基于均值漂移——连通域标记的多目标跟踪算法
基于均值漂移和边缘检测的轮廓跟踪算法
方法 。
均值漂移跟踪算 法可 以较 准确地 对视 频 中的 目标 物体 进行跟踪 ， 但是不能够得 到 目标物体 的轮廓信 息 ， 目标 物 而
ＫＥＹＷ ＯＲＤＳ：Ｍｅ ｎ ｓ ｉ ； ｄ ｅ ｄ ｔｃｉ ｎ Ｃ ｎｏ ｒｔ ｃ ｉ ｇ ａ ｈｆ Ｅ ｇ ｅｅ ｔ ； ｏ ｔｕ ａ ｋ ｎ ｔ ｏ ｒ
所 跟踪 的 目标 ， 比如 条 件 概率 密 度传 播 ］ 均 值 漂移 等 、
１ 引言
人类 的视觉系统是获取外界信息 的主要途径 ， 而运动 目
ａ ｈ ａ ｉ ｈ ａ ｋ ｒ ｕ ｄ ｉ ｕ ｄ ｔｄ ｕ ｉｇ Ｇａ ｓ ｄ １ ｈ ｎ ｔｅ ｆｒ ｇ ｏ ｎ ｅ ｔｎ ｌ ｎ ｈ ａ ｋ ｏ ｎ ｔｔｅ ｓ ｍｅ ｔ ｍｅ ｔ ｅ ｂ ｃ ｇ ｏ ｎ ｓ ｐ ａｅ ｓｎ ｕ ｓ ｍｏ ｅ ．Ｔ ｅ ｈ ｏ ｅ ｕ ｄ ｒ ｃａ ｇｅ ａ ｄ ｔｅ ｂ ｃ ｇ ｕ ｄ ｒ ｒ ｒ ｃａ ｇ ｅ ａｅ ｏ ｔｉ ｅ ｒｍ ｈ ｏ ｅ ｒｕ ｄ ａ ｄ ｂ ｃ ｇ ｏ ｎ ｍａ ｅ ｒ ｓ ｅ ｔ ｅｙ ｅ ｔｎ ｌ ｒ ｂ ａｎ ｄ ｆ ｏ ｔ ｅ ｆ ｒ ｇｏ ｎ ｎ ａ ｋ ｕ ｄ ｉ ｇ ｅ ｐ ｃｉ ｌ ．Ｔ ｅ ｆｒ ｇｏ ｎ ｅ ｔｎ ｌ ｍｉ ｕ ｈ ｒ ｖ ｈ ｏ ｅ ｕ ｄ ｒ ｃａ ｇｅ ｎ ｓ ｔ ｅ ｒ
中 图分 类 号 ：Ｐ ９ ． Ｔ ３ １４ 文 献标 识码 ： Ａ
Ａ ｎ ｏ ａ ｋ ｎ ｇ ｒｔ ｓ ｄ ｏ ｅ ｎ Ｓ ｉｔａ Ｃｏ ｔ ｕｒ Ｔｒ ｃ ｉ ｇ Ａｌｏ ｉｈｍ Ｂａ ｅ ｎ Ｍ ａ ｈ ｆ ｎｄ Ｅｄｇ ｔｃ ｉｎ ｅ Ｄｅｅ ｔｏ
ｕｉｇｅ ｇ ｅ ｃ ｏ ｅｈｄ ｘｅ ｍ ｎｓｓｏ ａ ｔｉ ｍ ｔｏ ａ ａｋｔ ｂｅｔｉ ｌ， ｃｕａｅ ｎ ｔ ｌ． ｓ ｄｅｄ ｔ ｔ ｎｍ ｔｏ ．Ｅ ｐｒ ｅｔ ｈｗ ｔ ｔｈｓ ｅｈｄｃｎｔ ｃ ｅｏｊｃ ｔ ｙ ａｃｒｔ ｙａｄｓ ｂｙ ｎ ｅｉ ｉ ｈ ｒ ｈ ｍｅ ｌ ａ
面向复杂场景的目标跟踪算法研究
面对复杂场景的目标跟踪算法探究关键词：目标跟踪；复杂场景；图像增强；多目标跟踪；神经网络一、引言目标跟踪是计算机视觉领域中重要的探究课题之一。
它在许多领域中都有广泛的应用，例如视频监控、自动驾驶和无人机等。
目标跟踪的目标是在视频序列中找到特定目标的位置，并在图像序列中跟踪它的运动轨迹。
但是，在实际应用中，目标跟踪往往会面临浩繁挑战，例如复杂背景、光照变化和目标遮挡等。
因此，如何在复杂场景中实现高效的目标跟踪一直是该领域的探究重点。
二、目标跟踪算法分类目标跟踪算法可以分为两类：基于区域的跟踪算法和基于点的跟踪算法。
基于区域的算法通过检测人工定义的目标区域来实现跟踪。
其中，常用的基于区域的跟踪算法包括均值漂移、卡尔曼滤波、粒子滤波和相关滤波等。
而基于点的跟踪算法则是通过识别特征点，并持续计算它们的相对位置来跟踪目标。
在基于点的跟踪算法中，SIFT和SURF算法是最常用的。
虽然两种算法的原理不同，但它们都具有很强的鲁棒性，在光照变化和目标旋转等状况下均能实现可靠的跟踪效果。
三、面对复杂场景的目标跟踪算法在复杂场景下，目标跟踪会受到许多干扰。
为了解决这些问题，探究人员们提出了许多新的算法。
1. 图像增强技术光照变化是导致目标跟踪误差的主要原因之一。
为了解决这个问题，许多探究者使用图像增强技术来改善图像质量。
常用的图像增强技术包括直方图均衡化、自适应直方图均衡化和对比度受限自适应直方图均衡化等。
这些技术可以将输入图像的亮度范围调整到更适合跟踪的范围。
2. 多目标跟踪算法在某些状况下，需要同时跟踪多个目标。
但是，传统的单目标跟踪算法并不能满足这种需求。
因此，探究人员提出了一些针对多目标跟踪的算法，例如基于马尔科夫随机场的多目标跟踪算法、基于分布式卡尔曼滤波的多目标跟踪算法和基于整体局部最小代价的多目标跟踪算法等。
3. 神经网络结构近年来，神经网络在计算机视觉中越来越受到重视。
许多探究人员将神经网络应用于目标跟踪，并取得了不错的效果。
均值漂移算法及其拓展
均值漂移算法及其拓展1.引言1.1 概述均值漂移算法是一种基于密度估计的非参数聚类算法，它能够自动发现数据中的聚类结构并生成聚类中心。
该算法在计算机视觉、图像处理、模式识别等领域得到广泛应用。
均值漂移算法通过不断迭代样本点的平移来寻找局部最大密度区域，从而实现聚类。
本文将对均值漂移算法进行详细介绍，并探讨其拓展方法。
首先，我们将介绍均值漂移算法的基本原理和步骤，展示其在聚类分析中的应用。
然后，我们将讨论基于核函数的均值漂移算法，该方法利用核函数将数据映射到高维空间，从而对非线性数据进行聚类分析。
另外，我们还将介绍增量式均值漂移算法，该算法可以在动态数据流的环境下实时地进行聚类。
通过本文的阅读，读者将了解均值漂移算法的基本原理和步骤，以及其在聚类分析中的应用。
此外，我们还展示了基于核函数和增量式的均值漂移算法，在处理非线性数据和动态数据流方面具有较好的性能。
最后，我们将对均值漂移算法和其拓展方法进行总结并对未来发展进行展望。
1.2 文章结构文章结构部分的内容可以包括文章的框架和组成部分的简要说明。
具体可以如下编写：文章结构:本文主要围绕均值漂移算法及其拓展展开，分为引言、正文和结论三个部分。
引言:引言部分首先对本文的主题进行概述，即均值漂移算法及其拓展。
其次，介绍文章的结构安排，包括各个章节的内容和组成部分。
最后，明确本文的目的，即探讨均值漂移算法在数据处理和模式识别中的应用，以及介绍相关拓展方法。
引言部分的目的是引起读者的兴趣，并为接下来的正文部分做好铺垫。
正文:正文部分分为两个主要部分：均值漂移算法和拓展方法。
2.1 均值漂移算法:本部分主要介绍均值漂移算法的原理和步骤。
首先，详细解释均值漂移算法的基本原理，包括如何通过密度估计实现数据聚类。
然后，详细介绍均值漂移算法的步骤，包括选择核函数和带宽参数等关键步骤。
2.2 拓展方法:本部分主要讨论基于核函数的均值漂移算法和增量式均值漂移算法。
首先介绍基于核函数的均值漂移算法，包括核函数的选择和使用方法。
多运动目标跟踪及连通域标记方法
通部 分 的标记 方 法 。该 系统 整个 过程 的结 构 框 图 如图ｌ 所示 。
ｆ ， ÷【一） 一 ， 】 ￡ ， １ ，＋ ． ＝ ｎ
的标记 （ 据 已有信 息 ，这 是该 连 通 区域 直 到 目 根 前第 一 次被 扫描 到 的） ；
着 色算 法 、收缩 法 、顺 序 标记 算法 等 。因为 顺 序 标 记算 法 只需要 对 图像 进 行顺 序扫 描 而不 需 要 递 归 调 用 （ 需 大 的栈 空 间 支 持 ） 无 ，且 对 于 凹 或 凸 的区域 都适合 ．所 以 ，本设 计 采用 该方法 。 考 虑到 多运 动 目标 检测 以后 得 到 的是 二 值 图 像 ．背 景 区象 素 的灰 度 值 均 为０ ，各 目标 区 象 素 的灰 度 值均 为 １ 。这 里 假 设 对 一 幅 二 值 图像 从 左 到 右 、从 上 到 下 进 行 扫 描 （ 点 在 图像 的 左 上 起 方１ ，那 么要 标 记 当前 正 被 扫 描 的象 素 ，就 需 要 检测 它 与在 它之 前 扫描 到 的若 干个 近邻 象 素 的 连
４ 电 予充 嚣 件 主 用 ４
２ ０ ． ０ ７５
． ｄ．ｎ ｅ ａ ｃ ｃ
维普资讯
第９ 卷
２ ７第５ ０年月 ０ ５期
避
Байду номын сангаас
考
Ｖ１ Ｎ． ０ ｏ ． ５ ９
Ｍａ ．２ ０ ｙ ０７
含多 个 区域 （ 即多个 运动 目标 ） ，由于多 目标 区域
１ 多运 动 目标 标 记
多 目标 跟踪 系统研 究 中一 个 重要 的问题是 目
基于均值漂移的视频目标跟踪改进算法
摘
要 ：改进 算法通过计 算跟踪 窗 口颜 色直 方 图的质 心 来 自适 应 的调 整 跟踪 窗 口的尺 寸 ，通 过
比较跟踪结果和 目标的差值确定遮挡情况，并启用粒子滤波算法在整幅图像 内搜索 目标解决 目 标 的遮 挡 问题 ，这种 改进 算法 克服 了均值 滤 波算 法不 能适 应 目标 尺 寸 变化 和 不能 解 决遮挡 问题 的缺点。实验证明改进算法具有很强的鲁棒性。 关键词 ：视频 目标 跟踪 ； 均值漂 移 ；自适应调 整 。
（）建立 目标模 型 的描 述 １
均值漂移算法采用灰度（ 或色彩） 直方图分布的
统 计特性来 描述 目标特征 。 目标 的统计 特性不直 接
验概率变化序列的解析表示， 这就是基于确定数据 的算 法的核 心思想 。均 值漂移算 法是典 型的基 于确
定数据 的跟 踪算 法 。
采用区域内各点的直方图分布， 而是 先对区域内各
０ 引言
视 频 目标 跟踪是 计算 机 视 觉领 域 的热 点 问题 ， 在智能视 频监控 ， 人机 交互 和辅 助驾 驶 等方 面 已经
有广泛 的应用 ， 有很大 的实用意义 。 具 】 ］
率密度 函数 中存 在 的模 态。Ｃｍ ｎ ｉ 还讨 论 了 ｏ ａｉｕ等 ｃ
均值漂移算法 在 目标跟踪中的应用 ， 】这是 Ｍ ａ ｅ ｎ
２ １ 耳第３ ００ 期
中图分类号 ：Ｎ １ ．３ Ｔ ９１７ 文献标识码 ： Ａ 文章编号：０９ ５２２ １ ）３ ００ ４ １０ —２５ （００ ０ —０４ —０
基 于均值 漂 移 的视频 目标 跟踪 改进算 法
李 同鑫 ，熊红凯
（ 上海交通大学图像通信与信息处理研究所 ， 上海 ２０４） ０２０
基于帧间连续性的在线视频多目标跟踪算法
算法实时性改进
• 算法优化：通过算法优化，如减 少冗余计算和优化数据结构，以 降低算法的时间复杂度。- 并行 处理：利用并行计算技术，如 GPU加速，实现算法的高效执行 ，提高处理速度。- 帧率控制： 根据视频帧率动态调整算法的执 行频率，以保持实时跟踪效果。
06
总结与展望
工作总结
算法原理
该算法基于帧间连续性，利用目标在连续帧之间的运动信息，实现了多目标跟踪。通过建 立目标运动轨迹和特征模型，有效地解决了目标遮挡、运动快速变化等复杂场景下的跟踪 问题。
基于帧间连续性的在线视频 多目标跟踪算法
汇报人： 2023-12-26
目录
• 引言 • 算法原理 • 算法实现 • 实验结果与分析 • 算法优化与改进 • 总结与展望
01
引言
研究背景与意义
应用价值
多目标跟踪是计算机视觉领域的重要研究方向，在视频监控 、人机交互、自动驾驶等领域具有广泛的应用价值。随着在 线视频的普及，实时、准确的多目标跟踪算法成为研究的热 点。
在轨迹后处理阶段，算法对目标 的运动轨迹进行优化，去除错误 的数据关联，提高跟踪的准确性 。
03
算法实现
目标检测
01
目标检测是算法的第一步，用于在视频帧中识别和定位目标。
02
常用的目标检测算法包括：基于特征的方法（如Haar特征、
LBP等）、深度学习方法（如CNN、YOLO、SSD等）。
目标检测的准确性对后续的目标跟踪至关重要，因此需要选择
技术挑战
在线视频多目标跟踪面临诸多技术挑战，如目标遮挡、相似 背景干扰、动态环境变化等，需要算法具备鲁棒性和适应性 。
相关工作概述
传统算法
传统的多目标跟踪算法主要包括基于特征的方法和基于滤波的方法。基于特征的方法利用目标的颜色、纹理等特 征进行跟踪，但易受光照变化和目标遮挡影响。基于滤波的方法利用滤波器对目标进行跟踪，但计算量大且对模 型参数敏感。
均值漂移跟踪算法解读
在无人驾驶车辆测试平台上利用均值漂移跟踪算法实现移动图像的实时跟踪Benjamin Gorry, Zezhi Chen, Kevin Hammond, Andy Wallace, and Greg Michaelson摘要：本文描述了一种用来跟踪移动目标的新型计算机视觉算法，该算法是作为无人驾驶车辆长期研究的一部分而被发展的。
我们将介绍在视频序列中利用变量核进行跟踪的研究结果。
其中，均值漂移目标跟踪算法是我们工作的基础；对于一个移动目标，该算法通常用来在初始帧中确定一个矩形目标窗口，然后利用均值漂移分离算法处理该窗口中的数据，将跟踪目标从背景环境中分离出来。
我们并没有使用标准的Epanechnikov内核，而是利用一个倒角距离变换加权内核来提升目标表示和定位的精度，利用Bhattacharyya系数使RGB色彩空间中两个分布之间的距离最小化。
实验结果表明，相对于标准算法，本算法在跟踪能力和通用性上有一定的提升。
这些算法已经运用在机器人试验平台的组成部分中，并证明了这些算法的有效性。
关键词：Hume，函数程序设计，无人驾驶车辆，先驱者机器人，视觉I.引言本文比较和对比了在视觉序列中跟踪移动目标的三种计算机视觉算法。
对于很多无人驾驶车辆（A V）来说，在复杂背景中检测和跟随移动目标的应用是至关重要的。
例如，这可以让一个全尺寸无人驾驶车辆跟踪行人或者移动车辆并避免与之相撞。
同时对于机器人而言，这项技术也可以提升导航性能和增强安全性。
对单个移动目标的良好隔离，将便于我们针对感兴趣的目标进行应用开发。
而所有的这些应用都要求我们能够实时的处理全彩色的视频序列。
我们的工作是在基于先驱者P3-AT全地形机器人的无人驾驶车辆测试平台上进行的，它是一个英国项目的一部分。
这个庞大的项目是由国防科学技术中心（DTC）下辖的无人系统工程（SEAS）为了开发新型无人驾驶车辆传感器技术而建立的。
国防科学技术中心的无人系统工程是由英国工业联盟操作管理，旨在通过采取系统工程的方法在整个系统和子系统层次上，研究有关无人系统的创新性技术，以此达到利用科学技术进步促进军事能力发展的目的。
基于均值漂移的运动目标跟踪算法研究
２ ０ １ ３年 ４月
郑 州 轻 工 业 学 院 学 报 （自 然 科 学 版 ）
Ｊ Ｏ Ｕ Ｒ Ｎ Ａ Ｌ Ｏ Ｆ Ｚ Ｈ Ｅ Ｎ Ｇ Ｚ Ｈ Ｏ Ｕ Ｕ Ｎ Ｉ Ｖ Ｅ Ｒ Ｓ Ｉ Ｔ Ｙ ０ Ｆ Ｌ Ｉ Ｇ Ｈ Ｔ Ｉ Ｎ Ｄ Ｕ Ｓ Ｔ Ｒ Ｙ （ Ｎ ａ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ）
２ ． Ｚ ｈ ｅ ｎ ｇ ｚ ｈ ｏ ｕ Ｐ ｏ ｗ ｅ ｒ Ｓ ｕ ｐ ｐ ｌ ｙ Ｃ ｏ ｍ ｐ ａ ｎ ｙ ， Ｚ ｈ ｅ ｎ ｇ ｚ ｈ ｏ ｕ ４ ５ ０ ０ ０ ０， Ｃ ｈ ｉ ｎ ａ ） ．
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ａ ｍ ｏ ｖ ｉ ｎ ｇ ｏ ｂ ｊ ｅ ｃ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ Ｍｅ ａ ｎ — Ｓ ｈ ｉ ｔ ｆ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｗ ａ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ｆ ｏ ｒ ｔ ｈ ｅ ａ ｃ ｃ ｕ －
Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｆ ｍｏ ｖ ｉ ｎｇ ｔ ａ ｒ ｇ ｅ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈｍ ｂａ ｓ ｅ ｄ ｏ ｎ Ｍｅ ａ ｎ－ Ｓ ｈｉ ｆ ｔ
ＧＥＮＧ Ｓ ｈｅ ｎｇ — ｔ ａ ｏ ， Ｚ ＨＥＮＧ Ｘｉ ａ ｏ — ｗａ ｎ ， Ｗ ＡＮＧ Ｗｅ ｉ
Ｖｏ １ ． ２ ８ Ｎｏ ． ２ Ａｐｒ ．２ ０１ ３
文章编号 ： ２ ０ ９ ５— ４ ７ ６ Ｘ（ ２ ０ １ ３ ） ０ ２— ０ ０ ２ ２—０ ４
基 于 均 值 漂 移 的运 动 目标 跟 踪算 法 研 究
耿 盛 涛 ， 郑 晓婉 ， 王威
基于均值漂移算法的视频目标跟踪研究
基于均值漂移算法的视频目标跟踪研究随着科技的发展，各种视频拍摄和播放设备的普及，视频数据的获取和应用变得越来越广泛。
其中一个重要的应用领域就是视频目标跟踪。
视频目标跟踪是指在一个视频序列中，辨别出特定目标，并对其进行跟踪，从而在视频序列中准确定位该目标的位置。
在现实生活中，这一技术的应用非常广泛，如视频监控、交通监管、虚拟现实等。
目前，在视频目标跟踪技术领域中，基于均值漂移的目标跟踪算法被广泛应用。
均值漂移算法是根据对传感器数据分析得出的目标位置的出现概率密度函数，完成目标位置估计的一种非参数估计算法。
相比于其他目标跟踪算法，均值漂移算法具有计算速度快、跟踪稳定等优点。
下面我将从算法原理、算法实现、优缺点以及算法应用等方面分析均值漂移算法在视频目标跟踪中的应用。
算法原理均值漂移算法的原理可以简单地概括为，将待跟踪目标表示为一个在一定范围内的概率密度函数，即样本的分布。
然后，对于输入帧的每一个像素点，计算其与样本的相似程度，并根据相似程度对样本进行权重加权。
最后，根据加权后的样本计算出目标的新位置，以此实现目标的跟踪。
算法实现1. 样本初始化在初始化阶段，需要选取一个包含目标的小矩形区域，并计算其像素值的均值和标准差，以此作为样本的初始值。
2. 密度估计根据初始化得到的样本，可以推出一个以样本为中心、以标准差为半径的高斯核密度函数。
在此基础上，通过卷积运算，可以得到样本的概率密度函数。
3. 目标定位对于输入帧的每个像素点，可以通过计算样本的概率密度函数和像素点的像素值之间的相似程度，得到像素点的权重值。
最终，将像素点的权重值作为样本的权重值，以此对样本进行加权，得到新的样本中心位置。
通过不断迭代计算，可得到目标的位置。
优缺点优点：1. 均值漂移算法具有较高的计算速度和较好的跟踪稳定性。
2. 算法不需要先验知识和人工输入参数，便于自适应目标跟踪。
缺点：1. 算法对光照变化和目标颜色变化较敏感，容易出现跟踪失败。
基于均值漂移的视觉目标跟踪方法综述
基于均值漂移的视觉目标跟踪方法综述齐 飞，罗予频，胡东成(清华大学自动化系，北京 100084)摘 要：基于均值漂移的视觉目标跟踪方法具有模型简洁实用、能够处理目标形变及部分遮挡等复杂情形的优点，算法高效且易于模块化实现。
各种改进的模型及方法针对目标的尺度变化、特征分布等核心问题进行了系统研究，跟踪性能得到了进一步提高。
该文从基本的均值漂移跟踪方法出发，系统介绍了此类方法的发展过程与最新成果。
关键词：均值漂移；视觉目标跟踪；核函数；相似性度量Overview on Visual Target Tracking Based on Mean ShiftQI Fei, LUO Yu-pin, HU Dong-cheng(Department of Automation, Tsinghua University, Beijing 100084)【Abstract 】Mean-shift-based visual target tracking is one of the hotspots in the field of computer vision. The model of the algorithm is simple,efficient and easy-to-implement, and it can handle the complex cases such as deformations and partial occlusions. Recent researches on scale adaptation of the tracking window and distributions of features improve the performance of such trackers. This paper introduces the development and the state of such kind of the algorithms.【Key words 】mean shift; visual target tracking; kernel functions; similarity measurement计 算 机 工 程Computer Engineering 第33卷 第21期Vol.33 No.21 2007年11月November 2007·博士论文·文章编号：1000—3428(2007)21—0024—04文献标识码：A中图分类号：TP311视觉目标跟踪在安全监控、汽车辅助驾驶、人体运动分析以及视频压缩等领域有着广泛应用。
《卡尔曼与均值漂移在动态目标跟踪中的应用研究》范文
《卡尔曼与均值漂移在动态目标跟踪中的应用研究》篇一一、引言动态目标跟踪是计算机视觉领域中一项重要的研究课题，广泛应用于智能监控、无人驾驶、人机交互等多个领域。
卡尔曼滤波器和均值漂移算法作为两种有效的目标跟踪方法，在动态目标跟踪中发挥着重要作用。
本文将详细探讨卡尔曼滤波器和均值漂移算法在动态目标跟踪中的应用研究。
二、卡尔曼滤波器在动态目标跟踪中的应用卡尔曼滤波器是一种高效的递归滤波器，它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。
在动态目标跟踪中，卡尔曼滤波器通过预测和更新两个阶段，对目标的位置进行估计。
预测阶段根据系统的动态模型和上一时刻的状态估计值，预测当前时刻的状态；更新阶段则根据当前时刻的观测值和预测值，计算出当前时刻的最优估计值。
卡尔曼滤波器在动态目标跟踪中的应用具有以下优点：1. 能够处理含有噪声的观测数据，提高目标跟踪的准确性。
2. 能够适应目标的运动状态变化，包括目标的加速、减速、旋转等。
3. 计算量小，实时性好，适用于对实时性要求较高的场景。
三、均值漂移算法在动态目标跟踪中的应用均值漂移算法是一种基于密度的目标跟踪算法，它通过计算目标区域与周围区域的颜色直方图差异，确定目标的运动方向和速度。
在动态目标跟踪中，均值漂移算法通过迭代优化目标区域的位置，实现目标的稳定跟踪。
均值漂移算法在动态目标跟踪中的应用具有以下优点：1. 对光照变化和部分遮挡具有较好的鲁棒性。
2. 能够处理复杂的背景环境，包括颜色变化、纹理变化等。
3. 适用于多种场景下的目标跟踪任务。
四、卡尔曼与均值漂移的融合应用卡尔曼滤波器和均值漂移算法在动态目标跟踪中各有优势，为了充分发挥两者的优点，可以将两者进行融合应用。
具体而言，可以利用卡尔曼滤波器对目标的运动状态进行预测和更新，同时利用均值漂移算法对目标区域进行迭代优化。
这样可以在保证实时性的同时，提高目标跟踪的准确性和鲁棒性。
卡尔曼与均值漂移的融合应用具有以下优点：1. 结合了卡尔曼滤波器的预测能力和均值漂移算法的优化能力，提高了目标跟踪的准确性。
基于均值漂移的视觉运动目标跟踪方法
基于均值漂移的视觉运动目标跟踪方法宁树实;石建学【摘要】视觉运动目标跟踪在军事与民用领域都有广阔的应用前景，由于实际环境的复杂性与运动目标的易变性，视觉运动目标跟踪具有很大的挑战。
采用基于颜色分布的核函数直方图，实现了基于均值漂移的跟踪算法，仿真实验表明了这种方法的有效性。
【期刊名称】《无线互联科技》【年(卷),期】2012(000)007【总页数】2页(P103-104)【关键词】视觉跟踪;直方图;均值漂移【作者】宁树实;石建学【作者单位】大连海事大学信息科学技术学院,辽宁大连 116026;大连海事大学信息科学技术学院,辽宁大连 116026【正文语种】中文1 引言视觉运动目标跟踪是确定同一物体在图像序列的不同帧中的位置的过程。
近年来出现了大批运动目标跟踪方法。
根据跟踪方式的不同，视觉目标跟踪方法可分为四类：基于区域的跟踪、基于特征的跟踪、基于活动轮廓的跟踪、基于模型的跟踪[1]。
1.1 基于区域的跟踪基于区域的跟踪方法基本思想是：首先通过图像分割或预先人为确定提取包含目标区域的模板，并设定一个相似性度量，然后在序列图像中搜索目标，把度量取极值时对应的区域作为对应帧中的目标区域。
1.2 基于特征的跟踪基于特征的跟踪方法基本思想是：首先提取目标的某个或某些局部特征，然后利用某种匹配算法在图像序列中进行特征匹配，从而实现对目标的跟踪。
1.3 基于活动轮廓的跟踪基于活动轮廓的跟踪方法基本思想是：利用封闭的曲线轮廓表达运动目标，结合图像特征、曲线轮廓构造能量函数，通过求解极小化能量实现曲线轮廓的自动连续更新，从而实现对目标的跟踪。
1.4 基于模型的跟踪基于模型的跟踪方法基本思想是：首先通过一定的先验知识对所跟踪目标建立模型，然后通过匹配跟踪目标，并进行模型的实时更新。
本文采取的方法是基于颜色直方图的区域跟踪，设计了一种均值漂移算法完成跟踪，并设计了仿真实验对于跟踪效果加以验证2 目标描述设目标模板由n个朋级灰度的像素组成,表示目标模板区域的像素坐标，其中心坐标为x0。
基于 Kalman 滤波的均值漂移目标跟踪算法
基于 Kalman 滤波的均值漂移目标跟踪算法刘柯;魏纳新;刘飞【期刊名称】《电子科技》【年(卷),期】2014(27)9【摘要】Mean shift object tracking algorithm based on Kalman filtering is designed to solve the object occlu -sion problem in the object tracking field .The target location is obtained by mean shift algorithm for the selected tar-gets, and by Kalman filtering forecasting according to the location and speed of the previous time for the blocked tar -gets.Experimental results show that designed algorithm is more accuracy and practical when the target is blocked .%为解决目标追踪中目标被遮挡的问题，文中设计了一种基于卡拉曼滤波的均值漂移目标跟踪算法。
在选定目标的情况下，利用均值漂移算法迭代求得目标的位置，当目标被遮挡时，根据前一时刻目标的位置和速度等信息采用卡尔曼滤波预测，得到目标的位置。
实验结果表明，该算法在有遮挡的情况下，准确性和实用性更强。
【总页数】4页(P37-39,43)【作者】刘柯;魏纳新;刘飞【作者单位】江南大学自动化研究所，江苏无锡 214000;中国船舶重工集团公司第702研究所，江苏无锡 214082;江南大学自动化研究所，江苏无锡 214000【正文语种】中文【中图分类】TP242.6+2【相关文献】1.基于均值漂移粒子滤波的目标跟踪算法研究 [J], 康健;张仲凯;芮国胜2.基于均值漂移与卡尔曼滤波的目标跟踪算法 [J], 常发亮;刘雪;王华杰3.基于改进的均值漂移和卡尔曼滤波的目标跟踪算法 [J], 张伟丽;江春华;郝宗波4.基于改进Camshift和Kalman滤波的目标跟踪算法 [J], 李蕊岗;张明5.基于Kalman滤波的CAMShift目标跟踪算法 [J], 马洪涛; 吴赛敏因版权原因，仅展示原文概要，查看原文内容请购买。
基于均值漂移的改进目标跟踪算法
基于均值漂移的改进目标跟踪算法刘天键;邱立达;张宁【摘要】在可视化跟踪过程中目标窗经常会由于遮挡、光照、姿势等变化而发生跟踪漂移,影响目标跟踪的准确性和稳定性.为解决该问题,提出一种基于图层的离散域均值漂移算法,在离散域提取基于核的直方图作为目标模型,并对离散分区中的目标函数进行平滑以避免寻优搜索陷入局部极小值,从而提高目标跟踪性能.实验结果表明,与多示例学习算法相比,该算法的跟踪精度提高了16％,具有更好的实时性和鲁棒性.【期刊名称】《计算机工程》【年(卷),期】2015(041)009【总页数】6页(P281-285,291)【关键词】目标跟踪;目标表示;离散域模型;均值漂移;迭代寻优【作者】刘天键;邱立达;张宁【作者单位】闽江学院物理学与电子信息工程系,福州350108;闽江学院物理学与电子信息工程系,福州350108;闽江学院物理学与电子信息工程系,福州350108【正文语种】中文【中图分类】TP242.6目前，目标跟踪已经成为机器视觉领域的一个重要研究方向，现已提出许多针对目标跟踪的解决方案，主要有一般法和判别法2类可视跟踪算法。
一般法采用寻优的方式解决目标跟踪问题，比如模板匹配、均值漂移和粒子滤波［1-3］；判别法通过区分目标和背景的方法解决跟踪问题，从而把跟踪问题转化为二值分类器设计问题，比如OAB（Online AdaBoost）［4］、多示例学习（M ultip le Instance Learning，M IL）［5-6］、跟踪学习检测（Tracking Learning and Detectiong，TLD）［7-8］。
判别法需要通过多个目标和背景样本在线训练分类器。
上述2种方法各有优缺点，跟踪效果依赖目标表示模型。
在目标表示模型中，有基于模板的表示和基于特征的表示以及基于全局的表示和基于局部的表示。
基于模板表示的模型简单，但对目标空间结构过于敏感，如文献［9］指出基于模板表示的模型存在的主要问题是目标函数不够平滑使得搜索易陷入局部最小值。
基于均值漂移聚类的运动目标检测
基于均值漂移聚类的运动目标检测牛强强;陈松;马晋飞;魏建猛【摘要】In order to reduce the impact of noise on moving target detection effectively. This paper presents a Mean Shift clustering methodto detect the moving target. Firstly, noise in three consecutive frames image is removed by using the Mean Shift algorithm, tThen, image edge extraction is done, and the three-frame-differencing method is used forthe three consecutive frames image to get the moving object. Experimental resuhs show that this method can restrain the noise and extract the moving target effectively.%为了有效减少噪声对运动目标检测的影响，提出了一种利用均值漂移聚类实现运动目标检测的方法。
首先运用MeanShift算法分别对三帧连续图像进行平滑去噪处理，然后对图像进行边缘提取，最后通过三帧差分法对三帧图像进行差分，进而得到运动目标。
实验结果表明，该方法可以有效地抑制噪声并提取出运动目标。
【期刊名称】《微型机与应用》【年(卷),期】2011(030)020【总页数】4页(P50-53)【关键词】运动目标检测;均值漂移;三帧差分;聚类【作者】牛强强;陈松;马晋飞;魏建猛【作者单位】重庆交通大学信息科学与工程学院,重庆400074;重庆交通大学信息科学与工程学院,重庆400074;重庆大学计算机学院,重庆400044;重庆交通大学信息科学与工程学院,重庆400074【正文语种】中文【中图分类】TP391运动目标检测是计算机视觉、模式识别和数字视频处理领域的一个重要课题。
一种结合均值漂移的KCF目标跟踪算法
一种结合均值漂移的KCF目标跟踪算法王媛媛;王博【摘要】目标跟踪在机器视觉领域中发挥着巨大的作用,但是目标跟踪算法会受到目标尺度变化等因素的影响,导致算法的跟踪精度下降.针对KCF滤波算法对目标尺度变化不敏感,无法较好实现目标尺度估计的缺点,提出一种结合均值漂移的KCF目标跟踪算法.通过对KCF滤波算法的响应峰值进行判断,引入均值偏移算法对目标位置和尺度进行修正.实验结果表明,本算法在增强了算法目标尺度自适应能力的同时,能有效地融合均值漂移算法和KCF滤波算法的优点,在多种场景下的目标跟踪精度都得到了有效提升.【期刊名称】《现代测绘》【年(卷),期】2019(042)003【总页数】5页(P19-23)【关键词】目标跟踪;KCF滤波;均值漂移;尺度估计【作者】王媛媛;王博【作者单位】西北机电工程研究所,陕西咸阳 712099;南京航空航天大学航天学院,江苏南京 2100000【正文语种】中文【中图分类】P234.10 引言目标跟踪算法[1]是指利用已知模板的信息，在视频影像序列中根据目标时间与空间上的联系，寻找到并确认目标状态信息的算法。
通过目标跟踪算法可以获取到目标位置，运动路径及运动速度等信息，直观地展现出目标信息，便于更高一级的处理。
目标跟踪技术在多个领域都展现出了优秀的性能，如无人机动态监视[2]、交通违规管制、敏感地区监控等方面。
若感兴趣的目标能够被自动发现并跟随其轨迹，就能够保证跟踪系统的响应速度，做到实时防范的目的。
而在实际应用时，实现目标跟踪仍旧会遇到很大的挑战。
如目标尺度变化，光照变化，目标旋转等因素都会影响到目标跟踪的准确性。
为了解决目标跟踪问题，学者们已经提出大量的方法用于跟踪。
现有的目标跟踪算法主要分为生成类算法和判别类算法两种。
生成类算法是较为经典的目标跟踪方法，其代表算法为2002年Comaniciu[3]提出的均值漂移算法。
判别类算法则是新兴的目标跟踪算法，其代表算法为2015年Henriques[4]提出的 KCF(Kernel Correlation Filter)算法。
基于均值漂移与卡尔曼滤波的目标跟踪算法
出，ｑ］＿∑协‘“’ｇ札’
（３）
为了计算Ｂｈａｔｔａｃｈａｒｙｙａ系数ｐ【Ｐ，ｑ】的最大值，在搜索过程
中使用均值漂移算法。算法步骤如下［２１：
（１）计算当前窗内各点属于目标的权重
好善Ｖ南８［ｂ（ｘｉ）－ｕ】
（４）
（２）计算候选目标的下一个新位置
舻銎刚管”］
㈣
舅ｇ㈠孚ｌＩ ２）
其中。ｇ为核密度估计。
（３）若｜｜Ｙ Ｊ嘶Ｉｌ＜占，则停止计算。否则将Ｙ。代替ｙ０返回到
如果目标受到相似颜色物体的遮挡．此时Ｂｈａｔｔａｃｈａｒｙｙａ 系数不会明显的减小，因此还需加另一约束条件。在跟踪目标 窗口外的领域设置一个更大的矩形框．实时统计该矩形框内目 标点个数凡。以及运动点的总个数ｎ：。当ｎ２－－ｎ，。＞ｎ。／２时，表明目 标受到严重干扰。如果干扰点的颜色值大多分布在目标颜色的 集中区域，判断出现相似颜色目标干扰。结合目标的运动规律， 理取较大的值，即增大Ｋａｌｍａｎ滤波结果的比例，直接利用预测 值跟踪，不更新Ｋａｌｍａｎ滤波器。当满足凡２＿凡ｌ＜凡ｌ／８的帧数大于 ６帧时，表明目标受干扰较小，增大理的值，即增大均值漂移算 法跟踪结果的比例。
Ａｂｓｔｒａｃｔ：Ｍｅａｎｓｈｉｆｔ ａｌｇｏｒｉｔｈｍ ｄｏｅｓｎ’ｔ ｕｓｅ ｔｈｅ ｔａｒｇｅｔ’Ｓ ｍｏｔｉｏｎ ｄｉｒｅｃｔｉｏｎ ａｎｄ ｓｐｅｅｄ ｉｎｆｏｒｍａｔｉｏｎ ｉｎ ｐｒｏｃｅｓｓ ｏｆ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ． Ｗｈｅｎ ａｆｆｅｃｔｅｄ ｂｙ ｄｉｓｔｕｒｂａｎｃｅ ｉｔ ｅａｓｉｌｙ ｆａｉｌｓ ｔｏ ｔｒａｃｋ ｔｈｅ ｔａｒｇｅｔ．Ｋａｌｍａｎ ｆｉｌｔｅｒｉｎｇ ｃａｎ ｐｒｅｄｉｃｔ ｔｈｅ ｐｏｓｉｔｉｏｎ ａｎｄ ｖｅｌｏｃｉｔｙ ｏｆ ｔｈｅ ｔａｒｇｅｔ ｅｘａｃｔｌｙ．Ａｎ ａｌｇｏｒｉｔｈｍ ｃｏｍｂｉｎｅｄ Ｋａｌｍａｎ ｆｉｌｔｅｒｉｎｇ ｗｉｔｈ ｍｅａｎｓｈｉｆｉ ａｌｇｏｒｉｔｈｍ ｉｓ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ．Ｋａｌｍａｎ ｆｉｌｔｅｒｉｎｇ ｉｓ ｕｓｅｄ ｔｏ ｐｒｅｄｉｃｔ ｔｈｅ ｐｏｓｉｔｉｏｎ ａｎｄ ｖｅｌｏｃｉｔｙ ｏｆ ｔｈｅ ｔａｒｇｅｔ．Ａｃｃｏｒｄｉｎｇ ｔｏ ｄｉｆｆｅｒｅｎｔ ｄｉｓｔｕｒｂａｎｃｅ ｃｉｒｃｕｍｓｔａｎｃｅｓ，ｔｈｅ ｔｗｏ ａｌｇｏｒｉｔｈｍｓ ｔｒａｃｋｉｎｇ ｒｅｓｕｌｔｓ ａｒｅ ｄｏｎｅ ｗｉｔｈ ｌｉｎｅｒ ｗｅｉｇｈｔ ｍｅｔｈｏｄ ｂｙ ｕｓｉｎｇ ｄｉｆｆｅｒｅｎｔ ｓｃａｌｅ ｆａｃｔｏｒｓ ｔｏ ｇｅｔ ｔｈｅ ｆｉｎａｌ ｐｏｓｉｔｉｏｎ ｏｆ ｔｈｅ ｔａｒｇｅｔ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ
图像处理算法2_多目标跟踪算法
基于概率假设密度滤波的多目标跟踪算法1.1引言在视频中进行多目标跟踪一直是计算机视觉、图像处理和模式识别领域里非常活跃的课题。
视频中的多目标跟踪的过程是：在各帧图像中检测出各个独立运动的目标或是用户感兴趣的区域，然后在后续各帧中分别定位出这些目标或区域，以得到各个运动目标的完整运动轨迹。
多目标环境下，由于目标出现、消失及新目标衍生过程的存在，每一时刻的目标数目会发生改变。
此外，观测信息的不确定性，如漏检、虚警等问题均给目标跟踪制造了很大困难。
跟踪多目标，特别是实时、有效地跟踪数目不定、机动程度大的多个目标，一直是学术界和工程应用的研究热点和难点。
视频的多目标跟踪有很多方法。
其中包括传统的NN、JPDAF、MHT等，这些方法虽然理论成熟，但需要进行观测．目标关联，也不能直接用来估计目标数目。
最近邻方法简单易行，但没有考虑其它观测的影响，只适用于稀疏目标环境的目标跟踪，对于密集目标环境容易产生错误关联，跟踪性能较差。
MHT还需要管理大量的航迹信息，这些都会造成跟踪的实时性和精度随着目标或虚警个数的增加而降低。
这些方法是基于单目标状态空间的，通过粒子滤波估计混合滤波分布以保持多模态的性质。
这些方法存在一个共同的缺陷，即如果目标相互之间离的太近，而其中某个目标的粒子权值太重，那么意味着代表其他目标的粒子会被抑制。
近十几年，随机有限集统计理论(Finite Set Statistics, FISST)[1-5]以及由其衍生的一些随机集算法由于在跟踪多目标时不需要进行复杂的观测和目标关联而引起高度重视，如：多目标贝叶斯滤波法，概率假设密度滤波法等。
这类算法具有科学性和理论性强的特点，是跟踪数目不定的多个目标中比较理想的方法。
Mahler提出了一种可以处理目标数变化的新的多目标跟踪算法，这种算法是基于随机集论((Random Set Theory)。
该算法将目标的状态通过随机集合的形式加以描述，然后在贝叶斯框架下，递推目标的概率假设密度(Probability Hypothesis Density,PHD)即目标状态后验密度的一阶矩，实现对目标状态和目标数的估计。
基于均值漂移算法和时空上下文算法的目标跟踪
基于均值漂移算法和时空上下文算法的目标跟踪周华争;马小虎【期刊名称】《计算机科学》【年(卷),期】2017(44)8【摘要】在严重遮挡时,时空上下文STC(Spatio-Temporal Context)算法对目标位置的判断是正确的,而均值漂移MS(Mean Shift)算法对目标位置的判断会发生很大幅度的抖动,甚至跟踪错误目标.在遮挡结束后,时空上下文算法很难重新跟踪到正确目标,而均值漂移算法可以重新检测到跟踪目标.结合二者的优缺点,提出基于均值漂移算法和时空上下文算法的目标跟踪算法MSandSTC.该算法主要解决目标被严重遮挡的问题.在许多具有挑战性的数据集上的实验表明所提算法具有较好的实时性和鲁棒性.%When the target undergoes heavy occlusion,the spatio-temporal context (STC) algorithm can track the object accurately,but the mean shift algorithm is shaking in this situation.After occlusion,the mean shift algorithm can track the object again,however,the STC method cannot finish it.In order to make full use of these advantages,we developed a new algorithm MSandSTC to combine these two algorithms.Our algorithm can solve the problem of heavy occlusion.The efficiency,accuracy and robustness of the proposed algorithm are verified through experiments on a number of challenging data sets.【总页数】5页(P22-26)【作者】周华争;马小虎【作者单位】苏州大学计算机科学与技术学院苏州215006;南京大学计算机软件新技术国家重点实验室南京210023【正文语种】中文【中图分类】TP391.4【相关文献】1.时空上下文与CamShift相结合的目标跟踪算法 [J], 丁承君;闫彬2.基于遮挡检测和时空上下文信息的目标跟踪算法 [J], 储珺;朱陶;缪君;江烂达3.基于时空上下文的多目标跟踪算法 [J], 位宝燕;杨绍清;刘松涛4.基于尺度滤波器的时空上下文目标跟踪算法 [J], 吴道恒;朱恩昌;徐亮5.基于时空上下文信息增强的目标跟踪算法 [J], 温静;李强因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
重心坐标 以及大小 和方 向 ， 将其作为 当前 ＭｅｎＳ ｉ 算 法跟 并 ａ ｈｆ ｔ 踪的起始信息 。在 目标丢失 情况下 能够搜 索到 目标并进 行跟 踪， 提高算法鲁棒性 。
１ 改进 Ｍｅ ｎＳ ｉ 跟 踪算 法 ａ ｈｔ ｔ
的跟踪算 法中 ， ａ ｈ ｔ Ｍｅ Ｓｉ 算法 由于具 有理论严谨 、 时 陛好 和 ｎ ｆ 实
跟踪精 度 较 高 等 最 ａ
Ｓ ｉ 算法最早 由 Ｆ ｋｎｇ ｈｔ ｆ ｕ ｕ ａａ等人 提 出 ， 作为 一个 非参数 化 的 数据统计 方法 ， 于数据 聚类 ， 称之为 峡谷 搜索 算法 （ ａ ｅ— 用 也 ｖｌ ｌｙ
鲁好波 ，李坚强 ，王小 民
（ 圳 大学 计 算机 与软件 学 院 ， 东 深圳 ５８６ ） 深 广 １００ 摘 要 ：提 出一种基 于 Ｍ ａ ｈ 改 进算 法与 连通域 标记 的 多 目 跟 踪 算法 。在 多 目标跟 踪过 程 中， 目 瞬 ｅｎＳｉ ｔ ｆ 标 对 标
间丢 失 、 标 遮挡 或 重 叠 时 目标 跟 踪 失 败 等 情 况 有 较 好 的 改 进 。在 跟 踪 过 程 中 ， 目标 丢 失 时 ， 于 改进 的 目 当 基
ＭｅｎＳ ｉ 方法是一种最优 的寻找概率密度极大值 的梯度 ａ ｈｆ ｔ
基金项 目：国家自然科学基 金资助项 目（ １０ １５ ６０ １８ ）
作者简介 ： 鲁好波（ ９ ５ ） 男 ， 东青岛人 ， １８ ． ， 山 硕士研究生 ， 主要研 究方向为多媒体信息处理（ ｈｏ ｏ３ ４ ６ ． ｏ ） 李 坚强（ ９０ ） 男， 东 １ ａｂ＿ ０ ＠１３ ｃ ； ｕ ｎ ｒ １８ 一 ， 广 韶 关人 ， 讲师 ， 博士 ， 主要研究方向为 多媒体信息处理 ； 王小民（ ９７ ） 男 ， １ ５ － ， 河南长葛人 ， 副教授 ， 硕士 ， 主要研 究方向为计 算机 网络与信 息安全．
ｍｏ ｅ ｈ ｏ ｇ ｅｓ ｒ－ｄ ｐ ｉ ｅｅ ｔｎ ｅ ｅ ｒ ｈ ｗ ｎ ｏ ｒ ，ｔ ｒｕ ｈ ｔ ｅ ａ ａ ｔ ｘｅ ｄ ｄ ｓ ａ ｃ ｉ ｄ ｗ，ｉ ｍａ ｅｕ ｅｏ ｏ ｎ ｃｅ ｏ ｏ ｅ ｔ ｌ ｂ ｌ ｇ ａｇ ｒ ｈ ｔ ｅ ｒｈ ｔ ｒ ｈ ｆ ｖ ｔ ｄ ｓ ｆｃ ｎ ｅ ｔｄ ｃ ｍｐ ｎ ｎｓ ａ ｅｉ ｏ ｉ ｍ ｓ ａ ｃ ａ － ｎ ｌ ｔ ｏ ｇ ｔａ ｄ ｃ ｃ ｌ ｔ ｓｍｏ ｎ ｈ ｒ ｃｅ ｓｔ ｃ ｕ ｒ ｈ ａ ｋ ｎ ａｇ ｔ ｏ ｕ ｎ ｉｅ ａ ｄ ｔ ｅｇ ｔ ｎ ａｇ ｔ ｏ ｕ ｎ ｉｅｗｉ ｅ ｎ ａ ｕ ａｅ ｉ ｍｅ ｔｃ ａ ａ ｔｒａ ｏ ａ ｑ ｉ ｔｅ ｔ ｃ ｉｇ ｔｒ ｅ ｃ ｓａ ｄ ｓ ， ｎ ｈ ｅｔ ｇ ｔｒ ｅ ｃ ｓａ ｄ ｓ ｌ ｌ ｔ ｅ ｒ ｆ ｚ ｉ ｆ ｚ ｌ
计算 机视觉是通过计算机模 拟人 类视觉行为 的－ Ｉ学科 ， －＇ １ 其任 务为对输人的 图像 （ 序列 ） 据 自动进 行分析 和解释 。而 数
目标 跟踪又是计算机视觉一个重要 的研究 方向 ， 目标跟踪是 在
一
Ｓｉ 算法 的固定 核 函数 窗影 响 了跟 踪 的准确 性 。虽然 Ｃ ｍ— ｈｆ ｔ ａ Ｓｉ 可 以 自适应调整搜 索窗 口尺寸 ， ｈｆ ｔ 但实际跟踪效果较差 。根 据 Ｃｍ ｈｔ ａ Ｓ ｉ 在尺度 和方 向估计 的启 示 ， 用二 阶矩 特 征改 进 ｆ 利
ｉ ｐｏ ｅ ａ ｋｎ ｌ ｒ ｈ － Ｍｅｎ Ｓ ｉ ｏ ｌ ｅ ｓｌ ａ ａ ｔ ｏ ａ ｊｓ ｔｅ ｓ ｅ ａ ｄ ｄｒｃ ｏ ｆｓａｃ ｉｄ ｗ Ｗｈ ｔ Ｓ ｍ ｒ ｄ ｔ ｃ ｉｇａｇ ｉ ｍ－ ｖ ｒ ｏｔ ａ ｈｆ ｃ ｕｄ ｂ ｅ －ｄ ｐｅ ｔ ｄｕｔ ｈ ｉ ｎ ｉ ｔ ｎ ｏ ｅｒｈ ｗ ｎ ｏ ． ａ ’ ｔ ｆ ｄ ｚ ｅｉ
Ｍｕｔｏｊｃｉｅｔ ｃ ｉｇｍｅｈ ｄｂ ｓｄｏ ｌ—ｂ ｔ ｒ ｋｎ ｔｏ ａｅ ｎ ｉ ｅ ｖ ａ
Ｍｅ ｎ Ｓ ｉ ｃ ｎ ｅ ｔｄ ｃ ｍｐ ｎ ｎ ａ ｅｉ ｇ ａ ｈｆ ｔ ｏ ｎ ｃｅ ｏ ｏ ｅ ｔｌｂ ｌ ｎ
Ｌ ｏｂ Ｕ Ｈａ —ｏ，Ｌ ｉｎ ｑａ ｇ ＷＡＮＧ ａ — ｎ ＩＪａ ・ｉｎ ， Ｘｉｏ ｍｉ
理领 域。Ｂ ａｓｉ 基 于 Ｍｅｎ Ｓ ｉ 设 计 了一 个 ｃｎｉｕｕｌ ｒ ｋ ｄ ａ ｈｆ ｔ ｏｔ ｏｓ ｎ ｙ
ａａ ｔ ｅＭｅ ｈｆ Ｃ ｍ ｈ ｔ跟踪 算法 ， 于人脸 跟踪 。Ｍｅｎ ｄｐｉ ａ Ｓ ｉ（ ａ Ｓ ｉ ） ｖ ｎ ｔ ｆ 用 ａ Ｓ ｉ 成功地应用于 图像处 理是 由 Ｃ ｍａｉ ｕ和 Ｍｅｒ 著 的关 ｈｆ ｔ ｏ ｎｃ ｉ ｅ所 于 图 像 分 割 和 目标 跟 踪 的两 篇 论 文 ’ 极 大 推 动 了 Ｍｅｎ ， ａ Ｓ ｉ 在图像处理 中 的研究 。他 们所 提 出的 ＭｅｎＳ ｉ 跟 踪框 ｈｆ ｔ ａ ｈ ｔ ｆ 架， 也称之 为基 于核 的 目标跟踪 ， 目标的外表变化 、 对 噪声和遮 挡 等不敏感 ， 为 目标跟 踪算法 的研究热 点 “ 成 。但 是 Ｍ ａ ｅ ｎ
ＭｅｎＳ ｉ 算法 ， ａ ｈｆ ｔ 实现效果较 Ｃ ｍ ｈｆ好 ⅢＪ ａ Ｓｉ ｔ 。 为解决 目标移动速度较快和 多 目标跟踪 中 目标 间的干扰 ， 本文提 出将 连通域标记 融于 Ｍ ａ ｈｆ 对 于跟踪 目标 突然丢 ｅｎＳ ｉ， ｔ
段视频 序列 中寻找 与 目标 最 相似 区域 的 过程 。 。在 众 多
（ ｃｏｌｆＣ ｍ ｕ ｒ ｏ ｗ ｍ， ｈｎｈｎＵ ｉ ｒ ｔ， ｈｎ ｅ ｕｎ ｄｎ １０ ０ Ｃ ｉ ） Ｓｈｏ ｏ ｏ ｐ ｔ ＆Ｓ ａ Ｓｅｚｅ ｎ ｅｉ Ｓ ｅ ｈｎＧ ａ ｇ ｏｇ ８ ６ ， ｈ ａ ｅ ｉ ｆ ｖｓ ｙ ｚ ５ ｎ
Ａｂ ｔ ａ ｔ Ｔ ｉ ａ ｅ ｒ ｐ ｓ ｄ ａｌｉ ｒ ｖ ｄ Ｍｅ ｎ Ｓ ｉ ａ ｅ ｌ ｏ ｔ ｍ ｎ ｏ ｎ ｃｅ ｏ ｏ ｅ ｔ ｌ ｂ ｌ ｇ ａｇ ｒ ｈ ｆ ｒ ｓｒ ｃ ： ｈ ｓｐ ｐ ｒｐ ｏ ｏ ｅ ｌ ｍｐ ｏ ｅ ａ ｈ ｆ ｂ ｓ ｄ ａｇ ｒ ｈ ａ ｄ ａ ｃ ｎ ｅ ｔｄ ｃ ｍｐ ｎ ｎ ｓ ａ ｅｉ ｌ ｏｉ ｍ ｏ ｔ ｉ ｎ ｔ ｍｕ ｔ ｔ ｒ ｅ ａ ｋ ｎ ， ｈ ｃ ａ ｏ ｄ ｐ ｒ ｒ ｎ ｅｉ ｈ ｒ ｃ ｓ ｆ ｌ － ｒ ｅ ａ ｋ ｎ ｏ ｄ ａ ｔ ｈ ｉ ａｉｎ ｓｔ ｒ ｅ ｌ － ｇ ｔｔ ｃ ｉ ｇ ｗ ｉｈ ｈ ｄ ａｇ ｏ ｅ ｆ ｍａ ｃ ｎ ｔ ｅｐ ｏ ｅ ｓｏ ｔ ｔ ｇ ｔｔ ｃ ｉｇ ｔ ｅ ｗｉ ｔ ｅ ｓ ｕ ｔ ｓａ ａ ｇ ｔ ｉａ ｒ ｏ ｍｕ ｉ ａ ｒ ｌ ｈ ｔ ｏ ｉｓａ ｔ ｏ ｓ ｔｒ ｅ ｃ ｌ ｓｏ ｎ ａ ｇ ｔ ｒ ｃ ｉ ｇｆ ｉ ｒ ｕ ｎ ｅ ｏ ｅ ｌｐ ｉ ｇ Ｗ ｈ ｎ ｔ ｅｔｒ ｅ ａ ｓｉ ｇ ｉ ｈ ａ ｋｎ ，ｈｓ ｎ ｔ ｎ ｓ ，ａ ｇ ｔｏ ｃ ｕ ｉ ｎ ａ ｄ ｔｒ ｅ ａ ｋｎ ｌ ｅｄ ｒ ｇ ｔ ｖ ｒ ｐ ｎ ． ｅ ｇ ｔｗ ｓｍｉｓｎ ｔ ｅｔ ｃ ｉ ｇ ｔ ｉ ｌ ｔ ａｕ ｉ ｈ ａ ｈ ａ ｎ ｒ
ｂ ｅｔ ｃ ｉ ｉａ ｃ ｏｄ ａ ｎ ｉ ｆ ａ ｈ ｅ ｎ ｘ ｆ ｍ ． ａｃ ｌ ｅ ｅ ｃｌｒ ｉ ｏ ｒｍ ｏ ｅｏ ｊｃ ｒｇｏ ｅｔ ａ ｋｎ ｉ ｔ ｏｒ ｉ ｔ ａ ｄ ｓ ｅｏ Ｍｅ ｎＳ ｉ ｉ ｔ ｅ ｔ ｒ ｅ Ｃ ｌｕ ｔｄｔ ｏｏ ｈｓ ｇａ ｆ ｂｅ ｔ ｅ ｉｎ ｈ ｒ ｇ ｎｉ ｌ ｎ ｅ ｚ ｔ ｆ ｎｈ ａ ａ ｈ ｔ ｈ ｔ ａ ｄ ｐ ｔ ｈ ｉ ｏ ｒｍ ａ ｅ ｂｅｔ ｏ ｅ．Ｔ ａ ｃ ｕ ｌ ｒｂｅ ｓ ａｇｔ ｏｓ ｅｕｔ ｏ ｅｏｅ — ｅ ｄ ａｇ ｔ ｏ ｉ ． ｎ ｕ ｅｈｓ ｇａ ｓ ｈ ｊｅ ｍ ｄ １ ｈ ｔ ｏ ｌ ｓ ｖ ｐ ｏ ｌ ａ ｔｒ ｓ ｒｓｌ ｄｆ ｍ ｔ ｒ ｐ ｅ ｒｅ ｍ ｖ ｇ ｔ ｔ ｔ ｏ ｄ ｏｅ ｍｓ ｅ ｌ ｅ ｒ ｈ ｖ ｓ ｔ ｎ
第２ 第１ ８卷 ０期
２１ 年 ｌ 月 ０１ ０
计 算 机 应 用 研 究
Ａｐ ｌ ａｉｎ Ｒｅ ｅ ｒｈ ｏ ｏ ｕｅｓ ｐｉ ｔ ｓ ａｃ ｆＣ ｍｐ ｔｒ ｃ ｏ
Ｖｏ ． ８ Ｎｏ １ １２ ． ０ Ｏｃ ．２ １ ｔ ０１
基 于均 值 漂 移一 连 通 域 标 记 的 多 目标 跟 踪 算 法 木
ｈ ｉ ｌ ｓ ｌ ｌ ｔ ｈ ｔ ｈ ｓ ｉ ｄ ｏ Ｔ ｅ ｆ ａ ｅ ｕ ｔ ｅｉｉ ｔ ａ ｉ ｋ ｎ ｆｉ ｒ ｖ ｄ ｔｒ ｅ ａ ｋ ｎ ｇ ｒ ｈ ｃ ｎ ｂ ｆ ｃｅ ｔ ｎ ａ ｌ ｒｔ ｇｔ ｅ ｆ ｎ ｔ ｎ ｏ ｌ － ｎ ｒ ｓ ｃ ｔ ｍｐ ｏ ｅ ａ ｇ ｔ ｒ ｃ ｉ ｇ ａ ｏ ｔ ｍ ａ ｅ ｅ ｉ ｎ ｍｅｉ ａｉ ｃｉ ｆｍｕ ｔ ｔ ｌ ｉ ｉ ｉ ｏ ｎ ｈ ｕ ｏ ｉ ｔ ｒ ｅ ｒｃ ｉｇ ａ ｄ ｒ ａｉｉ ｇ ｔ ｒｅ ’ ｏ ｔ ｕ ｎ ａ ｋ ｎ ． ａ ｇ ｔ ａ ｋ ｎ ｎ ｅ ｚｎ ｇ ｔ Ｓｃ ｎ ｉ ｉ ｇ ｔ ｃ ｉ ｇ ｔ ｌ ａ ｎ ｒ Ｋｅ ｒ ｓ Ｍｅ ｎ Ｓ ｉ ； ｍｕ ｔ ｔｒ ｅ ｒ ｃ ｉ ｇ ｏ ｎ ｃｅ ｏ ｏ ｅ ｔｌｂ ｌ ｏ ｑ ｅ ｈ ｒ ｃ ｅｓ ｍａｃ ｙ ｗｏ ｄ ： ａ ｈｆ ｔ ｌ —ａｇ ｔ ａ ｋ ｎ ；ｃ ｎ ｅ ｔｄ ｃ ｍｐ ｎ ｎ ａ ｅ ；ｔｒ ｕ ；ｃ ａａ ｔｒ ｔｈ ｉ ｔ
标连 续跟 踪 。
关键 词 ：均值 漂移 ；多 目标跟 踪 ；连通域 标记 ；矩 特征 ；特征 匹配 中图分类 号 ： Ｐ ９ ；Ｔ ２２ Ｔ ３１ Ｐ４ 文献标 志码 ：Ａ 文章 编号 ：１０ —６５ ２ １ ）０ ３６—４ ０ １３９ （０ １ １—９３０
ｄｉ１ ． ９ ９ ｊｉ ｎ １ ０ －６ ５ ２ １ ． ０ １０ ｏ ：０ ３ ６ ／．ｓ ．０ １３ ９ ． ０ １ ．０ ｓ １