利用背景加权和选择性子模型更新的视觉跟踪算法

目的针对传统Mean Shift算法对受背景干扰的目标无法进行有效跟踪并缺少有效的模型更新策略的问题,提出一种将背景加权和选择性子模型更新相结合的跟踪算法。方法首先,在Mean Shift框架下,为了减少背景信息对目标定位的干扰,利用目标区域周围像素的颜色直方图定义背景加权系数,并将该系数只引入到目标模型的颜色直方图中,从而建立一个新的目标模型。然后,根据目标模型中每个分量匹配贡献度的大小选取需要更新的模型分量及其更新公式。结果实验结果表明,本文算法能够抑制背景干扰,同时能对模型进行有效的选择性更新,克服了整体更新策略严重的模型漂移问题。结论本文从模型描述和更新策略两个方面对传统Mean Shift算法进行了改进,实验结果表明本文算法具有较好的有效性和鲁棒性。

均值漂移算法中的目标模型更新方法研究

均值漂移(Meanshift)是一种鲁棒的快速模式匹配算法,但该算法框架下现有的整体模型更新策略不足以对场景中目标外观变化、遮挡等情况进行有效处理.为此,本文提出了一种Meanshift框架下的选择性子模型更新策略,将特征模型中的每个分量作为单独个体,基于每个分量的匹配贡献度,分别选择当前帧中需要更新的子模型分量及其更新权值.实验结果表明本文算法具有比整体模型更新策略更好的跟踪鲁棒性.