复杂背景下MeanShift结合Kalman滤波的车辆跟踪算法

摘要

针对复杂背景下车辆跟踪的难点,提出一种新的跟踪算法来更好地实现复杂背景下的车辆跟踪。该算法融合MeanShift和Kalman两种跟踪方法各自的优点,即在MeanShift跟踪过程中插入Kalman预测车辆下一步的运动位置。首先,通过设置好Kalman滤波功能选择的阈值,对MeanShift的跟踪结果进行判断,若MeanShift跟踪结果理想,则Kalman滤波的功能是平滑跟踪结果;若跟踪结果不理想,则Kalman滤波的功能是预测下一帧车辆的位置。最终试验结果说明该算法能有效提升跟踪精度和鲁棒性,实时性提高了17%左右,车辆丢失率降低了20%～30%左右,能更好地针对复杂背景下完成对车辆的跟踪。