基于Mean_Shift和NMI特征的人眼跟踪
Target tracking code with mean shift and particle filter
Mean shift 算法是一种非参数密度估计算法,可以实现快速的最优匹配。为了有效地将Mean shift算法应用到灰度图像中,使用空间分布和纹理信息作为匹配信息,提出了一种基于空间方向直方图的Me
基于均值偏移(mean shift)分割算法需人工进行带宽选择和耗时长问题,本文利用直方图密度估计与真实密度之间局部协方差最小来进行自动带宽计算方法。将该方法应用于彩色图像多人头的检测中,可以有效克服
Roughly, visual tracking algorithms can be divided into two main classes: deterministic tracking and
聚类分析是研究多要素事物分类问题的数量方法。基本原理是根据样本自身的属性,用数学方法按照某种相似性或差异性指标,定量地确定样本之间的亲疏关系,并按这种亲疏关系程度对样本进行聚类。 常见的聚类分析方法有
针对当前基于随机集的多扩展目标跟踪算法存在计算量大、量测划分不准确和跟踪误差大的问题,在PHD滤波基础上提出一种基于均值漂移(Mean Shift)迭代的新生未知多扩展目标跟踪算法.首先,对聚类后量测
特征空间分析是视觉跟踪中的关键问题. 针对mean shift 跟踪算法中模板匹配问题, 提出了特征贡献度概 念, 有效减少了背景和噪声因素干扰, 使重要性特征在匹配中起到关键作用; 利用结构二值分布
当图像中的背景发生波动时,修正的背景加权直方图(CBWH)算法在目标跟踪过程中存在波动跟随现象,从而产生波动误差。为了改善背景波动下算法的跟踪效果,减小波动误差,在CBWH算法的基础上提出了一种背景梯
考虑到处理非线性非高斯问题的粒子滤波方法在鲁棒性和速度方面的缺点,利用meanshift算法找到后验概率的局部最优,用构成新的粒子集合来确定目标的最终位置,在不改变粒子滤波优点的同时提高了跟踪的速度。
