視頻中運動目標(biāo)跟蹤算法的研究.pdf

1、運動目標(biāo)跟蹤是計算機視覺研究領(lǐng)域的重要技術(shù)，已成為該領(lǐng)域的研究熱點，在智能監(jiān)控、機器人研究、醫(yī)學(xué)領(lǐng)域和軍事視覺制導(dǎo)等方面得到了廣泛的應(yīng)用。而要在目標(biāo)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(xué)者們研究的焦點，也是當(dāng)前在實際應(yīng)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(biāo)位置以實現(xiàn)目標(biāo)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(biāo)運動過快或者是被嚴(yán)重遮擋等情況，容易陷入局部極大，往往會導(dǎo)致跟蹤失敗，且無法恢復(fù)跟蹤。本文在第三章中對Mean Shift算法在目標(biāo)跟蹤方面的理論基礎(chǔ)以及應(yīng)用作了詳細(xì)的推導(dǎo)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(jì)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(yù)測中被廣泛的應(yīng)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(chǔ)上，通過調(diào)節(jié)各個粒子的的位置和權(quán)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(biāo)的情況下能自動恢復(fù)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(yīng)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(biāo)跟蹤方面的的基本原理以及應(yīng)用作了詳細(xì)的推導(dǎo)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(dǎo)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(biāo)遮擋或運動過快時容易丟失目標(biāo)；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(biāo)梯度方向直方圖特征的Mean Shift算法跟蹤目標(biāo)，當(dāng)候選目標(biāo)與目標(biāo)模型的相似度小于設(shè)定閾值時