光电工程
光電工程
광전공정
OPTO-ELECTRONIC ENGINEERING
2014年
6期
56-62
,共7页
韩涛%吴衡%张虎龙%侯海啸%邹强%张兴国
韓濤%吳衡%張虎龍%侯海嘯%鄒彊%張興國
한도%오형%장호룡%후해소%추강%장흥국
Kalman滤波%Mean Shift算法%目标跟踪%模板更新
Kalman濾波%Mean Shift算法%目標跟蹤%模闆更新
Kalman려파%Mean Shift산법%목표근종%모판경신
Kalman filter%Mean Shift algorithm%target tracking%template update
目标跟踪中,目标的背景变化、形状改变、遮挡,往往会导致跟踪失败,而跟踪的实时性和准确性是必须考虑的问题。本文首先对Mean Shift算法进行了介绍,接着对Mean Shift算法进行了优化:修正Mean Shift算法迭代权值,修正后主要信息贡献更加突出,次要信息受到抑制,避免了开方的繁琐运算,降低了运算量。提出了目标模板更新算法,解决了背景变化和目标形状改变时跟踪失败的问题。然后在水平位置和竖直位置建立Kalman滤波器,同时将优化Mean Shift算法与Kalman滤波融合,解决了目标完全遮挡后无法继续跟踪的问题。仿真实验表明,本文提出的目标跟踪算法在目标遮挡,目标形状改变,目标跟踪失败的情况下具有更高的跟踪精度,更高的实时性和鲁棒性。
目標跟蹤中,目標的揹景變化、形狀改變、遮擋,往往會導緻跟蹤失敗,而跟蹤的實時性和準確性是必鬚攷慮的問題。本文首先對Mean Shift算法進行瞭介紹,接著對Mean Shift算法進行瞭優化:脩正Mean Shift算法迭代權值,脩正後主要信息貢獻更加突齣,次要信息受到抑製,避免瞭開方的繁瑣運算,降低瞭運算量。提齣瞭目標模闆更新算法,解決瞭揹景變化和目標形狀改變時跟蹤失敗的問題。然後在水平位置和豎直位置建立Kalman濾波器,同時將優化Mean Shift算法與Kalman濾波融閤,解決瞭目標完全遮擋後無法繼續跟蹤的問題。倣真實驗錶明,本文提齣的目標跟蹤算法在目標遮擋,目標形狀改變,目標跟蹤失敗的情況下具有更高的跟蹤精度,更高的實時性和魯棒性。
목표근종중,목표적배경변화、형상개변、차당,왕왕회도치근종실패,이근종적실시성화준학성시필수고필적문제。본문수선대Mean Shift산법진행료개소,접착대Mean Shift산법진행료우화:수정Mean Shift산법질대권치,수정후주요신식공헌경가돌출,차요신식수도억제,피면료개방적번쇄운산,강저료운산량。제출료목표모판경신산법,해결료배경변화화목표형상개변시근종실패적문제。연후재수평위치화수직위치건립Kalman려파기,동시장우화Mean Shift산법여Kalman려파융합,해결료목표완전차당후무법계속근종적문제。방진실험표명,본문제출적목표근종산법재목표차당,목표형상개변,목표근종실패적정황하구유경고적근종정도,경고적실시성화로봉성。
Background change, shape change and target covering will cause target tracking failure. Real-time and accuracy in target tracking must be considered. First, the Mean Shift algorithm is presented, and then the Mean Shift algorithm iterative weight is modified with main information more prominent, secondary information suppressed, avoiding the tedious root, and improving the real-time and effectiveness of target tracking. The target template updating algorithm is presented to solve change of background and target shape change. Then a Kalman filter in the horizontal position and the vertical position is established to solve the problem of target tracking completely covered. Simulation results show that target tracking algorithm on the condition of target template update has higher tracking accuracy, higher real-time property and at the same time is more robust than the traditional Mean Shift tracking algorithm.