Tracking算法学习之mean-shift——Robust Scale-Adaptive Mean-Shift for Tracking

最新推荐文章于 2025-07-11 14:16:28 发布

原创

最新推荐文章于 2025-07-11 14:16:28 发布 · 4.7k 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #mean-shift #tracking

本文深入探讨了Mean-Shift追踪算法，详细解析了传统Mean-Shift的工作原理，包括颜色直方图、核函数、权值计算等。同时，文章介绍了针对尺度变化问题的改进算法——Robust Scale-Adaptive Mean-Shift，它使用anisotropic特征，以更好地适应目标尺度变化。此外，还讨论了背景像素加权和尺度限定策略在提升追踪效果上的作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

原文地址：【http://www.sciencedirect.com/science/article/pii/S0167865514001056】
一、传统的Mean-Shift
原文地址：【http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=1195991&tag=1】
个人理解（可能存在偏差，会不断改进）：
Mean-Shift算法用于tracking时，通过最小化两个概率密度函数之间的距离来进行，是一种非参数技术。
对于模板中的目标，即target model，颜色直方图表示为
这里写图片描述

对于u从1到m，表示的是颜色直方图的bin，这里将三通道彩色图像化为16x16x16个bin，每个bin代表像素值区间为16的长度，如0到15，16到31…等。即m=16x16x16。每一个qu，表示的是之后根据该像素点对应的坐标位置而计算出来的权值weights的累加和。
即
这里写图片描述
这里的c表示的是对该直方图进行归一化的系数。其中为