基于改進Mean Shift的運動目標跟蹤算法研究.pdf

1、在當今的信息社會，計算機技術(shù)的飛速發(fā)展給我們的生活和工作帶來了很大的方便。視頻目標跟蹤是基于計算機技術(shù)和信息技術(shù)的一門夸學科領域，其目的是在一段視頻圖像幀序列中尋找到與指定目標最相似的部分。在視頻監(jiān)控、人機界面、交通監(jiān)視、軍事等領域都有廣泛應用。
　　在學習和探索視頻圖像序列中運動目標跟蹤這一問題的過程中，基于前人豐富的研究成果，在課題研究方面取得了一定的進展。由于跟蹤環(huán)境和目標的復雜性，很難找到一個在所有情況下都可以實現(xiàn)目標跟的

2、算法，因此各種算法層出不窮。本文著重研究了Mean Shift算法，還簡單分析了Kalman濾波算法、粒子濾波算法，主要是這兩種濾波算法的基本思想及其它們的優(yōu)缺點。最后描述并驗證了前人提出的一種運動目標跟蹤算法，即一種基于角點的Mean Shift運動目標跟蹤算法，該算法中采用的是Harris角點檢測，我們在這簡稱該算法為Harris-Mean Shift算法。針對Harris-Mean Shift算法某些方面的不足，提出了改進的方法。

3、
　　均值漂移跟蹤算法（Mean Shift跟蹤算法）是一種基于特征概率密度統(tǒng)計的建模方法。在跟蹤的過程中，通常通過在視頻序列的第一幀中手動選定目標區(qū)域，并建立相對應的目標顏色直方圖。根據(jù)巴氏相似性，Mean Shift算法在第一幀之后的圖像序列幀中迭代地搜索與目標模型匹配的最佳候選區(qū)域。這種方法使得Mean Shift算法在目標跟蹤中具有良好的性能，如:實時性好，能夠較好地處理目標部分遮擋和目標形變。但是當目標和背景顏色過于相近

4、時，就會使得目標和背景的可分性差，Mean Shift算法就難以區(qū)別目標和背景，導致該算法跟蹤性能下降。Harris-Mean Shift算法就是為了解決上述提到的Mean Shift算法在背景與目標顏色較為相似時目標跟蹤失敗的問題，仿真結(jié)果表明，該跟蹤算法能夠很好地解決背景與目標顏色較為相似時目標跟蹤失敗的問題，但對于目標存在大比例遮擋時跟蹤效果很不理想的問題還有待進行改進。
　　基于上述情況，本文提出了融合Harris-Mea

5、n Shift算法和最小二乘算法的目標跟蹤算法。描述了Harris-Mean Shift算法與最小二乘算法相結(jié)合的具體方法。首先采用最小二乘算法來預測目標位置，然后以預測位置為起始點，采用Harris-Mean Shift算法進行迭代，最終得到目標的真實位置。該算法通過減少每幀搜索時起始搜索點離收斂點的距離來實現(xiàn)加速。同時展示了該算法在目標遇到大比例遮擋情況下的跟蹤效果，并對結(jié)果進行了分析。實驗過程中將Harris-Mean Shift