基于镜像Mean Shift的遮挡目标跟踪算法
MeanShift算法和粒子滤波相结合的运动目标视频跟踪技术_缪鑫
６６Mean Shift 算法和粒子滤波相结合的运动目标视频跟踪技术缪鑫（中国电子科技集团公司第二十八研究所，江苏南京210007）摘要：基于帧间视频图像的运动目标跟踪技术，已经成为计算机视觉领域的一个研究热点，在很多领域被越来越广泛使用，特别在航空航天、医药卫生、国防建设以及国民经济的实用性逐渐被人们重视，具有良好的发展前景。
文章结合Mean Shift 算法、粒子滤波算法两种算法的优缺点，提出了将Mean Shift 算法与粒子滤波算法相结合，利用Mean Shift 算法的聚类作用，将粒子样本收敛在更接近目标的真实位置的区域，满足鲁棒性、实时性和抗遮挡的要求，能够应用于高实时性的视频图像处理领域。
关键词：目标视频跟踪；遮挡；Mean Shift 算法；粒子滤波算法中图分类号：TP274.2文献标识码：A 文章编号：1673-1131（2015）01-0066-02运动目标视频跟踪技术，目的是用计算机代替人，对视频图像中的目标物体进行判别和感知，该项技术在很多领域被越来越广泛的使用，特别在航空航天、医药卫生、国防建设以及国民经济的实用性逐渐被人们重视，具有良好的发展前景。
目标跟踪是很多计算机视觉应用的关键技术，好的算法必须要解决目标在遮挡情况下的跟踪问题。
为解决目标遮挡问题，大致可有如下四类算法：（1）基于目标特征匹配算法。
（2）基于动态贝叶斯网络模型来精确地对遮挡过程建模。
（3）基于颜色分布的粒子滤波。
（4）多子范本匹配方法[1]。
在目标的变形、旋转的情况下，Mean Shift 算法的表现较好，因其利用梯度优化的方法，实现快速的定位目标，而能够实时地跟踪非刚性目标。
但是在目标被严重遮挡的特殊情况下，如：多个目标被同一物体遮挡，单个目标对应状态可能不是局部极值点，逐渐丢失目标，达不到目标跟踪的要求。
而粒子滤波算法，通常可用来解决非线性问题，采用多个粒子，对跟踪的不确定性有了判别，从而保证算法的鲁棒性。
图像处理中的目标跟踪算法设计与性能评估方法
图像处理中的目标跟踪算法设计与性能评估方法目标跟踪是计算机视觉领域中一项重要的任务，广泛应用于视频监控、智能交通、无人驾驶和增强现实等领域。
目标跟踪算法设计与性能评估是提高跟踪准确性和效率的关键。
本文将介绍图像处理中的目标跟踪算法设计以及常用的性能评估方法。
一、目标跟踪算法设计目标跟踪算法旨在从连续的图像序列中，准确地估计目标的位置和尺度。
以下是几种常见的目标跟踪算法设计方法：1. 基于模板的方法：该方法将目标的初始位置和尺度作为模板，在后续图像中寻找与模板最相似的区域作为目标的位置。
基于模板的方法包括均值漂移、相关滤波器和模板匹配等。
2. 基于特征的方法：该方法通过提取目标的特征信息进行跟踪，常用的特征包括颜色、纹理、形状和运动等。
基于特征的方法包括卡尔曼滤波器、粒子滤波器和深度学习等。
3. 基于超像素的方法：该方法将图像分割成若干个超像素，在跟踪过程中利用超像素的空间关系和相似性来估计目标的位置。
基于超像素的方法包括稀疏表示、分割与跟踪、跟踪与检测等。
二、性能评估方法评估目标跟踪算法的性能是十分重要的，以下是几种常用的性能评估方法：1. 准确性评估：准确性是评估目标跟踪算法的核心指标之一，通常使用重叠率（Overlap Rate）和中心误差（Center Error）来衡量。
重叠率是目标边界与跟踪结果的交集与并集之比，中心误差是目标中心与跟踪结果中心的欧氏距离。
高重叠率和低中心误差表示算法具有较好的准确性。
2. 鲁棒性评估：鲁棒性是评估目标跟踪算法抗干扰能力的指标，常见的鲁棒性评估方法包括光照变化、尺度变化、遮挡和快速运动等。
通过在各种干扰情况下测试算法的跟踪准确性，可以评估算法的鲁棒性。
3. 复杂度评估：复杂度评估是评估目标跟踪算法的计算复杂度和运行速度的指标，常用的复杂度评估方法包括处理帧率、平均处理时间和内存占用等。
较低的复杂度和较快的运行速度表示算法具有较好的效率。
4. 数据集评估：数据集评估是常用的目标跟踪算法性能评估方法之一，目标跟踪领域有许多公开的数据集，如OTB、VOT和LAR等。
动态场景下的基于SIFT和CBWH的目标跟踪
动态场景下的基于SIFT和CBWH的目标跟踪王芬芬;陈华华【摘要】针对动态背景下的目标跟踪，提出了基于SIFT特征和CBWH特征的卡尔曼跟踪算法。
算法利用卡尔曼滤波器预测目标的大概位置；在所在位置区域内提取SIFT特征，与第一帧和前一帧进行特征匹配，并投票获得候选目标位置；利用CBWH特征获得目标可能位置；将二者位置加权对卡尔曼滤波器预测值进行修正，得到目标位置。
实验表明，所提算法取得了较好的实验结果。
%An object tracking algorithm based on Kalman filter using scale invariant feature transform (SIFT) and CBWH is proposed to solve the problem that trackers always drift or even lose target in dynamic scenes . Kalman filter predictsan area ,each matched keypoint casts a vote for the object center ,then the voting results are evaluated by the nearest neighbor clustering , the weighted result is a candidate position of the object's center.Another possible position is calculated by mean shift tracking using CBWH .The positions above are weighted into the object's center.This center is then sent to Kalman filter to get the final position and velocity . Experimental results demonstrate that the proposed method obtains good tracking results .【期刊名称】《杭州电子科技大学学报》【年(卷),期】2015(000)004【总页数】4页(P46-49)【关键词】动态场景;目标跟踪;卡尔曼滤波;尺度不变特征变换【作者】王芬芬;陈华华【作者单位】杭州电子科技大学通信工程学院，浙江杭州310018;杭州电子科技大学通信工程学院，浙江杭州310018【正文语种】中文【中图分类】TP391运动目标跟踪是计算机视觉的重要研究方向，其中对先验未知的物体进行跟踪越来越引起人们的关注。
基于结合Mean-shiftKalman多运动目标视频车辆检测器算法论文
基于结合Mean-shift的Kalman多运动目标视频车辆检测器算法摘要：传统的车辆检测器算法虽然简单快速，但依然存在许多误触发的问题，在此背景下，本文首先介绍了传统的mean shift跟踪算法和kalman跟踪算法，然后提出了解决多目标跟踪问题的结合mean shift的kalman跟踪算法，最后将此算法和传统的算法进行了实验对比和优缺点的分析。
关键词：mean-shift；kalman；车辆检测器中图分类号：tp291 文献标识码：a 文章编号：1007-9599 (2011) 22-0000-02kalman multiple moving targets video vehicle detector algorithm based on mean-shiftkang nan(computer college,sichuan university,chengdu610064,china)abstract:conventional vehicle detection algorithm is simple and fast,but there are still many problems,in some condition it will make lots of mistakes.this paper firstly describes mean-shift tracking algorithm and kalman tracking algorithm,and then proposed to solve the problem ofmulti-target tracking with a method of merging bothmean-shift and kalman algorithm.at the end of this paper,icompare this algorithm with the traditional algorithm and give the comparative advantages for experimental analysis.keywords:mean-shift;kalman;vehicle detector目前，国内许多公司的车辆检测器的设计都比较简单，其核心算法只是对相邻图像帧做帧间差，一旦相邻帧之间的差值到一定的阈值，就认为有运动物体闯入，然后就向车牌识别器发送触发信号，这种车辆检测器检测速度快，但会出现大量的误触发现象，进而会大大增加车牌识别器、中心数据处理系统的数据处理负担和模块间的网络通信负担，浪费大量的系统资源。
均值漂移MeanShift
均值漂移Mean Shift均值漂移(Mean Shift)00均值漂移是一种有效的统计迭代算法。
均值漂移算法是一种基于密度梯度上升的非参数方法，通过迭代运算找到目标位置，实现目标跟踪。
它显著的优点是算法计算量小，简单易实现,很适合于实时跟踪场合；但是跟踪小目标和快速移动目标时常常失败，而且在全部遮挡情况下不能自我恢复跟踪。
通过实验提出应用核直方图来计算目标分布，证明了均值漂移算法具有很好的实时性特点。
Mean Shift 简介Mean Shift 这个概念最早是由Fukunaga等人[1]于1975年在一篇关于概率密度梯度函数的估计中提出来的,其最初含义正如其名,就是偏移的均值向量,在这里Mean Shift是一个名词,它指代的是一个向量,但随着Mean Shift理论的发展,Mean Shift的含义也发生了变化,如果我们说Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束.然而在以后的很长一段时间内Mean Shift并没有引起人们的注意,直到20年以后,也就是1995年,另外一篇关于Mean Shift的重要文献[2]才发表.在这篇重要的文献中,Yizong Cheng对基本的Mean Shift算法在以下两个方面做了推广,首先Yizong Cheng定义了一族核函数,使得随着样本与被偏移点的距离不同,其偏移量对均值偏移向量的贡献也不同,其次Yizong Cheng还设定了一个权重系数,使得不同的样本点重要性不一样,这大大扩大了Mean Shift的适用范围.另外Yizong Cheng指出了Mean Shift可能应用的领域,并给出了具体的例子.Comaniciu等人[3][4]把Mean Shift成功的运用的特征空间的分析,在图像平滑和图像分割中Mean Shift都得到了很好的应用. Comaniciu等在文章中证明了,Mean Shift算法在满足一定条件下,一定可以收敛到最近的一个概率密度函数的稳态点,因此Mean Shift算法可以用来检测概率密度函数中存在的模态.Comaniciu等人[5]还把非刚体的跟踪问题近似为一个Mean Shift最优化问题,使得跟踪可以实时的进行.在后面的几节,本文将详细的说明Mean Shift的基本思想及其扩展,其背后的物理含义,以及算法步骤,并给出理论证明.最后本文还将给出Mean Shift在聚类,图像平滑,图像分割,物体实时跟踪这几个方面的具体应用.Mean Shift 的基本思想及其扩展基本Mean Shift给定d维空间中的n个样本点,i=1,…,n,在点的Mean Shift向量的基本形式定义为:k表示在这n个样本点中,有k个点落入区域中.我们可以看到是样本点相对于点的偏移向量,(1)式定义的Mean Shift向量就是对落入区域中的k个样本点相对于点的偏移向量求和然后再平均.从直观上看,如果样本点从一个概率密度函数中采样得到,由于非零的概率密度梯度指向概率密度增加最大的方向,因此从平均上来说, 区域内的样本点更多的落在沿着概率密度梯度的方向.因此,对应的, Mean Shift向量应该指向概率密度梯度的方向如上图所示, 大圆圈所圈定的范围就是 ,小圆圈代表落入区域内的样本点,黑点就是Mean Shift的基准点 ,箭头表示样本点相对于基准点的偏移向量,很明显的,我们可以看出,平均的偏移向量会指向样本分布最多的区域,也就是概率密度函数的梯度方向从前面关于Mean Shift和概率密度梯度的关系的论述,我们可以清楚的看到,Mean Shift算法本质上是一个自适应的梯度上升搜索峰值的方法,如下图所示,如果数据集服从概率密度函数f(x),给定一个如图初始点,Mean Shift算法就会一步步的移动,最终收敛到第一个峰值点.从这张图上,我们可以看到Mean Shift至少有如下三方面的应用:(1)聚类,数据集中的每一点都可以作为初始点,分别执行Mean Shift算法,收敛到同一个点算作一类;(2)模态的检测,概率密度函数中的一个峰值就是一个模态,Mean Shift在峰值处收敛,自然可以找到该模态.(3)最优化,Mean Shift可以找到峰值,自然可以作为最优化的方法,Mean Shift算法进行最优化的关键是要把最优化的目标转化成Mean Shift 隐含估计的概率密度函数.[1]The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognition (1975)[2]Mean shift, mode seeking, and clustering (1995)[3]Mean Shift: a robust approach toward feature space analysis (2002)[4]Real-time tracking of non-rigid objects using mean shift (2000)[5]Mean-shift Blob Tracking through Scale Space (2003)[6]An algorithm for data-driven bandwidth selection(2003) 从直观上看,如果样本点从一个概率密度函数中采样得到,由于非零的概率密度梯度指向概率密度增加最大的方向,因此从平均上来说, 区域内的样本点更多的落在沿着概率密度梯度的方向.因此,对应的, Mean Shift向量应该指向概率密度梯度的方向。
图像处理算法5_目标跟踪及遮挡处理算法
基于粒子滤波算法的目标跟踪及遮挡处理算法1.1引言对运动目标物的跟踪也是视觉监控系统中的基础算法之一。
目标跟踪的任务是通过对图像序列的处理，准确估计出感兴趣目标物在每个时刻的运动参数，包括位置、大小、速度、加速度以及运动轨迹等，为行为理解等更高层的任务打下基础。
本章首先概述目标跟踪算法的基本步骤和难点，并对现有算法作分类简介；然后对实现鲁棒跟踪所必需的工具——在线贝叶斯估计算法作详细介绍；在此基础上详细论述本文使用的跟踪方法，该方法将已有的多种先进算法有机结合，使计算量显著降低，鲁棒性增强；最后对提出的算法进行总结和分析。
1.2 目标跟踪算法概述目标跟踪算法主要由两个部分组成：（1）目标物表示；（2）运动状态估计。
下面对它们分别介绍。
1.2.1目标物表示目标物表示的核心在于特征的选择和提取，即用什么特征来描述和表示感兴趣目标物。
一个好的目标物表示方法应该能够将被跟踪的目标物和背景中的物体以及其它物体区别开来，这正是目标物表示的难点所在。
运动目标物所在的环境通常是很杂乱的，其中存在许多与目标物有相似特征的物体。
例如：房间内的窗帘、家具等往往与人的皮肤颜色相近；当监控视野中存在多个行人的时候，跟踪器容易将目标行人与其他行人相混淆。
下面介绍几种常用的特征。
1.2.1.1颜色特征颜色是人类辨识物体的重要特征，也是视觉跟踪中最常用的特征之一。
颜色特征通常是在一块区域中提取出来的，因此它具有对目标平面旋转、非刚性形变、远离或靠近镜头的尺度变化以及部分遮挡等情形较为鲁棒的优点。
另外，由于图像直接由一个个像素的颜色值所表示，因此颜色特征还具有容易提取、计算简单的优点。
最常用的颜色特征是颜色直方图。
Comaniciu等人提出了基于颜色直方图的跟踪算法[1][2]。
在他们的方法中，颜色直方图受到了核函数的空间加权。
这样区域内中心附近的像素对颜色直方图有更大的贡献，使跟踪更加精确，因为区域边缘的像素可能来自背景或其它物体，其可信度较低。
基于Mean Shift视频运动目标跟踪
基于Mean Shift视频运动目标跟踪作者：魏保华来源：《计算机光盘软件与应用》2014年第01期摘要：视频监控是安全防范系统的重要组成部分，而视频运动目标检测和跟踪技术则是智能视频监控的关键技术。
Mean Shift算法是一种在一组数据的密度分布中寻找局部极值的稳定的方法，并因其它计算量小，简单易实现而广泛应用于实时跟踪场合。
在离散的数据集上，Mean Shift能很快的找到数据分布最密集的点，本文介绍了使用OpenCV实现Mean Shift的方法，分析其在跟踪方向的优势与不足。
关键词：目标跟踪；OpenCV；Mean；Shift；颜色直方图中图分类号：TP391.41视觉是人类从外界获取信息的主要途径。
运用摄影机和电脑代替人眼对目标进行识别、跟踪和测量，将三维环境信息储存为二维信息，并进一步做图像处理，合成为更适合人眼观察或传送给仪器检测的图像。
计算机视觉试图建立能够从图像或者多维数据中获取…信息‟的人工智能系统。
在这些应用领域中，如何利用计算机把运动目标从有干扰的背景中检测出来并对其进行识别、跟踪、管理等处理是需要研究的关键技术。
1 视频运动目标跟踪20世纪60年代后期，蒙特卡罗方法被引入自动控制领域。
1975年，Fukmaga等人在一篇关于概率密度梯度函数的估计中提出Mean shift。
1995年，Yizong Cheng在“Mean shift mode seeking and clustering”中定义了一族核函数，设定了一个权重系数，扩充了基本Mean Shift算法，扩大了其适用范围。
1999年，Intel公司在均值偏移理论的基础上建立了CAMSHIb'T算法，以及基于此算法的人脸跟踪系统，将均值偏移算法扩展到运动目标跟踪领域中。
基于Mean shift的研究有许多成果发表[1-3]。
2000年，Comaniciu[4-5]等人将Mean Shift作用于非刚性物体的实施跟踪。
基于Mean-Shift的目标跟踪算法
Ａｂ ｔ ａ ｔ Ｓｉ ｃ ｅ ｎ Ｓｈｉｔａ ｇｏ ｉｈｍ ａ ｏ ｏｓ ｄ，ｉ ｓ ｄｅ ｌ ｐｅ ｎ ｐｐｌ ｄ ｗｉ ｅ ｙ．Ｂｕｔｔ ｒ ｄ ｔｏｎ ｌ ｓ ｒ ｃ ： ｎ ｅ Ｍ ａ — ｆ ｌ ｒｔ ｈ ｓ ｐｒ ｐ ｅ ｔｉ ｖｅｏ ｄ ａ ｄ ａ ｉ ｄｌ ｅ ｈｅ ｔ ａ ｉｉ ａ ａ ｇ ｒｔ ｌ ｏ ｉｈｍ ｓｏｕ ｅ ｔ ｈ ａ ｇ ｔｗｈｏ ｅ ｓ ｅ ｄ ｉ ａ ｉ ｎ ｉ ｅｉ ｈａ ｉ ｇ．Ｔｏ ｓ ｌ ｈｅ ｆｒ ｔｐｒ ｂｌｍ ， ｉ ｔｏｆｕｓ ｏ ｔ ｅ ｔ ｒ ｅ ｓ ｐ ｅ ｓ ｒ ｐ ｄ ａ ｄ ｓｚ ｓ ｃ ｎｇ ｎ ｏ ｖｅｔ ｉｓ ｏ ｅ
摘 要 ： ａ— ｈｆ算 法 自从 提 出 以来 得 到 较 广 泛 的 应 用 和 发 展 ， 是 传 统 的 ＭＳ算 法 对 于 在 视 频 中大 小 变 换 的和 移 动速 度 非 常 快 的 目标 ， ＭｅｎＳ ｉ ｔ 但 将
不 能 进 行 准确 的 跟踪 。 为 了解 决 这 个 问题 ， 已有 将 卡 尔 曼 预 测 和 ＭＳ相 融 合 进 行 预 测 跟 踪 的 算 法 。但 是 当 物 体 在 视 频 中 的 尺 寸 变 化 的 时候 ， 由 于不 变 的核 带 宽 ， 产 生 由背 景 产 生 的 误 差 ， 样 导 致 跟 踪 的 失 败 。 为 此 ， 文 提 出一 种 在 卡 尔 曼 预 测 和 ＭＳ相 结 合 的基 础 上 ， 宽 自适 应 会 同 本 带
基于Mean Shift的视觉目标跟踪算法综述
， ｒ ｏ ｅ ｒ ｔ ｉ ｅ ｓ Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ｅ ａ ｎ ｓ ｈ ｉ ｆ ｔ ｂ ａ ｓ ｅ ｄ ｖ ｉ ｓ ｕ ａ ｌ ｔ ｒ ａ ｃ ｋ ｉ ｎ ａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ ｓ ｈ ａ ｖ ｅ ｓ ｅ ｖ ｅ ｒ ａ ｌ ｄ ｅ ｓ ｉ ｒ ａ ｂ ｌ ｅ ｓ ｕ ｃ ｈ ａ ｓ ｃ ｏ ｍ ｕ ｔ ａ ｔ ｉ ｏ ｎ ａ ｌ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ Ｍ － － ｐ ｐ ｇ ｇ ｐ ， ， ， ｃ ｆ ｅ ｗ ｔ ｕ ｎ ｉ ｎ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ ｒ ｅ ｌ ａ ｔ ｉ ｖ ｅ ｌ ｈ ｉ ｈ ｒ ｏ ｂ ｕ ｓ ｔ ｎ ｅ ｓ ｓ ｉ ｎ ｅ ｒ ｆ ｏ ｒ ｍ ａ ｎ ｃ ｅ ａ ｎ ｄ ｓ ｔ ｒ ａ ｉ ｈ ｔ ｆ ｏ ｒ ｗ ａ ｒ ｄ ｉ ｍ ｌ ｅ ｍ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｗ ｈ ｉ ｃ ｈ ｍ ａ ｋ ｅ ｙ ｇ ｐ ｙ ｇ ｐ ｇ ｐ ， ｔ ｈ ｅ ｍ ｔ ｏ ｂ ｅ ｃ ｏ ｍ ｅ ａ ｎ ａ ｅ ａ ｌ ｉ ｎ ｔ ｏ ｉ ｃ ｉ ｎ ｖ ｉ ｓ ｕ ａ ｌ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ａ ｒ ｅ ａ ． Ｆ ｉ ｒ ｓ ｔ ｌ ｏ ｒ ｉ ｉ ｎ ａ ｌ ｍ ｅ ａ ｎ ｓ ｈ ｉ ｆ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ ｗ ａ ｓ ｐ ｐ ｇ ｐ ｇ ｙ ｇ ｇ ｇ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ｏ ｉ ｎ ｔ ｅ ｄ ａ ｎ ｄ ｉ ｔ ｓ ｄ ｅ ｆ ｅ ｃ ｔ ｓ ｗ ｅ ｒ ｅ ｏ ｕ ｔ ａ ｆ ｔ ｅ ｒ ｗ ａ ｒ ｄ ｓ ． Ｔ ｈ ｅ ｎ ｉ ｍ ｒ ｏ ｖ ｅ ｍ ｅ ｎ ｔ ｓ ｏ ｆ ｔ ｈ ｅ ｏ ｒ ｉ ｉ ｎ ａ ｌ ａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ ｗ ｅ ｒ ｅ ｅ ｌ ａ ｂ ｏ ｒ ａ ｔ ｅ ｌ ｐ ｐ ｇ ｇ ｙ ， ， ｆ ｒ ｏ ｍ ｆ ｉ ｖ ｅ ａ ｓ ｅ ｃ ｔ ｓ ｎ ａ ｍ ｅ ｌ ｅ ｎ ｅ ｒ ａ ｔ ｉ ｖ ｅ ａ ｎ ｄ ｄ ｉ ｓ ｃ ｒ ｉ ｍ ｉ ｎ ａ ｔ ｉ ｖ ｅ ｏ ｂ ｅ ｃ ｔ ａ ｅ ａ ｒ ａ ｎ ｃ ｅ ｍ ｏ ｄ ｅ ｌ ｍ ｏ ｄ ｅ ｌ ｕ ｄ ａ ｔ ｅ ｍ ｅ ｃ ｈ ａ ｎ ｉ ｓ ｍ， ｄ ｉ ｓ ｃ ｕ ｓ ｓ ｅ ｄ ｐ ｙ ｇ ｊ ｐ ｐ ｐ ， ｓ ｃ ａ ｌ ｅ ａ ｎ ｄ ｏ ｒ ｉ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ａ ｄ ａ ｔ ａ ｔ ｉ ｏ ｎ ａ ｎ ｔ ｉ ｏ ｃ ｃ ｌ ｕ ｓ ｉ ｏ ｎ ａ ｎ ｄ ｆ ａ ｓ ｔ ｍ ｏ ｖ ｉ ｎ ｏ ｂ ｅ ｃ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ． Ｂ ｏ ｔ ｈ ｃ ｌ ａ ｓ ｓ ｉ ｃ ａ ｌ ａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ ｓ ａ ｎ ｄ ｒ ｅ ｃ ｅ ｎ ｔ ａ ｄ － － ｐ ｇ ｊ ｇ ｇ ， ｖ ａ ｎ ｃ ｅ ｓ ａ ｒ ｅ ｉ ｎ ｃ ｌ ｕ ｄ ｅ ｄ ｉ ｎ ｅ ａ ｃ ｈ ａ ｓ ｅ ｃ ｔ ． Ｆ ｉ ｎ ａ ｌ ｌ ｔ ｈ ｅ ｏ ｆ ｍ ｅ ａ ｎ ｓ ｈ ｉ ｆ ｔ ｂ ａ ｓ ｅ ｄ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｗ ｅ ｒ ｅ ｒ ｏ ｓ ｅ ｃ ｔ ｓ ｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ． － ｐ ｙ ｇ ｐ ｐ ｐ ， ， Ｋ ｅ ｗ ｏ ｒ ｄ ｓ ｉ ｓ ｕ ａ ｌ ｔ ｒ ａ ｃ ｋ ｉ ｎ Ｍ ｅ ａ ｎ ｓ ｈ ｉ ｆ ｔ Ｏ ｂ ｅ ｃ ｔ ａ ｅ ａ ｒ ａ ｎ ｃ ｅ ｍ ｏ ｄ ｅ ｌ Ｖ ｇ ｊ ｐ ｐ ｙ 对经典文献和最近的研 Ｓ ｈ ｉ ｆ ｔ跟踪算法的若干改进方向 出 发 ， 究成果进 行 全 面 综 述 与 分 析 。 本 文 第 ２ 节 简 要 概 述 Ｍ ｅ ａ ｎ 并指出该框架存在 Ｓ ｈ ｉ ｆ ｔ理论与基于 Ｍ ｅ ａ ｎ Ｓ ｈ ｉ ｆ ｔ的跟踪框架 ， 的缺陷 ； 第３节至第７节从５个不同改进方向对 Ｍ ｅ ａ ｎ Ｓ ｈ ｉ ｆ ｔ 跟踪进行详细介绍与评述， 它们分别是基于生成模型与鉴别 模型的目标表达方法 、 目标模型的更新策略 、 目标尺度及方 向 的估计、 基于轨迹预测与目标分块的抗遮挡跟踪算法和快速 运动目标跟踪等 ； 最后总 结 全 文 并 展 望 了 今 后 Ｍ ｅ ａ ｎ Ｓ ｈ ｉ ｆ ｔ跟 踪的研究方向与发展趋势 。
基于Mean Shift算法和粒子滤波器的目标跟踪
ｐ 《 赤 ｅ－ （ ） ｘ 刍 ｐ ｉ
令 墨
．表示 ｋ帧中 目标 位置 的坐标 向量， 我们假 的 ７ ｒ 首先 观测值的概率密度 Ｊ ， 更新该粒子的权值． ☆） 从而
定 目标 的运 动 速 度 是 变 化 的 ．在 每 一 帧计 算 前 面 连 续 ｍ 帧 目标 １３目标位 置 的 确定 ． 的 移 动速 度 的 平均 值 作 为本 帧 目标 的 运 动 速度 向量 ． 为 记 利 用 加 权 准 则 确 定 目标 的最 终 位 置 ：
０ 引言 ． 在 视频 监 控 系 统 中 由于 复 杂 的现 场 环 境 以 及 跟 踪 应 用 的 实
时性 要 求 ． 目标 的 跟 踪 算 法 都 提 出很 高 的要 求 ， 对 目前 比 较 常 用 的 跟 踪 方 法 包 括 粒 子 滤 波 器 『】 ａ ｎ滤 波 器 『 ， ａ ｈｆ 算 １Ｋ ｌ ， ｍａ ３ Ｍｅ ｎ Ｓ ｉ １ ｔ
法 『 等 ． 而 ， 些算 法普 遍存 在 一 些 不 足 性 ． 如： 统 的 粒 子 滤 ４ 然 这 １ 例 传 波 算 法 的 退 化 现 象 ， 过 多 次 迭 代 后 ， 量 粒 子 只 集 中 了较 小 的 经 大 权值『， ８ 它们 对 后 验 概 率 的估 计 几 乎 不 起 作 用 ， 费 大 量 的 计 算 １ 浪 时 间． 般 为 了解 决退 化 问 题 会 采 取 选 用 大 量 粒 子 ． 此 时 计 算 一 但 时 间 又成 为 实 时 跟踪 无 法 克 服 的 瓶 颈 ． ａ ｈ 算 法 也 有 缺 点 ， ＭｅｎＳ ｍ 它 缺 乏必 要 的 模 板 更 新 算 法 ， 而且 当 目标 有 尺度 变 化 时 ， 能 跟 可 踪失 败 ， 但 Ｍ ａ ｈ ｔ 法 用 于 目标 跟 踪 有 两 个 优 势 『 ： 先 ， 法 ｅｎＳ ｉ 算 ｆ ４ 首 １ 算 计 算 量 不 大 ， 目标 区 域 已知 的 情 况 下 可 以做 到 实 时 跟 踪 ； 次， 在 其 作为 一 个 无 参 数密 度 估 计 算 法 ， 很 容 易 作 为 一 个 模 块 和 别 的 算 ｌ １ 法 集 成 ． 粒 子 滤 波器 中 可 以将 Ｍ ａ ｈ ｔ 法 作 为 一 个 模 块 用 在 ｅｎＳ ｉ 算 ｆ 其 值在 ０到 １ 间， 值越 大 则 两 个 模 型 越 相 似 ． 之 ＂ ∑ 于粒 子 的 重采 样 时使 用 ． 所 以 为解 决 退 化 现 象 及 缩 短 计 算 时 间．本 文提 出 一 种 综 合 这 样 可 以计 算 观 测 值 的概 率 密 度 函数 为： 奉 １ ｒ １ 、 ＭｅｎＳｉ 算 法 和 粒 子 滤 波 器 的跟 踪 算 法 ．该 算 法 利 用 Ｍ ａ ａ ｈ ｔ ｆ ｅｎ ｓ ｍ 算 法 来 对 粒 子 滤 波 器 中 众 多 的 粒 子 进 行 聚类 ．使 粒 子 更 接 ｈ 近 目标 的 真 实 位 置 的 区域 ． 而在 初 始 化 时， 用 很 多 的 粒 子 ， 因 不 就 可 以起 到 传 统 粒 子 滤 波 器 的作 用 ． 由 于 粒 子 的数 量 减 少 ． 法 则 该 粒 子 的权 值 更 新 为： 而 算 的费 时 相 应减 少 ， 省 了大 量 的 时 间『１ 节 ２． ｗ ＝ ： （ｔ ： ） ： ｗ一 ｚ Ｉ 一 ｔ 。 ｆ ６ １ １ ．目标跟 踪 模 型 这 样 ， 算 每 个 粒 子 对 应 的 目标 候 选 区 域 的 候 选 模 型 ． 算 计 计 １ ． １系统 动 态 模 型 每 个 区 域 对 应 的 Ｂ ａｔ ｈ ｒ ａ 离 『］ 而 得 到 每 个 粒 子 对 应 ｈ ｔｃ ａ ｙ 距 ａ ｙ ４， 进
基于像素级图像融合的Mean Shift目标跟踪
Microcomputer Applications V ol.27,No.4,2011研究与设计微型电脑应用2011年第27卷第4期5文章编号：1007-757X(2011)04-0025-03基于像素级图像融合的Mean Shift 目标跟踪张国华，卜纪伟，薛雷，肖刚，潘汉摘要：针对可见光、红外单模图像序列进行Mean Shift 目标跟踪时存在的问题，提出了先对可见光、红外图像序列进行像素级动态图像融合，采用加权平均融合和基于区域目标检测的图像序列融合框架，再对融合结果进行Mean Shift 目标核函数直方图建模，然后进行匹配跟踪。
实验采用了实际图像序列。
实验结果表明，针对目标进行跨背景区域的运动，该方法较采用单模图像序列进行跟踪具有更好的鲁棒性，并且满足实时性的要求。
关键字：图像融合;动态图像融合;Mean Shift;目标跟踪;融合跟踪中图分类号：TP311文献标志码：A0引言目标跟踪一直是计算机视觉的一个重要组成部分和研究热点。
所谓目标跟踪就是在视频图像序列的每幅图像中找到感兴趣的运动目标所处的区域，并对这些目标和区域进行定位的过程。
一个好的视频跟踪算法一般须满足两个基本要求：实时性与鲁棒性。
而这两条通常难于同时满足，往往需要某种折中，以得到较好的综合性能。
自从Comaniciu [1]等人把Mean Shift 算法用于目标跟踪取得很大成功后，近年来研究者已经提出了许多改进算法，且具有计算简单、实时性好等特点，得到了广泛的应用。
然而不管是针对可见光图像还是红外图像，当目标特征不明显、存在很大背景杂波或目标从一背景区域运动到另一背景区域等情况下，这些问题使得目标跟踪变得困难起来。
图像融合正是对从同一场景得到的不同模态的图像进行智能的合并，得到该场景的单一的扩展了的景象描述。
目前基于红外与可见光双传感器的图像融合已经发展非常迅速，很多学者已提出了多种图像融合算法，并得到了很好的效果。
目标尺度自适应的Mean Shift跟踪算法
２０ １ １年 ２月
兵
工
学
报
Ｖｏ ＿ ２ Ｉ ３ ＮＯ． ２
Ｆｅ ｂ． ２０１ １
ＡＣＡ ＡＲＭ ＡＭ ＥＮＴＡＲＩ Ｉ
目标 尺度 自适应 的 ＭｅｎＳ ｉ 跟踪 算 法 ａ ｈｆ ｔ
康一梅。 ，谢 晚 冬 ，胡 江 ，黄 琪 。
０ 引 言
运 动 目标 跟踪 是计算 机视觉 领域 的一个 重要 的 研 究课题 ， 广泛 应 用 于交 通 控制 、 工 智 能 、 人 军事 制 导 等各个 方面 。ＭｅｎＳ ｉ 算 法 最早 是 作 为一 种 无 ａ ｈｆ ｔ
参 密 度 估 计 算 法 于 １７ 年 由 Ｆ ｋ ｎｇ ９５ ｕ ｕ ａａ首 先 提
Ｋｅｙ ｗｏｒ ｓ： ａｔｆｃａ ｎ ｔｌｉｅ ｃ ｄ ｒｉ ｉｌｉ ｅ ｌ ｎ ｅ；ｍ ｅ ｎ ｓ ｉ ； ｔｒ ｅ ｒ ｃ ｉ ｇ； ａｆｎ ｔｕ ｔ ｒ ｓ ａｅ ａ ａ ｔｔｏ ｉ ｇ ａ ｈｆ ｔ ａｇ ｔｔａ ｋ ｎ ｆｉ ｅ ｓｒ ｃ ｕ ｅ； ｃ ｌ ｄ ｐａ ｉｎ
两 帧 之 间 目标 的 仿 射 变 换 矩 阵 ， 利 用 该 矩 阵对 目标 位 置 和 大 小 进 行 修 正 。 实 验 表 明 改 进 算 法 有 并
效 的提 高 了 ＭｅｎＳ ｉ 算 法在 目标尺度 变化 时 的跟踪 稳定性 ， 目标 的尺 度 变化具 有适应 性。 ａ ｈｆ ｔ 对 关键 词 ：人工 智 能；Ｍ ａ ｈ ；目标跟 踪 ； 射 变换 ；尺度 自适 应 ｅ ｎＳ ｉ ｔ ｆ 仿 中图分类 号 ： Ｐ ９ Ｔ３１ 文献标 志码 ： Ａ 文章 编号 ： ０ ０１９ （ ０ １ ０ －２ ０ ７ １０ — ３ ２ ｌ ） ２０ １ － ０ ０
改进的kcf目标跟踪算法研究
华中科技大学硕士学位论文摘要随着人工智能的兴起，计算机视觉领域近年来得到快速的发展。
作为计算机视觉领域研究的核心之一，视觉目标跟踪已经广泛应用于许多领域。
由于其应用领域十分广泛，应用场景也变得更加复杂。
尺度变化、遮挡、旋转、复杂背景、低分辨率等因素的存在给视觉目标跟踪带来了的挑战。
基于核相关滤波的KCF(Kernelized Correlation Filters)跟踪算法自问世以来受到了广泛的关注。
本文基于KCF跟踪算法，针对KCF跟踪算法的不足提出了一些改进方法。
针对KCF跟踪算法不能自适应目标尺度的变化，本文提出了SMIKCF(Scale-Adaptive Multiple-Feature Improved-Template-Update KCF)跟踪算法。
SMIKCF在KCF算法的基础上，加入一个尺度估计滤波器；提取样本的HOG((Histogram of Oriented Gradient))特征和CN(Color Name)特征，并把两个特征相融合；利用APCE判据改进位置估计滤波器模型的更新方式。
针对KCF算法在目标发生遮挡时容易出现目标丢失的情况，本文提出了AOKCF(Anti-Occlusion KCF)跟踪算法。
AOKCF在KCF算法的基础上，利用APCE 进行跟踪可靠性检测；加入检测模块，在检测到跟踪结果不可靠时，启动检测模块对目标进行检测，并使用位置滤波器进行目标识别，当识别出目标时，更新目标位置以及位置滤波器，否则直接进入下一帧，继续采用检测模块进行检测。
本文实验数据来源于Visual Tracker Benchmark。
采用OPE(One-Pass Evaluation)的评估方式，在Benchmark的50个测试视频序列上进行实验，来评估算法的性能。
实验表明，本文提出的方法能够有效地解决相关问题，提高跟踪算法的性能。
关键词：目标跟踪核相关滤波尺度自适应遮挡华中科技大学硕士学位论文ABSTRACTWith growing of artificial intelligence, computer vision has been rapid development in recent years. Visual target tracking is one of the most important part of computer vision research, with widely used in many fields. The application situation is becoming more and more complicated due to the wide application fields. The existence of scale changes, occlusion, rotation, complex background, low resolution and other factors has brought higher challenges to visual target tracking. KCF (Kernelized Correlation Filters) tracking algorithm has been widely concerned since it was proposed. Based on the KCF tracking algorithm, this paper proposed improved methods for the shortcoming of KCF tracking algorithm.Firstly, the SMIKCF(Scale-Adaptive Multiple-Feature Improved-Template-Update KCF) tracking algorithm is proposed in this paper to solve the problem that the KCF tracking algorithm can not adapt to the target scale. On the basis of KCF algorithm, SMIKCF adds a scale estimation filter, and combines HOG characteristics and CN characteristics, using the APCE criterion to improve the updating method of the position estimation filter model.Secondly, the AOKCF(Anti-Occlusion KCF) tracking algorithm is proposed to solve the problem of occlusion. AOKCF tracking algorithm is based on KCF tracking algorithm. APCE criterion is used to check the reliability of tracking results. When the tracking result is unreliable, add detection module to detect the target, and then use the position filter to the target recognition. If the target is recognized, then update the target position and the position filter module. Otherwise, go directly to the next frame.The experimental datas are from Visual Tracker Benchmark. Experiments were performed on Benchmark's 50 test video sequences and use the OPE (One-Pass Evaluation) evaluation method to evaluate the performance of the algorithm.华中科技大学硕士学位论文Experimental results show that the proposed method can effectively solve the related problems and improve the performance of the tracking algorithm.Keywords: Object tracking Kernelized correlation filters Scale adaptive Occlusion华中科技大学硕士学位论文目录摘要 (I)Abstract (II)目录 (IV)1 绪论 (1)1.1研究背景与意义 (1)1.2国内外研究概况 (1)1.3论文的主要研究内容 (4)1.4主要组织结构 (4)2 KCF跟踪算法介绍 (6)2.1引言 (6)2.2相关滤波器 (6)2.3核相关滤波器 (9)2.4本章小结 (17)3 改进的尺度自适应KCF跟踪算法研究 (18)3.1引言 (18)3.2尺度估计 (19)3.3多特征融合 (22)3.4模型更新策略改进 (22)3.5算法整体框架 (24)华中科技大学硕士学位论文3.6实验结果与分析 (25)3.7本章小结 (40)4 抗遮挡KCF跟踪算法研究 (41)4.1引言 (41)4.2跟踪可靠性检测 (43)4.3重检测算法研究 (43)4.4算法整体框架 (47)4.5实验结果与分析 (48)4.6本章小结 (60)5 总结与展望 (61)5.1全文总结 (61)5.2课题展望 (62)致谢 (63)参考文献 (64)附录1 攻读学位期间发表论文与参与课题 (70)华中科技大学硕士学位论文1 绪论1.1 研究背景与意义人工智能的飞速发展使得计算机视觉备受关注，作为计算机视觉领域研究的核心之一，视觉目标跟踪已经广泛应用于许多领域[1]。
复杂背景下一种有效的Mean Shift目标跟踪算法
复杂背景下一种有效的Mean Shift目标跟踪算法
罗富贵;宣士斌;徐俊格;陈超
【期刊名称】《广西民族大学学报（自然科学版）》
【年(卷),期】2011(017)001
【摘要】提出了一种改进的Mean shift目标跟踪算法,该方法能够有效的排除非目标点对跟踪结果的影响,并且得到新的权值,增强了该像素属于目标的可能性,削弱了背景信息对目标模型的影响,提高了在复杂背景下对运动目标跟踪的鲁棒性.实验表明该方法能够有效实现复杂场景下的目标跟踪.
【总页数】6页(P58-63)
【作者】罗富贵;宣士斌;徐俊格;陈超
【作者单位】广西民族大学数学与计算机科学学院,广西南宁530006;广西民族大学数学与计算机科学学院,广西南宁530006;广西民族大学数学与计算机科学学院,广西南宁530006;广西民族大学数学与计算机科学学院,广西南宁530006
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种针对人体运动目标的Mean-Shift跟踪算法 [J], 谭涛;吴乐华;蔡淳;陈熙隆
2.红外复杂背景中一种融合两类跟踪框架优点的小目标跟踪算法 [J], 徐蓉萍;杨磊
3.一种改进的Mean Shift运动目标跟踪算法 [J], 肖江;陈想;丁亮
4.一种改进的Mean Shift目标跟踪算法——针对视频对象部分遮挡和光照变化
[J], 郑增国;宣士斌;桑高丽;赵波
5.一种复杂背景下红外目标稳定跟踪算法 [J], 李继泉; 时勤功; 胡春松
因版权原因，仅展示原文概要，查看原文内容请购买。
融合纹理特征的Mean-shift抗遮挡目标跟踪算法
纹理特征［不受光照和背景颜 色的影响 ， ５ ］ 且具有尺 度、 旋转不变性等优点， 属于点样本估计 ， 并 很容易 融合颜色等特征． 本文融合 目标的纹理特征 ， 了克服光照、 标 为 目 姿态变化 的影响 ， 实时更新模板， 并通过 Ｋ ｌ ｎ滤 ａ ｍａ 波估计 目标的状态 ， 提高跟踪的鲁棒性 ； 由于 Ｍｅｎ ａ－ 面积长时间遮挡的情况下容易丢失 的问题 ， 出一 提 种 目标遮挡因子判断 目标受遮挡的程度 ， 并采取相 应 的处理策略． 视频序列仿真表明 ， 该算法不仅在复 杂背景下能稳定地跟踪 目标且在 目 标完全遮挡 的情 况下仍能正确地跟踪 目 标．
（ ３ ）
ｎ ＝｛椭 ＿ 口 【 ０
（ ＝一１ ） （ 其他情况）
（） ９
两密度之间的分布越相似 ， 越大 ， Ｉ 口 通过 Ｍｅｎｓｉ ａ－ ｆ ｈｔ 向量寻找密度估计的最大值得到 目标的新位置 Ｙ ：
式中 ： ∈ ［ ，ｏ ， ． ＝ Ｉ １ｏ ）表示 目标受遮挡程度 的量 ， 则遮
当 ＞１时， 目标特征 ， 被 部分遮挡， ， ｌ 当 ＝一１ 耐 － 标特征 帆 被金都遗挡． ： 目 令 ｆ 一 口 ｍ （ ＞ ． ： 【 ）
常采用 Ｂ ａｔ ｈｒｙ 系数．憔 计两区域 之阃 的相 ｈｔ ｃａｙａ ａ 睐 似程度 ：
Ｊ ） Ｊ （ ， ＝∑ 丽 Ｄ 一Ｄ 口 （ ［ ）］ 户
＝知 ＋ （ 一 ．ｔ｛ １ ＝ｃ １ Ｊ ）
（０ １）
式 中： 为加权 系数 ， 其值根据场景确定 ， 当背景与 目 标颜色相近时 ， 应取较小 的值 ， 当背景较复杂且 出现局部遮挡时 ， 应取较大 的值． Ｊ ： Ｉ 根据 经验本文将
一种扩展带权值的Mean shift跟踪算法
（ Ｃｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ａｕ ｔ ｏ ｍａ ｔ ｉ ｏ ｎ ， Ｎａ ｎ ｊ ｉ ｎ ｇ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｐ ｏ ｓ ｔ ｓ ａ ｎ ｄ Ｔｅ ｌ ｅ ｃ ｏ ｍｍｕ ｎ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ， Ｎａ ｎ ｊ ｉ ｎ ｇ ２ １ ０ ０ ０ ３ ， Ｃ ｈ ｉ ｎ ａ ）
雄 嫩 静 静
一
Ｅ Ｉ Ｅ Ｃ Ｔ Ｒ Ｏ Ｎ １ Ｃ 电 Ｍ 子 Ｅ Ａ Ｓ 测 Ｕ Ｒ Ｅ 量 Ｍ Ｅ Ｎ 技 Ｔ 术 Ｔ Ｅ Ｃ 年 第 ４ 月 ４ 期
种 扩 展 带权 值 的 Ｍｅ ａ ｎ ｓ ｈ ｉ ｆ ｔ 跟踪 算 法
．
Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ：ｐ ｉ ｘ ｅ ｌ ｓ ；ｏ ｂ ｊ ｅ ｃ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ；Ｍ ｅ ａ ｎ ｓ ｈ ｉ ｆ ｔ ；ｔ ｅ ｘ ｔ ｕ ｒ ｅ ；ｈ ｉ ｓ ｔ ｏ ｇ ｒ ａ ｍ ；ｓ ｃ ａ ｌ ｅ ａ ｄ ａ ｐ ｔ ｉ ｖ ｅ
１ 引
ｓ ｉ ｇｎ ｉ ｆ ｉ ｃ ａｎ ｃ ｅ ｈ ａ ｖｅ ａ ｗｉ ｄｅ ｌ ｙ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｖ ａ ｌ ｕｅ ． Ｂａｓ ｅ ｄ ｏｎ ｔ ｈ ｅ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎａ ｌ Ｍｅ ａ ｎ ｓ ｈｉ ｆ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ａ ｌ ｇｏ ｒ ｉ ｔ ｈｍ ｉ ｓ ｓ ｕ ｓ ｃ ｅｐ ｔ ｉ ｂ ｌ ｅ ｔ Ｏ ｋｅ ｅ ｐ ｏ ｕｔ ， ｂ ａ ｃ ｋｇ ｒ ｏ ｕｎ ｄ ｉ ｎｆ ｏ ｒ ｍ ａｔ ｉ ｏ ｎ ａ ｎ ｄ Ｓ Ｏ ｏｎ． Ｉ ｎ ｔ ｈｉ ｓ ｐａ ｐｅ ｒ， ｐｕ ｔ ａ ｎ ｅ ｘｔ ｅ ｎ ｄｅ ｄ Ｍｅ ａ ｎ ｓ ｈ ｉ ｆ ｔ ａ ｌ ｇ ｏｒ ｉ ｔ ｈ ｍ。 ｃ ｏｍ ｂ ｉ ｎ ｉ ｎｇ ｗｉ ｔ ｈ ｔ ｈｅ ｔ ｅ ｘ ｔ ｕｒ ｅ ｆ ｅ ａ ｔ ｕｒ ｅ ｓ ａｎ ｄ ｂ ａ ｃ ｋｇ ｒ ｏ ｕｎ ｄ ｗｅ ｉ ｇｈｔ ｆ ａ ｃ ｔ ｏｒ ． Ｔｈｒ ｏｕ ｇｈ ｔ ｈｅ ｔ ｅ ｓ ｔ ｔ ｈ ａ ｔ ｔ ｈ ｉ ｓ ｍｅ ｔ ｈｏ ｄ ｆ ｏ ｒ ｔ ａ ｒ ｇｅ ｔ ｔ ｒ ａ ｃ ｋｉ ｎ ｇ ｈａ ｓ ａ ｖｅ ｒ ｙ ｇｏ ｏ ｄ ｅ ｆ ｆ ｅ ｃ ｔ
基于Mean-shift的粒子滤波算法在遮挡目标跟踪中的应用
中图法分类号
Ｔ ３１１ ； Ｐ １ ．１
文献标志码
Ａ
目标 跟踪 （ ｂｅｔ ｒｃ ｉｇ 是计 算 机 视 觉 领 域 Ｏ ｊｃ Ｔ ａｋｎ ） 非 常活跃 的一 个课 题 ， 融合 了 图像 处 理 、 式识 别 、 模 人 工智 能 、 自动 控制 以及 计 算 机应 用 技 术 等 相 关领 域 的先进 技 术 和研 究 成 果 。有 着 非 常 广 泛 的应 用 和实用价 值 。 目标 跟踪 算 法 可 分 为 确 定 性 跟 踪 算 法 和 随机 性跟 踪算 法两 大类 ， 确定 性 跟 踪 算 法 通 常 可 以转 化
一 一 一
处 理 。Ｅ ｍ ｉ：ｌｕ＠ｎ ｎ ．ｄ ．ｎ ． ａｌ ｉ ｉ ｗ ｕ ｅｕ ｃ 。 ｒ
（） ２
维普资讯
３５ ９８
科
学技术来自与工程
８卷
（） ２ 设计 粒 子 的表 示 方 式 ， 定 粒 子 数 目并 初 确
始 化粒 子
（ ） 中，ｓ 为一 个半径 为 ｈ的高维球 形 区域 ， ５式 ｜ 即满 足 以下 关 系 的 Ｙ点 的集 合 ，
Ｓ （ ： ｛ ：Ｙ— （， ）≤ ｈ ｝ ＾ ） ） （ ） ） 一 ， （） ６ （） 中， ６式 ｈ为在这 儿个样本 点 中 ， 个 点落 在 有 ． ｓ 区域 中 。
粒 子 的表 示方 式 要 和 系统 动态 模 型 相 结合 ， 尽
漂移 （ ｅｎｓｉ） ｍ ａ—ｈ ｔ算法 ， ｆ 一般 采用 直 方 图对 目标 进 行
建模 ， 然后 通 过 相 似 度 度 量 ， 终 实 现 目标 的 匹 配 最 和跟 踪 ； 有 高 实 时 性 ， 是 由于 收 敛 到局 部 极 值 具 但 点的性 质 而在 某 些 遮 挡 等情 况 下 不 能 保 证 跟 踪 的 鲁棒性 。随机 性跟 踪 算 法是 目标 状 态 估 计算 法 ， 例 如粒 子 滤波算 法 ， 一种 基 于序 列 蒙 特 卡罗 （ ｎｅ 是 Ｍｏｔ
s q r t 函 数 实 现 算 法
基于MeanShift的目标跟踪算法及实现这次将介绍基于MeanShift的目标跟踪算法，首先谈谈简介，然后给出算法实现流程，最后实现了一个单目标跟踪的MeanShift算法【matlab-c两个版本】csdn贴公式比较烦，原谅我直接截图了…一、简介首先扯扯无参密度估计理论，无参密度估计也叫做非参数估计，属于数理统计的一个分支，和参数密度估计共同构成了概率密度估计方法。
参数密度估计方法要求特征空间服从一个已知的概率密度函数，在实际的应用中这个条件很难达到。
而无参数密度估计方法对先验知识要求最少，完全依靠训练数据进行估计，并且可以用于任意形状的密度估计。
所以依靠无参密度估计方法，即不事先规定概率密度函数的结构形式，在某一连续点处的密度函数值可由该点邻域中的若干样本点估计得出。
常用的无参密度估计方法有：直方图法、最近邻域法和核密度估计法。
MeanShift算法正是属于核密度估计法，它不需要任何先验知识而完全依靠特征空间中样本点的计算其密度函数值。
对于一组采样数据，直方图法通常把数据的值域分成若干相等的区间，数据按区间分成若干组，每组数据的个数与总参数个数的比率就是每个单元的概率值；核密度估计法的原理相似于直方图法，只是多了一个用于平滑数据的核函数。
采用核函数估计法，在采样充分的情况下，能够渐进地收敛于任意的密度函数，即可以对服从任何分布的数据进行密度估计。
然后谈谈MeanShift的基本思想及物理含义：此外，从公式1中可以看到，只要是落入Sh的采样点，无论其离中心x的远近，对最终的Mh(x)计算的贡献是一样的。
然而在现实跟踪过程中，当跟踪目标出现遮挡等影响时，由于外层的像素值容易受遮挡或背景的影响，所以目标模型中心附近的像素比靠外的像素更可靠。
因此，对于所有采样点，每个样本点的重要性应该是不同的，离中心点越远，其权值应该越小。
故引入核函数和权重系数来提高跟踪算法的鲁棒性并增加搜索跟踪能力。
接下来，谈谈核函数：核函数也叫窗口函数，在核估计中起到平滑的作用。
基于改进Mean-Shift的颜色直方图地板块跟踪算法
（ Ｃｏ Ｈ ｅ ｇ ｅ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｎｏ ｒ ｔ ｈ ｅ ａ ｓ ｔ Ｆ ｏ ｒ ￣ｔ ｒ ｙ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｈａ ｒ ｂ ｉ ｎ １ ５ ０ ０ ４ ０ ，Ｃｈ ｉ ｎ ａ ）
础上 ， 提 出一种 目标颜色直方 图和 Ｍｅ ａ ｎ — Ｓ ｈ ｉ ｆ ｔ 迭代算法相结合的跟踪方法 。将该算法应用于地板块跟踪领域， 研究了在遮挡物 以及
光线影响下该算法的可 行性和跟踪效果。仿真和实验结果表 明， 该算法兼备跟踪快速 、 识别准确、 稳定性好等优点， 优于传 统的 Ｌ ｕ — ｃ ａ ￥ 一 Ｋ ａ ｎ ａ ｄ ｅ 算法 、 Ｃ ａ ｍ ｓ ｈ ｉ ｆ ｔ 算法 ， 为地板块跟踪算法 的研究提供 了一个新的思路
ｈ ａ ｓ ｔ ｈ ｅ ａ ｄ ｖ ａ ｎ ｔ ａ ｇ ｅ ｓ ｏ ｆ ｆ ａ ｓ ｔ ｅ ｒ ｔ ｒ ａ ｃ ｉｎ ｋ ｇ ｓ ｐ ｅ ｅ ｄ ，ｈ ｉｇ ｈｅ ｒ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ａ ｎ ｄ ｓ ｔ ａ ｂ ｉ ｌ ｉ ｔ ｙ ｔ ｈ ａ ｎ ｔ ｈ ｅ ｒ ｔ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ Ｌ ｕ ｃ ａ ｓ — Ｋ ａ ｎ ａ ｄ ｅ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｎｄ ａ Ｃ ａ ｍｓ ｈ ｉ ｆ ｔ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ． ｈｅ Ｔ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｐ ｒ ｏ ｖ ｉ ｄ ｅ ｓ ａ ｎ ｅ ｗ ｈｏ ｔ ｕ ｈｔ ｇ ｆ ｏ ｒ ｔ ｈ ｅ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｎ ｔ ｈ ｅ ｐ ｌ ａ ｔ ｅ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ａ ｌ ｇ ｈ ｉ ｆ ｔ ；颜色直方图；地板块跟踪
基于Camshift 方法的视觉目标跟踪技术综述
基于Camshift 方法的视觉目标跟踪技术综述作者：伍祥张晓荣潘涛朱文武来源：《电脑知识与技术》2024年第17期摘要：视觉目标跟踪技术是机器视觉、模式识别等相关领域中重要的研究内容之一。
受限于场景的复杂度、目标速度、目标的遮挡程度等状况，其相关研究具有一定的难度和挑战性，而均值漂移及其相关算法是解决该类问题的重要途径。
首先介绍视觉目标跟踪的研究方法和原理，然后介绍Camshift方法的前身Meanshift方法的原理和算法过程，并做出相应的分析和阐述。
再介绍针对Camshift算法的相关研究和改进方法，最后总结Camshift方法的应用情况以及后续可能的研究方向。
关键词：机器视觉；模式识别；目标跟踪；Meanshift；Camshift中图分类号：TP391 文献标识码：A文章编号：1009-3044（2024）17-0011-04 开放科学（资源服务）标识码（OSID）：0 引言实现视觉目标跟踪可能的前置步骤包括目标分类、物体检测以及图像分割。
目标分类是指根据目标在图像中呈现的特征，将不同类别的目标加以区分的图像处理方法。
物体检测是指在某张图像中，检测出目标出现的位置、尺度以及其對应的类别。
相较于目标分类，物体检测不仅需要指出其类别，还需返回该目标在图像中的物理坐标信息，其量化度得到了增强。
而图像分割在物体检测的基础上提出了更加精细的要求，即不仅需要指出物体在图像中的坐标位置信息，还要标注出目标在图像中的精准轮廓，其难度和复杂度进一步提升。
上述技术在图像处理过程中，存在一些共性化的技术难点，比如尺度变化、部分遮挡等[1-2]。
针对物体尺度变化，一种常规的方式是采用尺度不变特征变换（SIFT）技术[3]，通过尺度空间极值计算、关键点定位、方向和幅值计算以及关键点描述等步骤完成目标在尺度变化时的特征匹配。
针对目标部分区域被遮挡的问题，Wang B等[4]提出了一种通过网络流优化的轨迹片段（tracklet）关联中的在线目标特定度量来忽略目标被遮挡的时段，从而连续化目标运动轨迹；Fir⁃ouznia Marjan[5]提出了一种改进的粒子滤波方法，通过状态空间重构，在有遮挡的情况下提升目标跟踪的精度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基 于 镜 像 Ｍｅ ａ ｎ Ｓ ｈ ｉ ｆ ｔ 的遮 挡 目标 跟 踪 算 法
曹义 亲 ， 肖金 胜 ， 黄 晓 生
（ 华东交通大学 软件学 院， 南昌３ ３ ０ ０ １ ３ ） （ 通信作者 电子 邮箱 ６ ０ ９ ６ ９ ４ ７ １ ８ 中 目标被 全遮挡 时易导致 目标跟踪 不精确 、 甚 至丢 失 目标 的 问题 ， 提 出一种基 于镜
好 地跟踪 目标 ， 提 高 了跟踪精度和鲁棒性 ， 且满足 实时性要 求。
关键词 ： 镜像； Ｍｅ ａ ｎ Ｓ ｈ ｉ ｔ； ｆ 全 遮挡 ；巴 氏 系数 ； 目标 跟 踪
中图 分 类 号 ：Ｔ Ｐ ３ ９ １ ． ４ １
文 献 标 志码 ： Ａ
Ｏｃ ｃ ｌ ｕ ｄ ｅ ｄ ｏ ｂ ｊ ｅ ｃ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｍｉ ｒ ｒ ｏ ｒ ｉ ｍａ ｇ ｅ ａ ｎ ｄ Ｍｅ ａ ｎ Ｓ ｈ ｉ ｆ ｔ
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ
Ｉ Ｓ Ｓ Ｎ １ ０ ０ １ ． ９ ０ ８ １
２ ０ １ ５ ．１ １ ． １ ０
计算机应 用， ２ ０ １ ５ ， ３ ５ （ １ １ ） ： ３ ２ ９ ７—３ ３ ０ １
ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｔ ｒ ａ ｃ ｋ ｏ ｂ ｊ ｅ ｃ ｔ ｉ ｓ ｎ ｏ ｔ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ ，ｅ ｖ ｅ ｎ ｌ ｏ ｓ ｔ ｄ ｕ ｉ ｒ ｎ ｇ ｆ ｕ ｌ ｌ ｏ ｃ ｃ ｌ ｕ ｓ ｉ ｏ ｎ ｉ ｎ ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ．Ｔ ｈ ｅ ｌ ａ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｎ ｃ ｌ ｕ ｄ ｅ ｄ ｔ ｈ ｒ ｅ ｅ ｓ ｔ ｅ ｐ ｓ ：
文章编号 ： １ ０ ０ １ — ９ ０ ８ １ （ ２ ０ １ ５ ） １ １ — ３ ２ ９ ７ － ０ ５
ＣＯＤ ＥＮ Ｊ ＹＩ Ｉ ＤＵ
ｈ ｔ ｔ ｐ ： ／ ／ ｗ ｗ ｗ． ｊ ｏ ｃ ａ ． ｃ ｎ
ｄ ｏ ｉ ： １ ０ ． １ １ ７ ７ ２ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ １ － ９ ０ ８ １ ． ２ ０ １ ５ ． １ １ ． ３ ２ ９ ７
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ａ ｎ ｅ ｗ ｏ ｃ ｃ ｌ ｕ ｄ ｅ ｄ ｏ ｂ ｊ ｅ ｃ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｍ ｉ ｒ ｒ ｏ ｒ ｉ ｍａ ｇ ｅ ａ ｎ ｄ Ｍｅ ａ ｎ Ｓ ｈ ｉ ｔ ｆ ｗ ａ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ｔ ｏ ｓ ｏ ｌ ｖ ｅ ｔ ｈ ｅ
Ｃ ＡＯ Ｙｉ ｑ ｉ ｎ ｇ ， ＸＩ ＡＯ Ｊ ｉ ｎ ｓ ｈ ｅ ｎ ｇ’ ， ＨＵＡ ＮＧ Ｘｉ ａ ｏ ｓ ｈ ｅ ｎ ｇ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｓ ｏ ｆ ｔ ｗ ａ ｒ ｅ ，Ｅ ａ ｓ ｔ Ｃ ｈ ｉ ｎ ａ Ｊ ｉ ａ ｏ ｔ ｏ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｎ ａ ｎ ｃ ｈ ａ ｎ ｇ Ｊ ｉ ａ ｎ ｇ ｘ ｉ ３ ３ ０ ０ １ ３ ，Ｃ ｈ ｉ ｎ ａ ）
ｓ ａ ｎ ｄ ｂ ａ ｇ ｋ ｅ ｎｅ ｒ ｌ ｗ ｉ ｎ ｄ ｏ ｗ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｐ ａ ｒ ｔ ｉ ｔ ｉ ｏ ｎ ．Ｓ ｅ ｃ ｏ ｎ ｄ ｌ ｙ ，ｗ ｈ ｅ ｎ ｔ ｈ ｅ ｏ ｂ ｊ ｅ ｃ ｔ ｉ ｓ ｏ ｃ ｃ ｌ ｕ ｄ ｅ ｄ（ Ｂ ｈ ａ ｔ ｔ ａ ｃ ｈ ａ ｒ ｙ ｙ ａ ｃ ｏ ｅ ｆ ｉ ｆ ｃ ｉ ｅ ｎ ｔ ｍａ ｔ ｃ ｈ ｉ ｎ ｇ ｄ ｅ ｒｅ ｇ ｅ ｏ ｆ ａ ｄ ｊ ａ ｃ ｅ ｎ ｔ ｆ ｒ ａ ｍｅ ｓ ｗ ａ ｓ ｌ ｅ ｓ ｓ ｔ ｈ ａ ｎ ８ ０ ％） ，ｔ ｈ ｅ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｔ ｈ ｅ ｓ ｉ ｚ ｅ ｏ ｆ ｔ ｈ ｅ ｔ ａ ｒ ｇ ｅ ｔ ｗ ａ ｓ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｅ ｄ ｂ ｙ ｕ ｓ ｉ ｎ ｇ ｐ ｉ ｒ ｏ ｒ ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ ｃ ｌ ｓｓ ａ ｉ ｉ ｆ ｅ ｒ
前后 帧 Ｂ ｈ ａ ｔ ｔ ａ ｃ ｈ ａ ｒ ｙ ｙ ａ系数 匹配度再次大 于等 于 ８ ０ ％ 时， 表示 目标 离开遮挡 区域 ， 则转换为 Ｍｅ ａ ｎ Ｓ ｈ ｉ ｔ跟踪 。实验 结果 ｆ 表明： 所提 算法与子区域分类器的在线 Ｂ ｏ ｏ ｓ ｔ ｉ ｎ ｇ算法和 多视 角多目标协 同追踪算 法相 比， 在 目标全遮挡 的情况下能 更
像 Ｍｅ ａ ｎ Ｓ ｈ ｉ ｔ 的遮挡 目标跟 踪算法。 当前后帧 Ｂ ｆ ｈ ａ ｔ ｔ ａ ｃ ｈ ａ ｒ ｙ ｙ ａ系数 匹配度 大于等 于 ８ ０ ％ 时， 表示 目标没有被遮挡 ， 采用 颜 色特征 和轮廓 特征定位 目标 ， 利 用分块 沙 包窗核 函数 实现 尺 寸 自适应 ； 当前 后 帧 Ｂ ｈ ａ ｔ ｔ ａ ｃ ｈ ａ ｒ ｙ ｙ ａ系数 匹配 度 小 于 ８ ０ ％ 时， 表示 目标进入遮挡 区域 ， 则利用先验训练 分类器和镜像 原理 对遮 挡 区域 目标的位 置和尺寸 大小进行预测 ； 当
Ｆ ｉ ｒ ｓ ｔ ｌ ｙ ，ｗ ｈ ｅ ｎ ｔ ｈ ｅ ｏ ｂ ｊ ｅ ｃ ｔ ｗ ａ ｓ ｕ ｎ ｃ ｏ ｖ ｅ ｒ ｅ ｄ（ Ｂ ｈ ａ ｔ ｔ ａ ｃ ｈ ａ ｒ ｙ ｙ ａ ｃ ｏ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｔ ｍａ ｔ ｃ ｈ ｉ ｎ ｇ ｄ ｅ ｇ ｒ ｅ ｅ ｏ ｆ ａ ｄ ｊ ａ ｃ ｅ ｎ ｔ ｌ ｆ ａ ｍ ｅ ｓ ｗ ａ ｓ ｒ ｇ ｅ ａ ｔ ｅ ｒ ｔ ｈ ａ ｎ ｏ ｒ ｅ ｑ ｕ ｌ ａ ｔ ｏ ８ ０ ％） ，ｃ ｏ ｌ ｏ ｒ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ａ ｎ ｄ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｗ ｅ ｒ ｅ ｕ ｓ ｅ ｄ ｔ ｏ ｌ ｏ ｃ ａ ｔ ｅ ｔ ｈ ｅ ｔ ａ ｒ ｇ ｅ ｔ ，ａ ｎ ｄ ｓ ｉ ｚ ｅ ａ ｄ ａ ｐ ｔ ｉ ｖ ｅ ａ ｄ ｊ ｕ ｓ ｔ ｍｅ ｎ ｔ ｗ ａ ｓ ｒ ｅ ａ ｌ ｉ ｚ ｅ ｄ ｂ ｙ