基于尺度不变特征变换的mean-shift目标跟踪

？均值漂移（mean-shift）目标跟踪算法由于具有快速模板匹配和无参数密度估计等特点，但也存在其固有的缺陷。为了提高该算法的鲁棒性,把目标分成多个区域，对每个区域利用mean-shift进行跟踪，迭代次数大于8的放弃迭代。然后利用尺度不变特征变换(sift)剔除那些匹配的关键点数目少的子区域。最后，利用匹配关键点数目多的区域得到目标的位置。实验结果表明该方法在目标受遮挡、尺度变化、旋转、环境场景等变化等具有很强的鲁棒性。