基于粒子濾波與Mean Shift的視頻目標跟蹤算法研究.pdf

1、視頻目標跟蹤技術在計算機視覺、智能學習等領域一直是一個難點問題。該技術在商場監(jiān)控、智能交通、人機交互等領域的應用越來越普遍。近年來，眾多學者進行了更加深入的研究，并在前人研究的基礎上對算法進一步的創(chuàng)新。視頻目標跟蹤技術有2種普遍使用的算法，分別是粒子濾波算法和Mean Shift算法。本文針對粒子濾波和Mean Shift算法各自的特點，就其處于復雜環(huán)境條件中對目標跟蹤過程當中如何改善算法的魯棒性和實時性，展開了如下研究：
　　針

2、對粒子濾波算法在利用單一特征進行跟蹤時容易導致跟蹤失敗的問題，提出使用多特征融合的方法建立一個較強的觀測模型。該觀測模型通過對顏色、結構和紋理特征信息進行融合而建立的，并且在跟蹤過程中各個特征的融合系數可以隨著跟蹤過程中環(huán)境的變化進行自適應的調整，在實際跟蹤當中幾個特征信息可以互相彌補，當一種特征失效時，還可以通過另外的特征信息來對目標進行跟蹤，從而保證了跟蹤的魯棒性。
　　針對粒子濾波算法在跟蹤當中使用多特征融合來保證魯棒性的同

3、時，算法的復雜性也隨著增加的問題，提出使用一種自適應策略來調整跟蹤過程中所需要的粒子數目。當目標處在簡單的環(huán)境當中時，由于受周圍的環(huán)境干擾較小，目標模板與候選目標模板的相似度很高，可以適當降低所需的粒子數目來實現跟蹤的實時性。如果目標處在復雜環(huán)境當中時，由于受周圍環(huán)境影響較大，目標模板與候選目標模板的相似度較低，此時可以通過增加粒子數目來實現對目標的穩(wěn)定性跟蹤。該策略通過自適應調整跟蹤過程當中的粒子數目來保證跟蹤過程的時效性。
　

4、　針對粒子濾波算法在對目標進行跟蹤的過程當中耗時較大，而Mean Shift算法容易陷入局部極值的問題，在融合顏色、結構和紋理特征的基礎上，將粒子濾波和Mean Shift兩種算法進行融合，提出多特征融合與Mean Shift的粒子濾波跟蹤算法。在粒子濾波中，使用Mean Shift對跟蹤過程的粒子集合進行聚類操作，使得粒子的權值增大，更加近似跟蹤目標的真實位置，該算法通常使用少量的粒子數目就能對目標進行穩(wěn)定的跟蹤，繼而保證了跟蹤的時效