2026《传统目标跟踪算法研究的文献综述》2200字.docxVIP

传统目标跟踪算法研究的文献综述

在深度学习技术提出之前，早期目标跟踪算法的传统设计思路大多使用一些经典的数学优化算法，比如均值漂移、粒子滤波、卡尔曼滤波以及基于特征点的光流算法等，这些算法在简单的跟踪场景中能够获得很好的性能和速度。

均值漂移REF_Re\r\h[10]方法是一种基于概率密度分布的跟踪方法，在均值漂移跟踪算法中，颜色直方图用于描述目标区域。通常使用Kullback-Leibler散度，Bhattacharyya系数和其他信息理论上的相似性度量来度量模型区域与当前目标区域之间的相似性。通过迭代找到距离测量函数的局部最小值来完成跟踪。均值漂移方法对想要跟踪的目标进行建模，通过逐帧匹配的方式来预测下一帧目标的所在位置。与传统的穷举搜索不同，均值漂移认为帧与帧之间变化不大，使用不断迭代更新的方式来提高搜索的效率，使目标一直沿着概率梯度上升的方向进行搜索。均值漂移通过颜色分布来表征目标，然后得到下一帧图像中目标物体的概率分布。均值漂移算法采用基于颜色特征的核密度估计的方法进行建模，使得均值漂移算法对目标旋转、小范围遮挡等干扰场景鲁棒性表现性很强，最先进的均值漂移技术已广泛应用于实际问题，均值漂移在帧中前景信息与背景信息区分度很大的场景中表现得很好，早期也用于人脸跟踪。使用颜色特征对目标进行建模具有很多优点，因为均值漂移并不过多依靠目标本身的信息