鲁棒轨迹聚类的运动分割

由于场景中的遮挡和对象的非刚性变形，从常见跟踪器获得的运动轨迹可能包含许多丢失或关联错误的条目。 将这样的基于破坏点的轨迹聚类为多个运动仍然是一个难题。 在本文中，我们提出了一种利用跟踪点的时空特征来促进对不完整和损坏的轨迹进行分割的方法，从而针对严重的数据丢失和噪声获得了高度鲁棒的结果。 我们的方法首先使用离散余弦变换（DCT）作为轨迹投影的时间平滑约束，以确保所得分量修复病理轨迹的有效性。 然后，基于观察到的场景中前景和背景的轨迹可能具有不同的空间分布，我们提出了一种两阶段聚类策略，该策略首

针对视频序列中人的跟踪问题,提出一种基于运动检测的多目标跟踪算法.跟踪系统由运动目标检测,关联矩阵建立,特殊情况判断及处理以及轨迹关联,部分构成.提出一种基于改进的c- 均值聚类的自适应运动分割方法;不同情况下建立不同的关联矩阵,以准确判断实际场景状况;对遮挡问题作出处理,在两个目标遮挡不严重的情况下,分别采用均值漂移算法对其进行跟踪.实验结果表明,该算法具有较强的鲁棒性,能有效实现复杂场景下多目标跟踪.