基于視頻監(jiān)控系統(tǒng)的運動目標跟蹤算法研究.pdf

1、本文對Mean-Shift算法與改進方法進行了對比實驗，證明了Mean-Shift改進算法的跟蹤效果更好。
　　Mean-Shift目標跟蹤算法具有實現(xiàn)簡單、跟蹤穩(wěn)定等優(yōu)點，受到了廣泛的關注。但作為一種基于顏色信息的無參核函數(shù)密度估計方法，Mean-Shift算法也存在很多不足。首先，在陰暗場景中目標顏色信息不明顯的情況下，算法無法跟蹤目標；其次，在目標被遮擋而造成顏色信息丟失的情況下，算法將無法跟蹤目標；最后，僅僅基于顏色信息的

2、目標表示模型過于單一，對目標模板的表示不夠穩(wěn)健。
　　本文主要針對Mean-Shift跟蹤算法的上述缺點，研究改進Mean-Shift算法跟蹤性能的方法。
　　首先，針對跟蹤場景中的陰暗環(huán)境，通過非線性圖像增強技術處理圖像中的陰影區(qū)域。非線性圖像增強技術包括自適應動態(tài)范圍壓縮與局部對比增強兩個方法。在自適應動態(tài)范圍壓縮處理中，應用sigmoid轉換函數(shù)與雙曲正切函數(shù)，增強陰影區(qū)域的亮度；在局部對比增強處理中，增強自適應動態(tài)范

3、圍壓縮處理降低的圖像對比度。
　　其次，針對Mean-Shift算法Epanechnikov核函數(shù)的缺點，改進原算法的核函數(shù)，為目標像素賦予更加合理的權值，使算法能夠處理目標被部分遮擋的情況。針對目標被嚴重遮擋的情況，將Kalman濾波器加入到Mean-Shift算法框架中，利用Kalman濾波器預測目標位置，在此基礎上進行Mean-Shift算法的均值偏移迭代確定目標最終位置。
　　最后，針對目標表示模型單一的問題，利用運

4、動信息與顏色特征相融合的方法，建立完備的目標模型。為獲得目標的運動信息，對比分析常用運動目標檢測算法，
　　應用 ViBe(Visual Background Extractor)算法對目標運動信息進行提取。在 Mean-Shift算法框架下，分析 ViBe算法背景模型的建立、初始化和更新策略，將ViBe算法提取出的目標運動信息與顏色信息相融合，得到穩(wěn)健的目標模板表示模型。
　　本文對Mean-Shift算法與改進方法進行了