了它们的基础,但基于目标建模和定位的跟踪算法更加贴近图像,同时也和配准方法[20]有类似之处。目标定位和配准方法都是最大化似然函数。区别在于,在跟踪的时候,连续的两帧图像里的位置和目标的模型数据的变化不会太大,这点是和配准方法截然相反的。目前有许多学者根据这点特性做了许多算法,基于梯度的算法[21]是根据归一化的相关度来进行跟踪,然后相关度有所缺点,就是对光照特别敏感。Hager和Belhumeur[22]明确地建立了几何光照的变化模型,该方法又由Sclaroff和Isidoro[23]进一步的改进。对模型的训练学习是建立在一些稳定的图像结构,运动信息和一些异常过程[24]的基础之上的。在不同的做法上,Ferrari等人[25]提出了一种基于平坦区域和箭头的跟踪器。跟踪人的时候,会产生很多问题,这些问题大部分都是由人们的三维移动的无规律性而产生的。在一些文献中,这种问题被大量地详细分析[26][27]。与此同时人的直接跟踪法[28]时间复杂度高,而且经常会用上一些其它的模型[29][30]。1.3主要研究内容本文的主要目的是研究Meanshift算法,并且将其用于目标跟踪,进而提出一套改进的Meanshift算法,使其能够自适应物体的大小进行跟踪。其内容可以大致分为三个部分:1)推出了一种基于目标建模和定位的跟踪算法,该算法为跟踪非刚性物体提供了新的框架。首先介绍并分析了meanshift算法的收敛特征,初步介绍了该算法在计算机视觉领域的应用并且成功地解决了视觉领域许多问题;2)对跟踪的目标建立直方图模型,并为跟踪算法提供依据。最后,利用Meanshift算法对其进行跟踪并且分析其算法复杂度和该算法的优势;3)在Meanshift的基础之上,建立一个能够自适应目标大小的camshift算法,同时将全局运算改为对图像的局部进行运算,从而可以大大节省运算量。并将此算法用作跟踪。
全文预览
