基于簡化Sift與Mean-shift跟蹤算法研究.pdf

1、自從20世紀以來，電子計算機在生活中所扮演的角色顯得愈加重要，智能化在不斷改變?nèi)祟惖娜粘Ｉ睢Ｔ谥悄芑I(lǐng)域中，比如交通部門的車輛監(jiān)控、超市的監(jiān)控、軍事跟蹤等等都需要智能化的視頻監(jiān)控。由于它的利用價值高，視頻跟蹤成為了一個國內(nèi)外研究的熱門課題。
　　目前視頻跟蹤是國內(nèi)外研究的一個熱門課題，該課題涉及多門學科，例如數(shù)學概率論，數(shù)字圖像處理，視頻編解碼等。它既能推動監(jiān)控領(lǐng)域理論的進一步發(fā)展，又在日常生活與安全監(jiān)控領(lǐng)域的有廣闊應用，可謂同

2、時具備學術(shù)和實用價值。視頻跟蹤課題發(fā)展至今，它的應用主要包括攝像頭的固定以及非固定的兩種情況。所以目前視頻跟蹤的算法也主要是基于兩個方面:1.靜態(tài)背景下的視頻跟蹤。2.動態(tài)背景下的目標跟蹤，它與前者主要不同的地方就在于它的背景是在變化的，并不是跟靜態(tài)背景一樣一成不變的。當在靜態(tài)背景情況下進行目標跟蹤時，只要實時的更新不同時刻的靜態(tài)背景，然后再用當前幀減去背景圖像即可提出被跟蹤的目標。但是對于第二種情況，即動態(tài)背景下的目標跟蹤，由于攝像頭

3、的轉(zhuǎn)動，使得背景在不同時刻都在改變，所以背景幀差法用在這種情況時必定會跟蹤失敗。因此國內(nèi)外學者把這種情況當成視頻跟蹤的主要研究方向。在動態(tài)背景跟蹤方面出現(xiàn)了許多優(yōu)秀的算法，比如粒子濾波、基于塊匹配的方法等。但是由于它們的實時性差，所以不適用于需求實時性的場合中。在2003年，Comaniciu等學者提出的mean-shift算法因其復雜度低、魯棒性強，它的實時優(yōu)于其他算法，并且該算法適用于動態(tài)背景從而得以廣泛應用。所以本文著重對此算法進

4、行研究，并且根據(jù)課題要求側(cè)重研究mean-shift跟蹤算法以及改進該算法的兩點不足:第一點，該算法不適用于跟蹤快速的運動目標。第二點，該算法不能實時根據(jù)運動目標的尺度改變自己的帶寬。
　　對于上述缺點中的第一點，在本文中，提出利用簡化的sift和仿射變換，求出最佳仿射矩陣參數(shù)。以此矩陣參數(shù)來求出上一幀運動目標的中心在下一幀的仿射位置，以此點來進行迭代，可以有效使得初始迭代點所在的帶寬區(qū)域包含更多的運動目標。
　　對于第二點