基于预测的Mean Shift人脸跟踪算法研究

摘要

在众多的人脸跟踪算法中，Mean Shift(均值偏移)算法作为一种无参数密度估计的高效的模式匹配算法，很容易作为一个模块和其它算法集成，在跟踪领域已得到广泛的研究和应用。 但是Mean Shift算法本身也存在一些不足，在基于Mean Shift算法的人脸跟踪系统中，它只利用了人脸的肤色信息，没有利用目标的运动信息，当出现遮挡时，容易丢失目标，导致跟踪失败。本文针对这些不足，提出两种改进的算法： 本文首先提出一种Mean Shift和Kalman滤波相结合的算法。Kalman滤波预测目标在本帧的可能位置，Mean Shift算法在该点邻域内搜索，减小了搜索区域，提高了系统的实时性。实验结果表明，该算法对快速运动目标的跟踪效果良好，而且能较好地解决遮挡引起的目标丢失问题。 Kalman滤波是线性预测器，无法预测复杂运动的目标。为此，本文提出一种Mean Shift和粒子滤波相结合的算法，利用Mean Shift算法把重采样后的粒子收敛到可能的目标位置。由于每个粒子表示状态更合理，所需粒子数大大减少，算法的实时性得到了提高。实验结果表明，改进算法在复杂环境下目标快速晃动和出现遮挡时都能够实现很好的跟踪，相对于传统粒子滤波器实时性得到很大提高。