kalman滤波融合优化meanshift的目标跟踪探讨

《kalman滤波融合优化meanshift的目标跟踪探讨》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、Kalman滤波融合优化MeanShift的目标跟踪探讨摘要：MeanShift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，MeanShift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MeanShift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MeanShift算法融合的优化目标跟踪方法，即使用Kalman滤

2、波根据目标运动状态确定Meanshift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，以迗到准确跟踪运动目标的目的。关键词：Kalman滤波；MeanShift算法；融合优化；目标跟踪；目标运动状态突变引言为了提升目标跟踪效果，文章结合这两种目标跟踪算法的优缺点进行实验分析，提出了Kalman滤波融合优化MeanShift的目标跟踪算法，解决了目标跟踪中目标遮挡、速度过快、背景变化等情况造成的无法跟踪问题。1MeanShift目标跟踪算法MeanShift目标跟踪算法是一个利用均值漂移向量

3、对目标进行迭代跟踪，通过核函数颜色直方图建模描述目标特征，同时使用相似性函数度量被跟踪运动目标模型和当前帧候选模型相似性，比对相似性函数大小确定目标的Meanshift向量，进而通过不断迭代计算确定目标实际位置，以达到跟踪目的的过程。整个过程可以分为四大阶段：1.1目标模型的描述首先，确立目标模型需要建立一个目标模型的坐标系。假设xO为目标模型的中心坐标，并规定｛xihi=l，2，…，n为其各像素坐标位置集合，m为核函数颜色直方图特征个数，概率特征为u，则可建立目标模型表迗式。当用一个单调递减的各向同性凸核函数k(x)对目标模型各点进行加权时，由于靠近边界的

4、像素值非常容易被背景干扰或者被遮蔽物遮挡等原因，离目标模板中心距离越近的位置的像素点权重越大，而目标像素位置与模型中心距离越远所受的影响越小。1.2候选目标模型的描述MeanShift算法是通过迭代的方式进行目标跟踪的，迭代起始于候选区域，即当前帧的后一帧图像中原来目标所在区域，而候选目标模型即为在候选区域所得的目标核直方特征。我们可以采用与建立目标模型表迗式同样的方式建立候选目标模型计算表达式，然后进行相应的计算分析。1.3相似性函数相似形函数是用来将前后两帧目标模型图像与候选目标模型图像进行比较重要关键数据。通常使用Bhattacharyya系数来进行相

5、似度描述，该系数范围在0〜1之间，数值越大表明目标图像与候选目标图像越相似，证明两个图像离散分布间的距离越小。1.4目标定位Meanshift算法是通过反复迭代定位的，为了使相似性函数迗到最大值，必须在前一帧的yO起始基础上寻找后一帧yl位置，并以此类推，只有当Ilyb-yOll