改进的Meanshift运动目标跟踪算法

Meanshift算法在对快速运动的目标进行跟踪时容易丢失目标,并且在目标被遮挡时,也容易造成跟踪失败,跟踪的过程中跟踪框不能随着运动目标的大小变化而变化.提出一种基于Meanshift运动目标跟踪算法的改进算法.该算法基本思想是采用改进的三帧差分法对运动目标区域进行提取,求得跟踪框轮廓,同时用Meanshift算法对运动目标进行跟踪,获得目标最大概率区域,将该区域中心作为跟踪框的中心.跟踪过程中通过巴氏系数判断是否目标被遮挡,若被遮挡则调用Kalman滤波进行预测跟踪.实验结果表明,该算法能够快速、准确地跟踪目标.     

结合快速鲁棒性特征改进ORB的特征点匹配算法

针对定向二进制简单描述符（ORB）算法不具备尺度不变性的问题,提出一种结合快速鲁棒性特征（SURF）算法和ORB的改进算法。首先,利用Hessian矩阵检测特征点的方法,使得提取出的特征点具有尺度不变性;然后,用ORB生成特征描述子;接着采用K-近邻算法进行粗匹配;最后,通过比率测试、对称测试、最小平方中值（LMedS）定理进行提纯。尺度变化时,该算法比ORB的匹配精度提高了74.3个百分点,比SURF的匹配精度提高了4.8个百分点;旋转变化时,该算法比ORB的匹配精度提高了6.6个百分点;匹配时间高于SURF低于ORB。实验结果表明,改进算法不仅保持了ORB的旋转不变性,而且具备了尺度不变性,在不失速度的前提下,匹配精度得到较大提高。