視頻中運動目標跟蹤算法的研究.pdf

1、運動目標跟蹤是計算機視覺研究領域的重要技術，已成為該領域的研究熱點，在智能監(jiān)控、機器人研究、醫(yī)學領域和軍事視覺制導等方面得到了廣泛的應用。而要在目標快速移動、遮擋、形變、光線變化、背景相似及有實時性要求等條件下也能實現(xiàn)穩(wěn)健的跟蹤是學者們研究的焦點，也是當前在實際應用過程中一個急需解決的難題。
　　 根據(jù)研究的實際需要，本文重點對均值偏移(Mean Shift)和粒子濾波算法進行了深入的研究。Mean Shift跟蹤算法具有計算量

2、小、實時性強等特點，本質(zhì)上是密度梯度上升的跟蹤方法，通過有限次迭代運算獲得目標位置以實現(xiàn)目標的跟蹤。但該算法不適用于概率密度分布多峰的情況，若存在目標運動過快或者是被嚴重遮擋等情況，容易陷入局部極大，往往會導致跟蹤失敗，且無法恢復跟蹤。本文在第三章中對Mean Shift算法在目標跟蹤方面的理論基礎以及應用作了詳細的推導和描述，并針對基于顏色直方圖特征的Mean Shift跟蹤算法對光線變化、背景相似等過于敏感的問題，提出了一種基于梯度

3、方向直方圖特征的Mean Shift跟蹤算法，通過大量實驗證明該算法對光線變化和局部區(qū)域的微小形變不敏感，具有良好的跟蹤性能；最后對基于梯度方向直方圖特征的Mean Shift跟蹤算法的優(yōu)缺點做了實驗分析。
　　 在20世紀90年代中后期出現(xiàn)了一種新的濾波算法——粒子濾波，在非線性、非高斯系統(tǒng)的預測中被廣泛的應用。其基本思想是用隨機樣本（粒子）來描述概率分布，然后在觀測的基礎上，通過調(diào)節(jié)各個粒子的的位置和權值大小來近似實際概率分

4、布，并以樣本的均值作為系統(tǒng)的估計值，在短時丟失目標的情況下能自動恢復跟蹤，在非線性、非高斯條件下也能實現(xiàn)穩(wěn)定的跟蹤。然而這種方法存在著粒子退化和計算量大等問題，應用在實時跟蹤系統(tǒng)中有一定的局限性。本文在第四章中對粒子濾波算法在目標跟蹤方面的的基本原理以及應用作了詳細的推導和描述，并實現(xiàn)了基于顏色直方圖特征的粒子濾波跟蹤算法的跟蹤實驗。實驗表明，與基于梯度方向直方圖特征的Mean Shift跟蹤算法相比，粒子濾波跟蹤算法具有很好的抗遮擋和

5、抗干擾性，但由于計算量大而導致實時性較差。
　　 理論分析和實驗證明，基于梯度方向直方圖特征的Mean Shift跟蹤算法實時性較好，但在遇到目標遮擋或運動過快時容易丟失目標；基于顏色特征的粒子濾波跟蹤算法雖有較強的抗遮擋能力，但存在實時性差等問題。針對這些問題，本文在第五章中提出一種融合的跟蹤方法，基本思路是：正常情況下采用基于目標梯度方向直方圖特征的Mean Shift算法跟蹤目標，當候選目標與目標模型的相似度小于設定閾值時