meanShift算法用于目标跟踪的优缺点
2012-03-10 23:34
260 查看
meanShift算法用于视频目标跟踪时,采用目标的颜色直方图作为搜索特征,通过不断迭代meanShift向量使得算法收敛于目标的真实位置,从而达到跟踪的目的。
传统的meanShift算法在跟踪中有几个优势:
(1)算法计算量不大,在目标区域已知的情况下完全可以做到实时跟踪;
(2)采用核函数直方图模型,对边缘遮挡、目标旋转、变形和背景运动不敏感。
同时,meanShift算法也存在着以下一些缺点:
(1)缺乏必要的模板更新;
(2)跟踪过程中由于窗口宽度大小保持不变,当目标尺度有所变化时,跟踪就会失败;
(3)当目标速度较快时,跟踪效果不好;
(4)直方图特征在目标颜色特征描述方面略显匮乏,缺少空间信息;
由于其计算速度快,对目标变形和遮挡有一定的鲁棒性,所以,在目标跟踪领域,meanShift算法目前依然受到大家的重视。但考虑到其缺点,在工程实际中也可以对其作出一些改进和调整;例如:
(1)引入一定的目标位置变化的预测机制,从而更进一步减少meanShift跟踪的搜索时间,降低计算量;
(2)可以采用一定的方式来增加用于目标匹配的“特征”;
(3)将传统meanShift算法中的核函数固定带宽改为动态变化的带宽;
(4)采用一定的方式对整体模板进行学习和更新;
传统的meanShift算法在跟踪中有几个优势:
(1)算法计算量不大,在目标区域已知的情况下完全可以做到实时跟踪;
(2)采用核函数直方图模型,对边缘遮挡、目标旋转、变形和背景运动不敏感。
同时,meanShift算法也存在着以下一些缺点:
(1)缺乏必要的模板更新;
(2)跟踪过程中由于窗口宽度大小保持不变,当目标尺度有所变化时,跟踪就会失败;
(3)当目标速度较快时,跟踪效果不好;
(4)直方图特征在目标颜色特征描述方面略显匮乏,缺少空间信息;
由于其计算速度快,对目标变形和遮挡有一定的鲁棒性,所以,在目标跟踪领域,meanShift算法目前依然受到大家的重视。但考虑到其缺点,在工程实际中也可以对其作出一些改进和调整;例如:
(1)引入一定的目标位置变化的预测机制,从而更进一步减少meanShift跟踪的搜索时间,降低计算量;
(2)可以采用一定的方式来增加用于目标匹配的“特征”;
(3)将传统meanShift算法中的核函数固定带宽改为动态变化的带宽;
(4)采用一定的方式对整体模板进行学习和更新;
相关文章推荐
- meanShift算法用于目标跟踪的优缺点
- meanshift算法图解以及在图像聚类、目标跟踪中的应用
- MeanShift算法(二)之运动目标跟踪
- meanshift算法图解以及在图像聚类、目标跟踪中的应用
- MeanShift算法及其在目标跟踪上的运用
- 运动目标跟踪简介
- 基于光流分析的运动目标快速检测与跟踪融合算法
- [OpenCV] Camshiftdemo 目标跟踪
- [置顶] 基于稀疏表示的多目标跟踪基本流程(文献分析)
- 目标跟踪之模板匹配---简单的模板匹配
- OpenCV_目标跟踪学习笔记_1(opencv中meanshift和camshift例子的应用) opencv源码注释
- 如何有效的跟踪和执行会议达成的目标?——来自项目管理群的讨论
- OpenCV meanshift目标跟踪总结
- 基于MeanShift的目标跟踪算法及实现
- 智能视频监控中的多目标跟踪分析
- 基于RNN的在线多目标跟踪——OnLine Multi-Target Tracking Using Recurrent Neural Networks
- 基于感知哈希算法的视觉目标跟踪
- 提取特征的方法及不同场景的处理(目标跟踪)
- Object Tracking Benchmark 目标跟踪中常用算法评价参数
- 人工智能目标跟踪小车