《表3 Mean Shift框架下的特征融合总结》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《Mean Shift和粒子滤波实现红外人体跟踪算法综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

针对上述所提Mean Shift算法缺陷之二，González等人[21]先利用KLT(Kanade Lucas Tamasi，KLT）角点跟踪算法来描述目标特性，再利用Mean Shift方法将边界框放置到目标位置实现单个目标长期的稳健跟踪。Bousetouane等人[22]将纹理、颜色特征融入到Mean Shift框架中，将该算法的跟踪窗口与真实运动目标掩模相适应来处理复杂非刚体运动和目标尺度变化问题，但当运动目标太小时不能实现准确跟踪。Liu等人[23]利用运动信息引导灰度、边缘线索来实现对Mean Shift算法的改进并将上述线索自适应的融入该框架，该方法较非自适应多融合方法跟踪偏差较小；较Mean Shift算法拥有良好的跟踪性能；但执行速度（0.052 6 s即19帧/s）比Mean Shift算法（0.023 3 s即42帧/s）慢，跟踪实时性还需选择更好的软硬件配置来改进。Mean Shift算法仅仅利用像素的灰度信息实现红外人体稳健跟踪远远不够，因此，像边缘、强度、纹理线索或运动信息常常与灰度信息进行自适应融合。表3是在Mean Shift框架下对文献[22-23]所用特征的详尽总结。