meanShift演算法用於目標跟蹤的優缺點

 meanShift演算法用於視頻目標跟蹤時，採用目標的顏色長條圖作為搜尋特徵，通過不斷迭代meanShift向量使得演算法收斂於目標的真實位置，從而達到跟蹤的目的。

傳統的meanShift演算法在跟蹤中有幾個優勢：

（1）演算法計算量不大，在目的地區域已知的情況下完全可以做到即時跟蹤；

（2）採用核函數長條圖模型，對邊緣遮擋、目標旋轉、變形和背景運動不敏感。

同時，meanShift演算法也存在著以下一些缺點：

（1）缺乏必要的模板更新；

（2）跟蹤過程中由於視窗寬度大小保持不變，當目尺規度有所變化時，跟蹤就會失敗；

（3）當目標速度較快時，跟蹤效果不好；

（4）長條圖特徵在目標顏色特徵描述方面略顯匱乏，缺少空間資訊；

由於其計算速度快，對目標變形和遮擋有一定的魯棒性，所以，在目標跟蹤領域，meanShift演算法目前依然受到大家的重視。但考慮到其缺點，在工程實際中也可以對其作出一些改進和調整；例如：

（1）引入一定的目標位置變化的預測機制，從而更進一步減少meanShift跟蹤的搜尋時間，降低計算量；

（2）可以採用一定的方式來增加用於目標匹配的“特徵”；

（3）將傳統meanShift演算法中的核函數固定頻寬改為動態變化的頻寬；

（4）採用一定的方式對整體模板進行學習和更新；