标位置。同时对引入Kalman滤波的算法进行试验分析发现,不能有效的跟踪运动状态突然变化的目标,为此提出采用两次Bhattacharyya系数大小判断的方法。实验证明,提出的算法能够有效的跟踪运动目标,对于快速运动目标、大比例遮挡的目标以及运动状态突变的目标都有很好的跟踪效果,具有很好的鲁棒性。

Kalman滤波融合优化Mean Shift的目标跟踪探讨

Mean Shift目标跟踪算法具有简单稳定的特性,因此被广泛地应用于目标跟踪实际行动中,但同时也存在一定的局限性,在被跟踪目标和目标所在背景的颜色比较接近、目标正在快速运动或者存在较大比例遮蔽物遮挡目标时,Mean Shift目标跟踪算法由于缺少相应的空间信息,经常导致无法识别相似度量函数,使跟踪任务失败。为了避免这些情况的发生,提高目标跟踪效率,文章根据Mean Shift算法在空间颜色以及相似度量方面的缺陷,提出了Kalman滤波和Mean Shift算法融合的优化目标跟踪方法,即使用Kalman滤波根据目标运动状态确定Mean shift目标跟踪算法的初始跟踪位置,然后搜索邻近区域内的目标位置并建立目标模型,最后根据相似系数匹配确定最终位置,如此迭代,以达到准确跟踪运动目标的目的。