SVM与Mean-Shift结合的非刚性目标跟踪算法

"基于SVM与Mean_Shift的非刚性目标跟踪框架_侯一民.pdf" 本文介绍了一种结合支持向量机（Support Vector Machine, SVM）和均值移动（Mean-Shift）算法的非刚性目标跟踪框架，主要用于解决动态背景下的序列图像目标跟踪问题。作者侯一民和伦向敏提出了这一方法，并通过东北电力大学博士科研启动基金资助的课题进行了研究。 在该框架中，首先在初始图像中选取目标所在的矩形区域，并将该目标周围一定范围的像素定义为背景。接下来，使用SVM训练一个二值分类器，该分类器能够区分目标与背景像素。SVM的优势在于它能有效地处理小样本、高维数据，适合于目标和背景的特征学习。 在获取分类器后，将其应用于下一帧图像的对应区域，对像素进行分类，生成一个二值的置信图。置信图表示了像素属于目标的概率，其高值区域代表目标的可能性较大。接着，利用Mean-Shift算法在置信图上寻找概率最高的点，这通常对应于目标的中心位置。Mean-Shift是一种迭代聚类方法，能自适应地寻找图像密度峰值，从而定位目标。 确定目标位置后，更新目标框和背景框的中心，以适应目标的移动。同时，考虑到目标可能的尺度变化，目标框会以10%的比例缩放，选取最佳尺度以贴合目标的实际大小。然后，使用当前目标像素和背景像素再次训练SVM分类器，为下一次跟踪做准备，如此循环，实现整个序列图像的连续跟踪。 这种方法对动态背景和非刚性目标（即形状和大小会发生变化的目标）具有较好的适应性，实验结果证明其实时性能良好。关键词涵盖了图像处理、目标跟踪、SVM、Mean-Shift和置信图，这些是该研究的核心技术领域。中图分类号和文献标志码则表明了文章在信息技术和应用领域的学术价值。