窗宽自适应Mean-Shift跟踪算法

计算机应用 ›› 2011, Vol. 31 ›› Issue (01): 254-257.

窗宽自适应Mean-Shift跟踪算法

白向峰¹,李艾华²,李喜来¹,蔡艳平¹

1. 第二炮兵工程学院
2. 西安第二炮兵工程学院502教研室

收稿日期:2010-07-13 修回日期:2010-08-25 发布日期:2011-01-12 出版日期:2011-01-01
通讯作者: 白向峰

Mean-Shift tracking algorithm based on adaptive bandwidth

², ², ²

Received:2010-07-13 Revised:2010-08-25 Online:2011-01-12 Published:2011-01-01

摘要/Abstract

摘要： 针对固定窗宽Mean-Shift算法在目标运动速度过快或尺度发生明显变化时可能导致跟踪失败的问题，提出一种窗宽自适应的Mean-Shift跟踪算法。该方法基于均值漂移矢量预测跟踪窗口中心位置，同时自动调整跟踪窗口大小，保证目标始终处于跟踪窗口内部，使算法得以准确定位目标；在确定空间位置后，利用基于Bhattacharyya系数的二分法自动选取窗口缩放比例，得到与目标尺度一致的跟踪窗口。实验结果证明，该方法能很好地定位目标的空间位置和尺度。

关键词: 目标跟踪, 均值漂移, 窗宽自适应, Bhattacharyya系数

Abstract: Mean-Shift algorithm with fixed bandwidth often fails in tracking an object that moves too fast or owns a dramatic change in scale. To solve the problem, a novel Mean-Shift tracking algorithm based on adaptive bandwidth is proposed. Mean-Shift vector is used to predict the center position and automatically modulate the size of tracking window that fix the object inside the window and gain accurate object position. After the confirming of position, a Bhattacharyya coefficient based dichotomy is adopted to select the pantograph ratio automatically, and a tracking window adapt to the scale of object is obtained. Experiment results proved the algorithm’s capability in locating object’s position and scale.

Key words: object tracking, Mean-Shift, adaptive bandwidth, Bhattacharyya coefficient

白向峰李艾华李喜来蔡艳平. 窗宽自适应Mean-Shift跟踪算法[J]. 计算机应用, 2011, 31(01): 254-257.

[1]	姬张建, 任兴旺. 带旋转与尺度估计的全卷积孪生网络目标跟踪算法[J]. 计算机应用, 2021, 41(9): 2705-2711.
[2]	钟莎, 黄玉清. 基于孪生区域候选网络的无人机指定目标跟踪[J]. 计算机应用, 2021, 41(2): 523-529.
[3]	张杰, 常天庆, 戴文君, 郭理彬, 张雷. 基于相关滤波与颜色概率模型的目标跟踪算法[J]. 计算机应用, 2020, 40(6): 1774-1782.
[4]	何祥宇, 李静, 杨数强, 夏玉杰. 基于ET-PHD滤波器和变分贝叶斯近似的扩展目标跟踪算法[J]. 计算机应用, 2020, 40(12): 3701-3706.
[5]	石国强, 赵霞. 基于联合优化的强耦合孪生区域推荐网络的目标跟踪算法[J]. 计算机应用, 2020, 40(10): 2822-2830.
[6]	杨博, 蔺素珍, 禄晓飞, 李大威, 秦品乐, 左健宏. 基于多特征融合与分层数据关联的空中红外多目标跟踪方法[J]. 计算机应用, 2020, 40(10): 3075-3080.
[7]	俞皓芳, 孙力帆, 付主木. 基于改进K-means++聚类的多扩展目标跟踪算法[J]. 计算机应用, 2020, 40(1): 271-277.
[8]	何祥宇, 于斌, 夏玉杰. 粒子概率假设密度平滑器异常平滑问题的解决方法[J]. 计算机应用, 2020, 40(1): 299-303.
[9]	贾永超, 何小卫, 郑忠龙. 融合重检测机制的卷积回归网络目标跟踪算法[J]. 计算机应用, 2019, 39(8): 2247-2251.
[10]	韩玉兰, 韩崇昭. 非线性系统的多扩展目标跟踪算法[J]. 计算机应用, 2019, 39(5): 1318-1324.
[11]	杨春德, 刘京, 瞿中. 分离窗口快速尺度自适应目标跟踪算法[J]. 计算机应用, 2019, 39(4): 1145-1149.
[12]	胡秀华, 王长元, 肖锋, 王亚文. 利用空间结构信息的相关滤波目标跟踪算法[J]. 计算机应用, 2019, 39(4): 1150-1156.
[13]	黄帅, 付光远, 伍明, 岳敏. 未知环境基于单目次优视差的多模滤波目标跟踪算法[J]. 计算机应用, 2019, 39(3): 864-868.
[14]	闫若怡, 熊丹, 于清华, 肖军浩, 卢惠民. 基于并行跟踪检测框架与深度学习的目标跟踪算法[J]. 计算机应用, 2019, 39(2): 343-347.
[15]	熊晓璇, 王文伟. 基于快速判别式尺度估计的核相关滤波方法[J]. 计算机应用, 2019, 39(2): 546-550.