發(fā)布時間：2022-10-08 12:12

　　在視頻序列的實時目標跟蹤中,針對經(jīng)典均值漂移跟蹤（MST）方法不能應對遮擋、尺度變化等問題,提出一種結合MST、自學習尺度探測器和粒子濾波的跟蹤方法。采用MST算法在視頻幀中跟蹤目標,當目標收斂到局部最小值時重新初始化目標。提出一種基于在線學習的探測器,用來自適應更新MST的目標模型,使其能夠自動調(diào)整目標尺度。另外,當出現(xiàn)完全遮擋時,啟動粒子濾波器,通過概率計算來估計目標位置,使MST能夠在目標離開遮擋時恢復跟蹤。在通用數(shù)據(jù)集PETS視頻序列上的實驗結果表明,相比其他幾種較新的MST方法,提出的方法具有更高的跟蹤準確性,可以應用于實時檢測和目標跟蹤等應用中。 

【文章頁數(shù)】：7 頁

【文章目錄】：
1 引言
2 目標跟蹤方法的框架
3 均值漂移跟蹤器
    3.1 均值漂移算法
    3.2 跟蹤器的模型更新
4 具備在線學習的探測器
    4.1 方差濾波器
    4.2 集成分類器
    4.3 模型匹配
    4.4 在線學習
5 基于粒子濾波的位置估計
6 實驗及分析
    6.1 實驗設定
    6.2 性能指標
    6.3 性能評估
7 結語


【參考文獻】：
期刊論文
[1]結合SURF與Kalman濾波的CAMShift跟蹤算法[J]. 張磊,彭力.  電子測量與儀器學報. 2017(03)
[2]基于圖像分類與多算法協(xié)作的目標跟蹤算法[J]. 鄭浩,董明利,潘志康.  計算機工程與應用. 2018(04)
[3]基于多特征概率分布的均值漂移行人跟蹤算法[J]. 王愛麗,董寶田,武鴻源.  華南理工大學學報(自然科學版). 2016(08)
[4]似然相似度函數(shù)在目標跟蹤中的魯棒機理研究[J]. 邸男,朱明,韓廣良.  軟件學報. 2015(01)
[5]融合局部三值數(shù)量和色度信息的均值漂移跟蹤[J]. 張紅穎,胡正.  電子與信息學報. 2014(03)
[6]基于顏色紋理特征的均值漂移目標跟蹤算法[J]. 戴淵明,韋巍,林亦寧.  浙江大學學報(工學版). 2012(02)
[7]卡爾曼粒子濾波的視頻車輛跟蹤算法研究[J]. 王相海,方玲玲,叢志環(huán).  中國圖象圖形學報. 2010(11)



本文編號：3687690