2011-10-31目标跟踪的算法总结

目标跟踪的算法总结

视频目标跟踪的算法总结：

1. Meanshift（均值漂移算法）：1975年有Fukunaga提出

均值漂移算法是一种基于密度梯度上升的非参数方法，通过迭代运算找到目标位置，实现目标跟踪。

它显著的优点是算法计算量小运算速度快，简单易实现,很适合于实时跟踪场合；

缺点是跟踪小目标和快速移动目标时常常失败，而且在全部遮挡情况下不能自我恢复跟踪。

算法步骤：先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束.

下面是MeanShift算法流程图：

目标跟踪的算法总结

Mean Shift 算法流程图

目标跟踪的算法总结

2. CamShift跟踪算法：

它是MeanShift算法的改进，连续自适应的MeanShift算法，CamShift算法的全称是"Continuously Adaptive Mean-SHIFT"，它的基本思想是视频图像的所有帧作MeanShift运算，并将上一帧的结果（即Search Window的中心和大小）作为下一帧MeanShift算法的Search Window的初始值，如此迭代下去。 Camshift 关键就在于当目标的大小发生改变的时候，此算法可以自适应调整目标区域继续跟踪。

对于OPENCV中的CAMSHIFT例子，是通过计算目标HSV空间下的HUE分量直方图，通过直方图反向投影得到目标像素的概率分布，然后通过调用CV库中的CAMSHIFT算法，自动跟踪并调整目标窗口的中心位置与大小。

3. 粒子滤波跟踪算法：

优点：粒子滤波具有很强鲁棒性即抗遮挡能力强，可并行

缺点：粒子滤波需要大量的样本的后验概率，计算量大和退化现象等缺陷是粒子

滤波的瓶颈。

粒子滤波在视频跟踪上被称为凝聚算法(CONDENsATION)。

4. Kalman Filter（卡尔曼滤波算法）：Dr Kalman提出

Kalman Filter 算法实时性强，但抗遮挡能力弱。

现在跟踪算法的发展趋势：

一种算法的单独改进，对于Meanshift算法基本上是改进其核函数和巴氏距离，其效果不是很有效。

另一种改进是综合两种算法，如果一个算法如果失效，转到另一个算法上，其思想是：一个算法注重时效性，另一个算法注重鲁棒性。 有两种经典的组合：卡尔曼滤波和粒子滤波 粒子滤波和均值漂移 个人认识：

对于简单背景的目标跟踪，用Camshift可以解决，对于复杂的可以用 粒子滤波和均值漂移算法。

本文来源：https://www.bwwdw.com/article/d7r1.html