基于mean-shift目標(biāo)跟蹤算法的研究.pdf

1、隨著智能計算技術(shù)的迅速發(fā)展以及受到各個國家的安全部門、高等研究者等的重視，計算機視覺技術(shù)已成為高新技術(shù)領(lǐng)域的研究熱點。而視覺跟蹤是計算機視覺分析技術(shù)中的重要組成。視覺跟蹤就是在圖像序列的每一幀跟蹤到運動的目標(biāo)。Mean-shift（均值漂移）方法實質(zhì)上是一種梯度下降算法，通過mean-shift迭代直至收斂到相似性函數(shù)的局部極值點，最初用于模式識別中的聚類分析，近年來在目標(biāo)跟蹤領(lǐng)域中有廣泛用途。
　　傳統(tǒng)的mean-shift算法

2、主要的可以研究的關(guān)鍵點有:選取合適的目標(biāo)特征;選取合適的相似性度量模型;算法的尺度自適應(yīng)問題;算法收斂到局部極值的問題。
　　在一些復(fù)雜的場景中，跟蹤過程會出現(xiàn)目標(biāo)的遮擋、光照影響以及目標(biāo)形狀的變化等可能出現(xiàn)的問題。本文針對這些問題，在傳統(tǒng)的mean-shift算法的基礎(chǔ)上作出改進(jìn)。第一，對于傳統(tǒng)的目標(biāo)跟蹤算法中對目標(biāo)的描述，只考慮了顏色RGB模型信息。在一些有光照影響的場景，跟蹤往往失敗，提出加入對目標(biāo)的紋理特征描述，增大對光照

3、場景的魯棒性。第二，對于目標(biāo)被部分遮擋的問題，提出在傳統(tǒng)mean-shift算法中，迭代搜索均值漂移最佳收斂點的過程中，在不失算法實時性的基礎(chǔ)上增大搜素區(qū)域，并用紋理特征判斷找出最佳收斂點。第三，對于多種特征融合會增大特征維度的問題，本論文將目標(biāo)多特征模型看成是每個特征子模型的集合，然后將每個子模型的相似性度量線性加權(quán)求和。不僅避免了特征的維度會增大的問題而且能自適應(yīng)根據(jù)復(fù)雜的場景運用目標(biāo)的各個特征。并且在前面問題已解決的基礎(chǔ)上，將傳統(tǒng)