融合Mean Shift和卡爾曼濾波的運動目標跟蹤算法研究.pdf

1、基于視頻的運動目標跟蹤是計算機視覺研究領域的一項必不可少的關鍵技術。Mean Shift算法是眾多優(yōu)秀的運動目標跟蹤算法之一。本文的主要研究內(nèi)容為Mean Shift理論和傳統(tǒng)的Mean Shift目標跟蹤算法，以及針對Mean Shift目標跟蹤算法在目標快速運動和嚴重遮擋情況下常常跟蹤失敗的缺陷提出改進策略。
　　Mean Shift算法采用核顏色直方圖作為描述目標的模型，核函數(shù)的單峰性使得該算法對目標的部分遮擋或目標變形具有

2、較好的魯棒性，并且具有較好的實時性。然而Mean Shift算法也有其固有的一些缺陷，如在目標運動速度過快或目標遇到大比例遮擋的情況下，算法會收斂到背景中與目標顏色較為相近的區(qū)域，從而導致跟蹤失效。本文針對目標快速運動情況下Mean Shift算法失效問題，提出了結合卡爾曼濾波器的改進方法，有效地解決了快速目標的跟蹤問題，并針對目標嚴重遮擋的情況提出了判斷遮擋和相應的處理方法，很好地解決了嚴重遮擋情況下的目標跟蹤問題。
　　本文介

3、紹了Mean Shift的一些相關理論，如核密度估計理論等，解釋了Mean Shift向量的概念，并對Mean Shift算法的收斂性進行了證明。在Mean Shift理論的基礎上，本文詳細描述了Mean Shift應用于目標跟蹤的具體方法和步驟，同時提出了尺度自適應的更新策略，以滿足跟蹤過程中目標尺度的變化要求，還列出了Mean Shift算法在各種不同情況下的實驗結果及分析。
　　針對快速運動目標跟蹤的情況，本文提出了Mean

4、 Shift與卡爾曼濾波器相結合的算法，描述了Mean Shift與卡爾曼濾波器相結合的具體方法。首先，對卡爾曼濾波器理論作了簡單的介紹，然后，具體討論了如何對卡爾曼濾波器建模，以將其良好的預測功能應用于目標跟蹤，提高Mean Shift算法對快速運動目標的跟蹤效果。同時展示了Mean Shift與卡爾曼濾波器相結合的改進算法以及嚴重遮擋情況下跟蹤的實驗效果，并對結果進行了分析。通過將傳統(tǒng)Mean Shift算法與改進算法的實驗結果進行