Mean-Shift优化的TLD视频跟踪算法研究

"基于Mean-Shift优化的TLD视频长时间跟踪算法" TLD（Tracking-Learning-Detection）是一种视频目标跟踪算法，它集跟踪、学习和检测于一体，旨在解决目标在复杂场景中的持续跟踪问题。然而，TLD算法的计算量较大，这限制了其在实时应用中的效率。为了解决这一问题，研究者提出了一种优化策略，即用Mean-Shift算法替代TLD中的光流跟踪算法。 Mean-Shift算法是一种非参数密度估计和模式搜索方法，以其较低的计算复杂度而著称。在优化后的TLD算法中，Mean-Shift用于寻找目标的最可能位置，而不是使用光流法。光流法虽然能提供精确的运动信息，但计算量较大，尤其是在处理大量像素的场景时。Mean-Shift算法则通过迭代过程找到高密度区域，以此作为目标的位置，速度更快。 优化的TLD算法还包括一个自检测机制，它通过比较目标模型与候选目标模型之间的巴氏系数（一种衡量两个概率分布相似性的指标）和预设阈值来判断跟踪是否失效。当巴氏系数低于阈值时，表明跟踪可能已经失败。此外，该算法还通过计算Mean-Shift跟踪返回的目标框与前一帧TLD返回的目标框之间的相似度，进一步确认跟踪的有效性。如果跟踪失败，系统会启动检测器对目标进行重新初始化，以恢复跟踪。 实验结果表明，这个基于Mean-Shift优化的TLD算法在视频长时间跟踪任务中表现出更高的鲁棒性和准确性。尤其是在跟踪速度上，优化后的算法有了显著提升，这使得它更适用于实时或资源受限的环境。同时，由于Mean-Shift的引入，算法对于光照变化、遮挡和目标形变等情况的适应能力也有所增强。 这项研究是由国家自然科学基金、浙江省基金和宁波市基金资助的项目，由肖庆国、叶庆卫、周宇和王晓东等人完成。他们在图像处理和振动信号处理等领域有深入的研究背景，通过这种优化，他们为视频目标跟踪领域提供了一个更为高效且准确的解决方案。 关键词：长时间跟踪，TLD，在线学习，Mean-Shift 中图分类号：TP391.41；TP301.6 文献标志码：A 文章编号：1001-3695(2015)03-0925-04 doi：10.3969/j.issn.1001-3695.2015.03.066