一种基于Mean Shift和Kalman预测的带宽自适应跟踪算法

J4 ›› 2013, Vol. 35 ›› Issue (5): 87-92.

一种基于Mean Shift和Kalman预测的带宽自适应跟踪算法

王文江1，黄山1,2，张洪斌2

(1.四川大学电气信息学院，四川成都 610065;2.四川大学计算机学院，四川成都 610065)

收稿日期:2012-04-10 修回日期:2012-09-06 出版日期:2013-05-25 发布日期:2013-05-25

Bandwidthadaptive tracking algorithm
based on Mean Shift and Kalman prediction

WANG Wenjiang1,HUANG Shan1,2,ZHANG Hongbin2

(1.College of Electrical Engineering and Information,Sichuan University,Chengdu 610065;
2.College of Computer Science,Sichuan University,Chengdu 610065,China)

Received:2012-04-10 Revised:2012-09-06 Online:2013-05-25 Published:2013-05-25

摘要/Abstract

摘要：

Mean Shift算法是视觉监控领域广泛应用的经典目标跟踪方法，但对于速度过快或尺度变化大的目标的跟踪存在较大的缺陷。针对这一问题，提出了一种基于Mean Shift和Kalman方法预测的带宽自适应跟踪算法。该算法提出以Kalman预测目标在下帧中的位置作为Mean Shift迭代初始位置，以高效锁定各类运动目标；同时采用增量试探法自动调节带宽以适应目标的尺度变化。通过对行人和车辆等不同监控对象的实验表明，该跟踪算法具有良好的鲁棒性。

关键词: Mean Shift, 目标跟踪, 卡尔曼预测, 增量试探

Abstract:

As a widely used traditional tracking technique in visual surveillance, Mean Shift algorithm has a deficiency in handling moving targets with high speed or large scale change. In order to sove this problem, a bandwidthadaptive tracking algorithm based on Mean Shift and Kalman prediction was proposed. The algorithm uses Kalman filter to predict the positions of fast moving objects in the successive frame, which are as the initial positions for Mean Shift iteration. Bandwidth trials is utilized to adjust the bandwidth automatically for targets' scale change. The experimental results of pedestrians and vehicle tracking show that our algorithm is effective and robust.

Key words: Mean Shift;object tracking;Kalman prediction;bandwidth trials

王文江1，黄山1,2，张洪斌2. 一种基于Mean Shift和Kalman预测的带宽自适应跟踪算法[J]. J4, 2013, 35(5): 87-92.

WANG Wenjiang1,HUANG Shan1,2,ZHANG Hongbin2. Bandwidthadaptive tracking algorithm
based on Mean Shift and Kalman prediction [J]. J4, 2013, 35(5): 87-92.

[1]	马玉民, 钱育蓉, 周伟航, 公维军, 帕力旦·吐尔逊. 基于孪生网络的目标跟踪算法综述[J]. 计算机工程与科学, 2023, 45(09): 1578-1592.
[2]	崔克彬, 崔叶微. 基于卷积和Transformer的断路器动触头跟踪方法研究[J]. 计算机工程与科学, 2023, 45(07): 1236-1244.
[3]	杨冬英, 贺江鹏 . 针对机动目标的改进型交互多模型跟踪算法研究[J]. 计算机工程与科学, 2022, 44(04): 686-691.
[4]	冯琪堯, 张惊雷, . 基于混合注意力机制的目标跟踪算法[J]. 计算机工程与科学, 2022, 44(02): 276-282.
[5]	方梦华, 姜添, . 基于无监督学习的无人机目标跟踪[J]. 计算机工程与科学, 2021, 43(06): 1024-1031.
[6]	张晓丽, 张龙信, 肖满生, 左国才. 快速多域卷积神经网络和光流法融合的目标跟踪[J]. 计算机工程与科学, 2020, 42(12): 2217-2222.
[7]	徐亮, 张江, 张晶, 杨亚琦. 基于VGG网络的鲁棒目标跟踪算法[J]. 计算机工程与科学, 2020, 42(08): 1406-1413.
[8]	李星辰，柳晓鸣，成晓男. 融合YOLO检测的多目标跟踪算法[J]. 计算机工程与科学, 2020, 42(04): 665-672.
[9]	黄云明1，张晶1,2，喻小惠1，陶涛3，龚力波4. 改进STC和SURF特征联合优化的目标跟踪算法[J]. 计算机工程与科学, 2019, 41(10): 1795-1802.
[10]	火元莲，曹鹏飞，董俊松，石明. 基于融合特征的多尺度快速相关滤波跟踪算法[J]. 计算机工程与科学, 2019, 41(03): 559-566.
[11]	张晶，王旭,范洪博. 自适应目标变化的时空上下文抗遮挡跟踪算法[J]. 计算机工程与科学, 2018, 40(09): 1653-1661.
[12]	王召月，陈丽芳. 基于mean-shift全局立体匹配方法[J]. 计算机工程与科学, 2017, 39(07): 1333-1337.
[13]	张丹1，陈兴文1，赵姝颖2. 基于水平集的TLD目标跟踪改进算法[J]. 计算机工程与科学, 2017, 39(05): 984-991.
[14]	李娜1,2,3，赵祥模1，赵凤2,3，刘卫华2,3，王倩2,3. 基于外观模型的目标跟踪算法研究进展[J]. 计算机工程与科学, 2017, 39(03): 524-533.
[15]	陈伟1,祝恩1,刘天航1,殷建平1,邱明辉2. 目标跟踪算法的并行优化[J]. 计算机工程与科学, 2016, 38(11): 2177-2182.