基于均值漂移的目標跟蹤算法研究.pdf

1、近些年來，智能視頻監(jiān)控系統在生活中日益突顯出其重要性，它也是計算機視覺領域中一個重要的研究方向，其主要工作是從監(jiān)控的視頻流中檢測、識別和跟蹤感興趣的運動目標，進而對其進行行為分析和語義理解。運動目標跟蹤是智能視頻監(jiān)控系統中的關鍵技術，能否有效地跟蹤感興趣目標是衡量監(jiān)控系統優(yōu)劣的一個重要指標，因而它具有重要的研究價值。
　　均值漂移算法是一種基于核函數的無參數估計算法，它不需要先驗知識，收斂速度快，可實現實時跟蹤，因而近年來吸引了許

2、多研究人員的興趣。然而，均值漂移還存在一系列問題需要解決，才能使之真正投入實際應用。為此，本文以均值漂移技術為中心展開一系列目標跟蹤算法的研究，以便進一步改善跟蹤的性能。本文的研究和創(chuàng)新工作如下所示：
　?。?）深入研究多特征融合的均值漂移（Mean Shift）目標跟蹤算法，融合局部三值模式（LTP）紋理特征的Mean Shift算法使用紋理和顏色信息作為目標的表示形式，對光照變化具有一定的魯棒性，但是由于LTP算法使用固定閾值

3、計算紋理特征，因而易受噪聲的影響。因此，本文提出使用最小平方中值（LMedS）算法估算自適應閾值的LTP算法，并使用階距思想來估計目標窗寬。實驗證明了該算法的有效性。
　?。?）提出了一種改進的背景加權Mean Shift算法。目標框中的背景信息會干擾目標的準確定位，背景加權算法能夠有效地抑制背景主分量信息，但是恒定的或閾值判決變化的背景直方圖不能有效地表示實時變化的背景，因而本文采用實時更新的背景直方圖，并使用卡爾曼（Kalma

4、n）濾波算法進行目標預定位。實驗結果表明該算法更能降低目標框中背景的特征，增強目標特征的凸特性，并能實現目標的快速準確定位。
　?。?）Mean Shift對快速運動目標和非高斯噪聲的環(huán)境下的跟蹤有局限性，粒子濾波算法可以用在任意狀態(tài)空間模型上，但是需要大量的樣本數量才能實現有效跟蹤。本文使用Mean Shift算法使每個粒子迭代到局部最大值處，因而可以降低粒子數量，同時當目標嚴重遮擋時，關閉Mean Shift算法，只采用粒子濾