[发明专利]基于MeanShift原理改进的一种视觉跟踪算法

摘要

本发明公开了一种基于Mean Shift原理改进的一种视觉跟踪算法。目前视觉跟踪问题方法主要分为确定性跟踪方法和概率跟踪方法。确定性跟踪方法计算效率高，能够满足对实时性要求较高的应用，并且依赖的参数较少；以粒子滤波为代表的概率跟踪方法能够较好地处理非线性非高斯问题，鲁棒性较强。针对常用的mean shift跟踪算法无法利用目标的空间信息导致跟踪不准确并且无法解决遮挡等问题，本发明给出目标与候选目标的相似性度量函数，并基于此推导出了类Mean Shift迭代算法。发明提出了“微分结构相似度”的视觉跟踪方法。并推导其关于目标状态（位置和大小）的梯度，及基于Steepest Ascent最优化方法。

主权项

1.基于Mean Shift原理改进的一种视觉跟踪算法，其特征在于：（1）通过改善算法，针对常用的Mean Shift跟踪算法无法利用目标的空间信息导致跟踪不准确并且无法解决遮挡等问题，研究了一种融合多图像子块的目标模型的Mean Shift类型跟踪方法，融合多图像子块的直方图模型的融合算法的整体框架，给出了基于单特征和多特征的跟踪算法的理论推导过程，详细叙述了图像子块的提取方法、图像子块的加权方法以及算法效率分析，实验表明所提的算法能够很好地处理部分遮挡问题，并且跟踪结果准确；（2）改进算法提出一种基于微分结构相似度的跟踪方法，首先介绍结构相似度方法，接着给出了基于结构相似度一种变换形式的梯度推导过程，最终给出了基于梯度上升方法的跟踪算法，实验证明了算法的准确性以及解决光照变化的能力；（3）接着给出了一种加入尺度变化的基于最速下降法的最优化过程，给出了关于位置和尺度的结构相似度梯度的推导过程，并给出基于最速下降法的S‑DSSIM算法的推导过程，实验证明该方法能够减轻DSSIM方法容易陷入局部极大值点的问题。