基于Meanshift和Kalman算法的多目標(biāo)跟蹤.pdf

1、多目標(biāo)跟蹤是計算機(jī)視覺領(lǐng)域里一個重要的研究課題。它在軍事視覺制導(dǎo)、交通管制、校園和小區(qū)的視頻監(jiān)控等領(lǐng)域中有著廣泛的應(yīng)用。但同時，跟蹤過程中背景環(huán)境的復(fù)雜性，跟蹤精度與速度的平衡性以及遮擋等問題，都使得完成精準(zhǔn)快速的有效跟蹤是一個要繼續(xù)面臨的挑戰(zhàn)。
　　本文首先研究了Meanshift算法在多目標(biāo)跟蹤中的應(yīng)用，通過實驗得到，該方法在使用單一特征跟蹤目標(biāo)時，在背景對目標(biāo)產(chǎn)生強(qiáng)烈干擾的情況下，會發(fā)生跟蹤丟失的現(xiàn)象。在此基礎(chǔ)上，本文對算法

2、進(jìn)行了改進(jìn)。以目標(biāo)和背景的區(qū)分度作為評判準(zhǔn)則，認(rèn)為區(qū)分度最大的特征是把目標(biāo)從背景中分割出來的最佳特征，分別計算 RGB顏色特征、LBP紋理特征以及Canny邊緣特征下目標(biāo)和背景的區(qū)分度，并通過粒子群優(yōu)化算法計算每種特征的權(quán)值也即對分割目標(biāo)的貢獻(xiàn)度，之后對各特征進(jìn)行加權(quán)獲得綜合特征，以該特征作為Meanshift算法中迭代計算目標(biāo)位置特征。改進(jìn)后的方法包含了多種特征信息，且每次都能找到最優(yōu)的權(quán)值分配，依靠特征之間的互補(bǔ)性，使得在復(fù)雜背景下

3、跟蹤目標(biāo)更精確。其次，針對上述方法使用大量的信息導(dǎo)致不能滿足跟蹤實時性的問題，使用串行特征迭代的策略，在 Menashift算法的第一次迭代中使用融合后的綜合特征來計算目標(biāo)模型和候選目標(biāo)模型，計算一次迭代后目標(biāo)所在的位置，從第二次以后，從融合之前的各特征中選出權(quán)值最大的一種特征，也即分割目標(biāo)和背景最可靠的特征作為迭代特征，迭代計算直到確定目標(biāo)在當(dāng)前幀中的位置。因為在除第一次之外的每次迭代中都只使用了一種特征，所以和之前使用綜合特征迭代相

4、比，大大減小了計算量，并且選擇了可靠性最高的一種特征來判斷，在提高了跟蹤精準(zhǔn)度的同時，也保證了算法的實時性。最后，在上述方法的基礎(chǔ)上，引入了卡爾曼濾波的方法對其進(jìn)行優(yōu)化，分別使用上述方法和卡爾曼濾波器進(jìn)行目標(biāo)位置的計算，并設(shè)置閾值與兩種算法計算得到的位置差進(jìn)行比較，位置差小于閾值時，取兩個位置的中值作為當(dāng)前幀目標(biāo)的位置，否則，選擇與目標(biāo)模板相似度大的位置做為當(dāng)前幀的目標(biāo)位置。由模板相似度和濾波器殘差判斷出目標(biāo)發(fā)生遮擋時，使用卡爾曼濾波預(yù)