基于SVM与Meanshift的目标跟踪

       近期在研究毕业设计，原本的题目是改进Meanshift目标跟踪算法，查了一天的资料，大概了解到以前做跟踪研究的很多是基于Meanshift+滤波器，而现在做跟踪研究的是Meanshift+机器学习，要想创新的话就必须了解一点机器学习的算法。

       通过查找资料了解到Meanshift算法的优缺点（参考链接：http://blog.csdn.net/carson2005/article/details/7341051）

       Meanshift有个缺点是受初始值影响较大，如果初始值选取不当，比如特征点很少，就无法工作。特征点多且分堆的话容易陷入局部震荡无法收敛。       （参考链接：http://www.360doc.com/content/13/1025/12/12105052_324083534.shtml）

       那么怎么改进Meanshift算来来弥补它的不足呢？我们能不能预先判定目标的大致区域，然后再用Meanshift算法迭代呢？

       按照这个思路我去寻找了有关论文，果然有相关的研究，那就是SVM（支持向量机）+Meanshift，大体的思路如下：

       首先将目标跟踪转化为目标和背景的二分类问题，提取目标和背景的特征信息，将目标和背景的特征分别作为正负样本训练SVM，得到目标与背景的总体分类器，借助总体分类器来区分临近下一帧中的目标与背景，在SVM响应最大的区域通过Meanshift算法迭代，从而获取目标的新位置。

       思路大概定好了，下一步就是学习SVM，Meanshift的原理和OpenCV的使用了。加油！

/**************************************持续更新*********************************************/

HOG特征+SVM训练：http://blog.163.com/pz124578@126/blog/static/235226942013435156379/

OpenCV基于HOG特征的行人检测：http://blog.csdn.net/icvpr/article/details/8454439

HOG+SVM行人检测识别的两种方法：http://blog.csdn.net/qianqing13579/article/details/46509037

目标跟踪方法综述：http://www.cnblogs.com/ronny/p/4256150.html