Mean Shift 目标跟踪算法（一）

最新推荐文章于 2023-12-27 13:41:02 发布

Jun_L_

最新推荐文章于 2023-12-27 13:41:02 发布

阅读量6.4k

点赞数 2

分类专栏：目标跟踪文章标签： mean shift算法迭代方式目标跟踪算法机器视觉

本文链接：https://blog.csdn.net/jingjun1822/article/details/10372377

版权

本文介绍了Mean Shift目标跟踪算法，强调了其在相邻帧目标位置有重叠时的优势。通过迭代逼近的方式提高搜索速度，利用颜色特征的核密度估计进行建模，对目标旋转和小范围遮挡具有鲁棒性。文中详细阐述了基本思想、颜色特征建模与核密度估计，并探讨了有参和无参密度估计的区别。

摘要由CSDN通过智能技术生成

可能很多同道跟我一样，以前也鼓捣过单片机，焊过板子。由于以后学习方向的改变，让我不得不找一个较感兴趣的课题，快速地入门图像处理、机器视觉中来。我的第一个课题是目标跟踪，使用的经典算法Mean Shift。

目前的目标跟踪算法的研究多趋向于分类器的方法，即把视频中对运动目标的跟踪过程看做是目标和非目标二分类的过程。分类器的方法大致可以描述为：对目标和非目标的特征分别采样，作为分类器输入的正负样本，不断地训练分类器使之分类准确。Mean shift算法是传统的目标建模的方法，即对欲跟踪目标进行建模，然后通过匹配的方式寻找到下一帧中目标的位置。但它又与传统的盲搜不同，它利用相邻帧之间目标位置变化不大的特点，采用迭代逼近的方式提高算法的搜索速度。在对欲跟踪目标建模时，Mean Shift算法采用基于颜色特征的核密度估计的方式进行建模，使得跟踪过程中对目标旋转，小范围遮挡不敏感。

一、Mean Shift 实现跟踪的基本思想

当目标运动速度不是很快的时候，相邻帧之间目标与目标的位置会有重叠。如下图，是一组视频中的某些帧（貌似帧的序号写的不对，大家见谅！）。红色框是Mean Shift的跟踪结果。Mean Shift 算法就是已知上一帧跟踪框的位置要得到下一个跟踪框的位置。