基于Meanshift的視頻人體目標跟蹤算法研究.pdf

1、視頻運動人體目標的跟蹤技術(shù)已經(jīng)成為了計算機視覺一個重要課題和研究熱點,也有很大的現(xiàn)實意義和應(yīng)用價值。本文研究對比了代表性的Meanshift、粒子濾波、Kalman濾波估計、光流法等視頻目標跟蹤技術(shù)算法,其中 Meanshift算法是通過多次迭代漂移跟蹤目標位置,對低速運動目標大多數(shù)情況都能達到實時、準確的跟蹤,且簡單易實現(xiàn),但不適應(yīng)快速運動目標或小目標的跟蹤,存在誤差累積錯誤跟蹤。
　　基于此,本文提出了一種結(jié)合Kalman濾波

2、器和幀差法改進Meanshift算法的新跟蹤方法。在Meanshift算法框架下,新方法依據(jù)Kalman濾波對目標質(zhì)心和長寬預(yù)測,從幀差法檢測到的運動區(qū)域中挑選可信區(qū)域只進行一次 Meanshift顏色相似度檢測,若不滿足目標相似條件,則再對其他運動區(qū)域及Kalman預(yù)測區(qū)域依序進行原Meanshift算法跟蹤,選出目標最佳跟蹤區(qū)域。Kalman濾波器和幀差法可以預(yù)測和檢測到豐富的運動區(qū)域信息,二者讓 Meanshift算法內(nèi)核漂移跟蹤

3、更智能化。實驗證明新方法減少了傳統(tǒng)Meanshift顏色匹配迭代的次數(shù)和計算,在持久跟蹤丟失目標的情況下也可以快速重新找回原目標準確跟蹤,具有跟蹤上的魯棒性。
　　最后本文拓展研究了人體目標跟蹤技術(shù)的重要應(yīng)用—視頻人體動作識別,并提出了基于肢體的三個特征描述子了的動作識別方法。最后重申本文的研究創(chuàng)新點:1)在Meanshift算法框架下,設(shè)計一種結(jié)合 Kalman、幀差法挖掘豐富運動信息新 MeanShift跟蹤算法,同樣可以較好