跟踪窗自适应的MeanShift目标跟踪算法

合集下载

窗宽自适应Mean-Shift跟踪算法

ｆｅｅｏｊｃｉｓｅｔｅｗｎｏｎａｎｄａｃｒｔｏｊｔｐｓｉ．Ａｅｃｎｒｉｇｔｅｐｓｉ，ａＢａａｈｒｙｉｄｔｂｅｔｎｉｈｉｄｗａｄｇｉｅｃｕａｂｅｏｉｏｘｈｄｅｃｔｎｔｉｆｒｏｆｍｎｈｏｉｏｔｎｈｔｃａｙａｔ
ＢＡＩＸｉｎｆｎ，Ｌ — ｕ，Ｌ－ａ，ＣＡＩＹａｐｎａｇ—ｅｇＩＡｉｈａＩＸｉｌｉｎ— ｉｇ
ｆ０ａｕｙｈｅｏｄＡｔｌｙＥｎｉｅｒｇＣｌｇ，Ｘ ’ ｎＳａｎｉ１０５Ｃｉ）２Ｆｃｌ，Ｔｅｃｎｒｌｒｇｎｅｎｏｅｅｉａｈａｘ０２，ｈｎ５ｔＳｉｅｉｌ７ａ
摘
要：对固定窗宽Ｍａ —ｈｔ法在目标运动速度过快或尺度发生明显变化时可能导致跟踪失败的问题，针ｅｎＳｉ算ｆ提
出一种窗宽自适应的ＭｅｎＳｉ跟踪算法。该方法基于均值漂移矢量预测跟踪窗口中心位置，时自动调整跟踪窗ａ—ｈｔｆ同
ＡｓａｔＭｅｎＳｉｌｒｈｉｘｄｂｎｗｄｈｏｔａｓｉｒｃｉｇａｂｅｌｔｔｍｖｓｔａｔｏｏｎｂｔｃ：ａ —ｈｆａｏｉｍｗｔｆｅａｄｉｔｆｎｆｌｎｔｋｎｏｊｅｈｏｅｏｆｒｗｓａｒｔｇｔｈｉｅｉａｎａｏｓ
间位置和尺度。
关键词：目标跟踪；值漂移；均窗宽自适应；ｈｔｃａｙａ系数Ｂａａｈｒｙｔ中图分类号：Ｐ９．１Ｔ３ｉｇａｇｒｔｍａｅｎｄｐｉｅｂａｄｄｈａＳｉｔｔａｋｎｌｏｉｈｂｓｄｏａａｔｖｎｗｉｔ

基于meanshift的目标跟踪算法——完整版

基于Mean Shift的目标跟踪算法研究指导教师：摘要：该文把Itti视觉注意力模型融入到Mean Shift跟踪方法，提出了一种基于视觉显著图的Mean Shift跟踪方法。

首先利用Itti视觉注意力模型，提取多种特征，得到显著图，在此基础上建立目标模型的直方图，然后运用Mean Shift方法进行跟踪。

实验证明，该方法可适用于复杂背景目标的跟踪，跟踪结果稳定。

关键词：显著图目标跟踪Mean ShiftMean Shift Tracking Based on Saliency MapAbstract：In this paper, an improved Mean Shift tracking algorithm based on saliency map is proposed. Firstly, Itti visual attention model is used to extract multiple features, then to generate a saliency map，The histogram of the target based on the saliency map, can have a better description of objectives, and then use Mean Shift algorithm to tracking. Experimental results show that improved Mean Shift algorithm is able to be applied in complex background to tracking target and tracking results are stability.1 引言Mean Shift方法采用核概率密度来描述目标的特征，然后利用Mean Shift搜寻目标位置。

核函数带宽自适应的MeanShift跟踪算法

万方数据第６期陈昌涛等：核函数带宽自适应的Ｍｅａｎ—Ｓｈｉｆｔ跟踪算法１６８ｌ１Ｍｅａｎ．Ｓｈｉｆｔ跟踪算法１．１Ｂｈａｔｔａｃｈａｒｙｙａ系数通过，，ｌ级核加权直方图来表示模板的颜色分布ｑ。

如式（１）：吼＝ｃ∑“ｏ（石一％）／圳２］６（６（悲）一“）（１）其中：瓤（ｆ＝１，…，ｎ）表示像素在目标模板中的位置，其中心位置设为算。

同时令ｂ（氟）表示位置石。

处的像素颜色（对于灰度图像ｂ（ｘｉ）为灰度等级），后为核函数框架，ｃ为吼的归一化常数，ｈ为带宽，跚，＝置菇（２）同样令Ｙ；（ｉ＝１，…，，１）表示像素在候选目标中的位置，其中心位置设为Ｙ。

那么与计算模板颜色概率密度分布函数类似，得到候选目标的颜色分布Ｐ。

用Ｂｈａｔｔａｃｈａｒｙｙａ系数Ｐ表示候选目标与模板目标之间的匹配程度Ｂｊ，如式（３）所示。

ｐ（ｐ（ｙ），ｇ）＝∑、佤丽＝－（３）得到的Ｐ越大，表示候选目标与模板目标越匹配，那么对应的中心，，越有可能是目标在当前帧中的位置。

１．２Ｍｅａｎ—Ｓｈｉｆｔ目标跟踪用式（４）进行Ｍｅａｎ－Ｓｈｉｆｔ迭代＂１：姜ｙ叫０罕ＩＩ２】…蚤ｗｉｇ【ＩＩ导≯ＩＩ２】其中：儿（ｉ＝１，…，ｎ）表示像素在候选目标中的位置，其初始中心位置设为％，毗＝∑￣／再７ｉ丐习祆面ｉ了＝可，在使用式（４）进行迭代前，，，初始化为Ｙｏ，每次迭代完成，用得到的新的Ｙ替换，直至Ｙ收敛到一个不变的值，从而找到最佳模式匹配位置，实现目标跟踪。

２基于Ｂｈａｔｔａｃｈａｒｙｙａ系数的核带宽更新在Ｍｅａｎ．Ｓｈｉｆｔ跟踪算法中，式（１）中使用的核函数为凸函数，如：后ｃ”石ＩＩ，＝｛：，一“茗“２’：：：｜ｌ季：ｃ５，起到中心加权的作用，对目标边缘背景的影响有较好的抑制作用，保证了目标跟踪的稳定性和准确性。

由此，笔者受到启示，如果核函数为凹函数，如：……１）－∞“２’㈥季：（６）即对目标边缘起到增强作用，那么由此直方图与模板中心加权直方图计算Ｂｈａｔｔａｃｈａｒｙｙａ系数与核带宽的更新有着一定的关系，下面将予以详细介绍。

《2024年度基于MeanShift的运动目标跟踪算法研究》范文

《基于Mean Shift的运动目标跟踪算法研究》篇一一、引言运动目标跟踪是计算机视觉领域中一个重要的研究方向，它涉及到图像处理、模式识别、人工智能等多个领域的知识。

随着计算机视觉技术的不断发展，运动目标跟踪算法在智能监控、智能交通、人机交互等领域得到了广泛的应用。

Mean Shift算法作为一种有效的跟踪算法，在处理复杂背景下的运动目标跟踪问题中具有很好的性能。

本文旨在研究基于Mean Shift的运动目标跟踪算法，分析其原理、优势及不足，并提出改进措施。

二、Mean Shift算法原理Mean Shift算法是一种基于概率密度的迭代优化算法，其基本思想是通过计算目标模型与候选模型的相似度来定位目标的位置。

在运动目标跟踪中，Mean Shift算法首先提取出目标区域的特征，然后根据特征计算出一个均值漂移向量，从而得到一个新的目标位置。

迭代多次后，目标的位置会逐渐逼近其真实位置。

三、Mean Shift算法的优势Mean Shift算法在运动目标跟踪中具有以下优势：1. 实时性：Mean Shift算法的运算速度较快，能够实时地更新目标的位置。

2. 鲁棒性：Mean Shift算法对光照变化、部分遮挡等干扰因素具有较强的鲁棒性，能够在复杂背景下准确地跟踪目标。

3. 简单性：Mean Shift算法的实现过程相对简单，易于编程实现。

四、Mean Shift算法的不足及改进措施尽管Mean Shift算法在运动目标跟踪中具有诸多优势，但仍存在一些不足。

例如，当目标发生剧烈运动或被完全遮挡时，算法的跟踪效果可能会受到影响。

针对这些问题，可以采取以下改进措施：1. 引入多特征融合：通过融合多种特征（如颜色、纹理等），提高算法对不同场景的适应性。

2. 引入卡尔曼滤波：利用卡尔曼滤波对目标的位置进行预测和更新，提高算法的鲁棒性。

3. 结合其他算法：将Mean Shift算法与其他跟踪算法（如光流法、支持向量机等）相结合，形成混合跟踪算法，以提高算法的准确性。

目标跟踪meanshift算法综述均值漂移

Mean Shift 概述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dR 中的n 个样本点i x ,i=1,…,n,在x 点的Mean Shift 向量的基本形式定义为:()()1i hh i x S M x x x k ∈≡-∑ (1)其中,h S 是一个半径为h 的高维球区域,满足以下关系的y 点的集合,()()(){}2:Th S x y y x y x h ≡--≤ (2)k 表示在这n 个样本点i x 中,有k 个点落入h S 区域中.我们可以看到()i x x -是样本点i x 相对于点x 的偏移向量,(1)式定义的Mean Shift 向量()h M x 就是对落入区域h S 中的k 个样本点相对于点x 的偏移向量求和然后再平均.从直观上看,如果样本点i x 从一个概率密度函数()f x 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, h S 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()h M x 应该指向概率密度梯度的方向.图1,Mean Shift 示意图如上图所示, 大圆圈所圈定的范围就是h S ,小圆圈代表落入h S 区域内的样本点i h x S ∈,黑点就是Mean Shift 的基准点x ,箭头表示样本点相对于基准点x 的偏移向量,很明显的,我们可以看出,平均的偏移向量()h M x 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.扩展的Mean Shift核函数首先我们引进核函数的概念.定义:X 代表一个d 维的欧氏空间,x 是该空间中的一个点,用一列向量表示. x 的模2T x x x =.R 表示实数域.如果一个函数:K X R →存在一个剖面函数[]:0,k R ∞→,即()2()K x k x=(3) 并且满足:(1)k是非负的.(2)k是非增的,即如果a b<那么()()k a k b≥.(3)k是分段连续的,并且()k r dr∞<∞⎰那么,函数()K x就被称为核函数.举例:在Mean Shift中,有两类核函数经常用到,他们分别是,单位均匀核函数:1 if 1()0 if 1xF xx⎧<⎪=⎨≥⎪⎩(4) 单位高斯核函数:2()xN x e-=(5) 这两类核函数如下图所示.图2, (a) 单位均匀核函数(b) 单位高斯核函数一个核函数可以与一个均匀核函数相乘而截尾,如一个截尾的高斯核函数为,()2 if()0 ifxe xN F xxββλλλ-⎧<⎪=⎨≥⎪⎩(6) 图3 显示了不同的,βλ值所对应的截尾高斯核函数的示意图.图3 截尾高斯核函数(a) 11N F(b) 0.11N FMean Shift 扩展形式从(1)式我们可以看出,只要是落入h S 的采样点,无论其离x 远近,对最终的()h M x 计算的贡献是一样的,然而我们知道,一般的说来,离x 越近的采样点对估计x 周围的统计特性越有效,因此我们引进核函数的概念,在计算()h M x 时可以考虑距离的影响;同时我们也可以认为在这所有的样本点i x 中,重要性并不一样,因此我们对每个样本都引入一个权重系数.如此以来我们就可以把基本的Mean Shift 形式扩展为:()11()()()()()nHi i i i nHi i i Gx x w x x x M x Gx x w x ==--≡-∑∑ (7)其中: ()()1/21/2()H i i G x x HG H x x ---=-()G x 是一个单位核函数H 是一个正定的对称d d ⨯矩阵,我们一般称之为带宽矩阵()0i w x ≥是一个赋给采样点i x 的权重在实际应用的过程中,带宽矩阵H 一般被限定为一个对角矩阵221diag ,...,d H h h ⎡⎤=⎣⎦,甚至更简单的被取为正比于单位矩阵,即2H h I =.由于后一形式只需要确定一个系数h ,在Mean Shift 中常常被采用,在本文的后面部分我们也采用这种形式,因此(7)式又可以被写为:()11()()()()()ni i i i h ni i i x xG w x x x hM x x x G w x h ==--≡-∑∑ (8)我们可以看到,如果对所有的采样点i x 满足(1)()1i w x =(2) 1 if 1()0 if 1 x G x x ⎧<⎪=⎨≥⎪⎩则(8)式完全退化为(1)式,也就是说,我们所给出的扩展的Mean Shift 形式在某些情况下会退化为最基本的Mean Shift 形式.Mean Shift 的物理含义正如上一节直观性的指出,Mean Shift 指向概率密度梯度方向,这一节将证明Mean Shift 向量()h M x 是归一化的概率密度梯度.在本节我们还给出了迭代Mean Shift 算法的详细描述,并证明,该算法会收敛到概率密度函数的一个稳态点.概率密度梯度对一个概率密度函数()f x ,已知d 维空间中n 个采样点i x ,i=1,…,n, ()f x 的核函数估计(也称为Parzen 窗估计)为,11()ˆ()()ni i i n di i x x K w x h f x h w x ==-⎛⎫ ⎪⎝⎭=∑∑ (9)其中()0i w x ≥是一个赋给采样点i x 的权重()K x 是一个核函数,并且满足()1k x dx =⎰我们另外定义: 核函数()K x 的剖面函数()k x ,使得()2()K x kx=(10);()k x 的负导函数()g x ,即'()()g x k x =-,其对应的核函数()2()G x g x= (11)概率密度函数()f x 的梯度()f x ∇的估计为:()2'1212()ˆˆ()()()ni i i i nd i i x x x x k w x h f x f x h w x =+=⎛⎫--⎪ ⎪⎝⎭∇=∇=∑∑(12)由上面的定义, '()()g x k x =-,()2()G x gx=,上式可以重写为()()21212112112()ˆ()()()()2 ()()nii i i nd i i n i n i i i i i i n d n i i i i i x xx x G w x h f x h w x x x x x x x G w x G w x h h x x h h w x G w x h =+=====⎛⎫-- ⎪ ⎪⎝⎭∇=⎡⎤⎛⎫-⎡-⎤⎛⎫-⎢⎥ ⎪ ⎪ ⎪⎢⎥⎢⎥⎝⎭⎝⎭⎢⎥=⎢⎥-⎛⎫⎢⎥⎢⎥ ⎪⎢⎥⎝⎭⎢⎥⎣⎦⎣⎦∑∑∑∑∑∑ (13)上式右边的第二个中括号内的那一部分就是(8)式定义的Mean Shift 向量,第一个中括号内的那一部分是以()G x 为核函数对概率密度函数()f x 的估计,我们记做ˆ()Gf x ,而(9)式定义的ˆ()f x 我们重新记做ˆ()Kf x ,因此(11)式可以重新写为: ˆ()f x ∇=ˆ()K f x ∇=()22ˆ()Gh f x M x h(14)由(12)式我们可以得出,()2ˆ()1ˆ2()Kh G f x M x h f x ∇= (15)(15)式表明,用核函数G 在x 点计算得到的Mean Shift 向量()h M x 正比于归一化的用核函数K 估计的概率密度的函数ˆ()Kf x 的梯度,归一化因子为用核函数G 估计的x 点的概率密度.因此Mean Shift 向量()h M x 总是指向概率密度增加最大的方向.Mean Shift 算法算法步骤我们在前面已经指出,我们在提及Mean Shift 向量和Mean Shift 算法的时候指代不同的概念,Mean Shift 向量是名词,指的是一个向量;而Mean Shift 算法是动词,指的是一个迭代的步骤.我们把(8)式的x 提到求和号的外面来,可以得到下式,()11()()()()ni i i i h n i i i x xG w x x hM x x x x G w x h ==-=--∑∑(16)我们把上式右边的第一项记为()h m x ,即11()()()()()ni i i i h n i i i x xG w x x hm x x x G w x h ==-=-∑∑(17)给定一个初始点x ,核函数()G X , 容许误差ε,Mean Shift 算法循环的执行下面三步,直至结束条件满足, (1).计算()h m x(2).把()h m x 赋给x(3).如果()h m x x ε-<,结束循环;若不然,继续执行(1).由(16)式我们知道, ()()h h m x x M x =+,因此上面的步骤也就是不断的沿着概率密度的梯度方向移动,同时步长不仅与梯度的大小有关,也与该点的概率密度有关,在密度大的地方,更接近我们要找的概率密度的峰值,Mean Shift 算法使得移动的步长小一些,相反,在密度小的地方,移动的步长就大一些.在满足一定条件下,Mean Shift 算法一定会收敛到该点附近的峰值,这一收敛性由下面一小节给出证明.算法的收敛性证明我们用{}j y ,1,2,...j =来表示Mean Shift 算法中移动点的痕迹,由(17)式我们可写为,111()()()()ni ji i i j ni j i i x y G w x x hy x y G w x h =+=-=-∑∑, 1,2,...j = (18) 与j y 对应的概率密度函数估计值ˆ()jf y 可表示为, 11()ˆ()()ni j i i K j n di i x y K w x h f y h w x ==-⎛⎫⎪⎝⎭=∑∑ (19)下面的定理将证明序列{}j y 和{}ˆ()jf y 的收敛性. 定理:如果核函数()K x 有一个凸的,单调递增的剖面函数,核函数()G x 由式(10)和(11)定义,则序列{}j y 和{}ˆ()jf y 是收敛的. 证明:由于n 是有限的,核函数()(0)K x K ≤,因此序列{}ˆ()j f y 是有界的,所以我们只需要证明{}ˆ()jf y 是严格递增的的,即要证明,对所有j=1,2,…如果1j j y y +≠,那么ˆ()j f y 1ˆ()j f y +< (20)不失一般性,我们可以假设0j y =,由(19)式和(10)式,我们可以得到1ˆ()j f y +ˆ()j f y -=221111 ()()n i j i ji ni d i i x y x y k k w x h h h w x +==⎡⎤⎛⎫⎛⎫--⎢⎥ ⎪ ⎪- ⎪ ⎪⎢⎥⎝⎭⎝⎭⎣⎦∑∑ (21)由于剖面函数()k x 的凸性意味着对所有12,[0,)x x ∈∞且12x x ≠,有'2121()()()()k x k x k x x x ≥+-(22)因为'()()g x k x =-,上式可以写为,2112()()()()k x k x g x x x -≥-(23)结合(21)与(23)式,可以得到,1ˆ()j f y +ˆ()jf y -222111211()()ni j i j i i n i d i i x y g x y x w x h h w x ++=+=⎛⎫-⎡⎤⎪≥--⎢⎥⎣⎦ ⎪⎝⎭∑∑221111211 2()()ni j T j i j i n i d i i x y g y x y w x h h w x +++=+=⎛⎫-⎡⎤⎪=-⎢⎥⎣⎦ ⎪⎝⎭∑∑12221211112()()()j n nT ii i i j i n d i i i i x x y x g w x y g w x h h h w x +++===⎡⎤⎛⎫⎛⎫=-⎢⎥ ⎪ ⎪ ⎪ ⎪⎢⎥⎝⎭⎝⎭⎣⎦∑∑∑(24)由(18)式我们可以得出,1ˆ()j f y +ˆ()jf y -2211211()n ij n i d i i x y g hhw x +=+=⎛⎫≥ ⎪ ⎪⎝⎭∑∑(25)由于剖面函数()k x 是单调递减的,所以求和项210ni i x g h =⎛⎫> ⎪ ⎪⎝⎭∑,因此,只要10j j y y +≠= (25)式的右边项严格大于零,即1ˆ()j f y +ˆ()jf y >.由此可证得,序列{}ˆ()j f y 收敛为了证明序列{}j y 的收敛性,对于0j y ≠,(25)式可以写为1ˆ()j f y +ˆ()jf y -2211211()ni j j jn i d i i x y y y g hhw x +=+=⎛⎫- ⎪≥- ⎪⎝⎭∑∑(26) 现在对于标号j,j+1,…,j+m -1,对(26)式的左右两边分别求和,得到 ˆ()j m f y +ˆ()jf y -22111211...()ni j m j m j m ni d i i x y y y g h h w x +-++-=+=⎛⎫- ⎪≥-+ ⎪⎝⎭∑∑2211211()ni jj jn i d i i x y y y g hhw x +=+=⎛⎫- ⎪+- ⎪⎝⎭∑∑2211211...()j m j m j jndiiy y y y Mh w x++--+=⎡⎤≥-++-⎢⎥⎣⎦∑2211()j m jndiiy y Mh w x++=≥-∑(27)其中M表示对应序列{}j y的所有求和项21n i jix ygh=⎛⎫-⎪⎪⎝⎭∑的最小值.由于{}ˆ()jf y收敛,它是一个Cauchy序列,(27)式意味着{}j y也是一个Cauchy序列,因此,序列{}j y收敛.Mean Shift的应用从前面关于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{},1,...ix i n=服从概率密度函数f(x),给定一个如图初始点x,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{},1,...ix i n=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.图4.Mean Shift算法示意图Mean Shift算法在许多领域获得了非常成功的应用,下面简要的介绍一下其在图像平滑,图像分割以及物体跟踪中的应用,一来说明其强大的生命力,二来使对上文描述的算法有一个直观的了解.图像平滑与分割一幅图像可以表示成一个二维网格点上p 维向量,每一个网格点代表一个象素,1p =表示这是一个灰度图,3p =表示彩色图,3p >表示一个多谱图,网格点的坐标表示图像的空间信息.我们统一考虑图像的空间信息和色彩(或灰度等)信息,组成一个2p +维的向量(,)s r x x x =,其中s x 表示网格点的坐标,r x 表示该网格点上p 维向量特征.我们用核函数,s r h h K 来估计x 的分布, ,s r h h K 具有如下形式,22,2s rs r h h p s r sr C x x K k k h h h h ⎛⎫⎛⎫ ⎪ ⎪= ⎪ ⎪⎝⎭⎝⎭ (28)其中,s r h h 控制着平滑的解析度,C 是一个归一化常数.我们分别用i x 和i z ,i =1,…,n 表示原始和平滑后的图像.用Mean Shift 算法进行图像平滑的具体步骤如下, 对每一个象素点, 1,初始化1j =,并且使,1i i y x =2,运用Mean Shift 算法计算,1i j y +,直到收敛.记收敛后的值为,i c y3.赋值(),,s r i i i c z x y =图5是原始图像,图中40⨯20白框区域被选中来更好的显示基于Mean Shift 的图像平滑步骤,图6显示了这一区域的平滑步骤,x, y 表示这一区域内的象素点的坐标,图6(a)在一个三维空间显示了各个象素点的灰度值,图6(b)显示各点的移动痕迹,黑点是最终收敛值,图6(c)显示了平滑后的各象素点的灰度值,图6(d)是继续分割后的结果.图5.原始图像图6.(a)原始图像的各象素点灰度值.(b)各象素点的Mean Shift移动路径.(c)平滑后的各象素点的灰度值.(d)分割后的结果图7显示了图5经过平滑后的结果,我们可以看到,草地上的草地纹理被平滑掉了,而图像中边缘仍然很好的保持着..图7平滑后的结果h h是非常重要的参数,人们可以根据解析度的在基于Mean Shift的图像平滑中,式(28)中的,s rh h会对最终的平滑结果有一定的影响,图7显示了这两个参数对平要求而直接给定,不同,s rh影响更大一些.滑结果的影响,我们可以看出,s图8,原始图和平滑后的图基于Mean Shift的图像分割与图像平滑非常类似,只需要把收敛到同一点的起始点归为一类,然后把这一类的标号赋给这些起始点,在图像分割中有时还需要把包含象素点太少类去掉,图6(d)显示分割后的灰度值.图8,显示了图5经过分隔后的结果图8,分割后的结果物体跟踪我们用一个物体的灰度或色彩分布来描述这个物体,假设物体中心位于0x ,则该物体可以表示为()21ˆi i s ns u i x xqC k b x u h δ=⎛⎫- ⎪⎡⎤=-⎣⎦ ⎪⎝⎭∑(29)候选的位于y 的物体可以描述为()21ˆ()hn s s i u h i i x ypy C k b x u h δ=⎛⎫-⎡⎤ ⎪=-⎣⎦ ⎪⎝⎭∑(30)因此物体跟踪可以简化为寻找最优的y ,使得ˆ()u py 与ˆu q 最相似. ˆ()u py 与ˆu q 的最相似性用Bhattacharrya 系数ˆ()y ρ来度量分布,即 []ˆ()(),mu y p y q ρρ=≡= (31)式(31)在ˆu p()0ˆy 点泰勒展开可得,[]1111(),(22m mu u u p y q p y ρ==≈∑(32)把式(30)带入式,整理可得,[]2111(),22mnhii u i C y x p y q w k h ρ==⎛⎫-≈ ⎪ ⎪⎝⎭∑ (33)其中,1[()mi i u w b x u δ==-∑对式(33)右边的第二项,我们可以利用Mean Shift 算法进行最优化.在Comaniciu 等人的文章中,他们只用平均每帧图像只用4.19次Mean Shift 迭代就可以收敛,他们的结果很显示在600MHz 的PC 机上,他们的程序可以每秒处理30帧352⨯240象素的图像.下图显示了各帧需要的Mean Shift 迭代次数.图9,各帧需要的Mean Shift迭代次数下图显示了Comaniciu等人的跟踪结果图10,基于Mean Shift的物体跟踪结果结论本文回顾了Mean Shift的发展历史,介绍了它的基本思想,给出了具体的算法步骤,详细证明了它与梯度上升搜索法的联系,并给出Mean Shift算法的收敛性证明,最后给出了Mean Shift在图像平滑,图像分割以及实时物体跟踪中的具体应用,显示Mean Shift强大的生命力.参考文献[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)。

自适应窗口选取的Mean-Shift目标跟踪

自适应窗口选取的Mean-Shift目标跟踪
王明佳;武治国;韩广良;王延杰;张叶
【期刊名称】《光子学报》
【年(卷),期】2012()1
【摘要】当目标尺度发生变化时,传统Mean-Shift跟踪算法因跟踪窗口尺寸不变容易导致跟踪目标丢失,为解决此问题,本文提出一种带宽自适应算法对目标尺度变化进行检测,从而实现模板更新.该算法分别将模板图像与当前帧目标图像分割成等间隔半径的若干同心圆,通过计算模板图像与当前帧图像不同环层之间相似性度量,根据相应环层之间相似性度量关系确定当前帧模板带宽更新参量,最后利用kalman 滤波完成模板尺度更新,从而实现目标稳定跟踪.实验证明,当目标尺度发生变化时,目标模板自动更新,能够实现目标稳定跟踪;相对传统Mean-Shift跟踪算法,目标跟踪可靠性能得到了提高.
【总页数】5页(P67-71)
【关键词】Mean-Shift;目标跟踪;核函数带宽;自适应性
【作者】王明佳;武治国;韩广良;王延杰;张叶
【作者单位】中国科学院长春光学精密机械与物理研究所
【正文语种】中文
【中图分类】TN911
【相关文献】
1.Mean-Shift目标跟踪算法的带宽选取策略 [J], 胡淑芳;袁宝峰;屈源
2.基于粒子滤波和Mean-shift的自适应目标跟踪方法 [J], 陈小娟;佘二永
3.基于Mean-shift改进的自适应目标跟踪算法 [J], 张伟;李绍铭;王勇
4.基于Mean-shift改进的自适应目标跟踪算法 [J], 张伟;李绍铭;王勇
5.基于Mean-shift改进的自适应目标跟踪算法 [J], 张伟;李绍铭;王勇
因版权原因，仅展示原文概要，查看原文内容请购买。

面向交通流检测的MeanShift多目标自适应跟踪算法

越来越被广大研究人员所关注。 5］中提出了基于目标直方图的ቤተ መጻሕፍቲ ባይዱMean 二十世纪初，文献［ Shift 跟踪算法。该算法利用了目标直方图特征稳定、便于计算
收稿日期： 2010 － 07 － 16 。国家高技术研究发展计划（ 2009AA01Z 132 ）。闫德莹，硕士生，主研领域：目标跟踪，图像处理，机器学习。
计算机应用与软件 Computer Applications and Software
Vol. 28 No． 10 Oct． 2011
面向交通流检测的 Mean Shift 多目标自适应跟踪算法
闫德莹
1 2 3
1， 2， 3
刘贵全
1， 2
缪泓
1， 3
（中国科学技术大学
安徽合肥 230027 ）安徽合肥 230027 ）安徽合肥 230027 ）
] ‖]
‖
2 2
（ 4）
wi = 其中，
∑δ［b（ x ）
i u =1
－ u］
在运用算法进行跟踪时，先把 y 初始化为 y0 ，然后用式（ 4 ）迭代，用迭代出的值代替原来的 y 值，直至 y 不再变化或者变化小于一定的限度，这时就认为已经实现了目标跟踪的目的。
槡
qu ， g（ x） = － k' （ x）。 p u （ y0 ）
2
2． 1
基于线性预测的 Mean Shift 跟踪算法
线性预测方法的引入
传统 Mean Shift 跟踪算法在实现时以上一帧中目标位置为
中心开始搜索，此时搜索区域与目标当前区域有较少的重叠区域，算法从此位置开始必须要经过多次的迭代才能收敛于目标的真实位置，这是 Mean Shift 算法中计算量最大的部分。因此，如果要实现对多目标的实时跟踪就必须降低算法的迭代次数以降低计算的复杂度。解决这一问题的一个可行方法就是，尽量使算法搜索区域从而使算法更快地收敛。与目标真实区域有更大的重叠区域，为了实现搜索区域与目标区域的大部分重叠，就可以利用线性预测方法，即根据目标在前几帧出现的位置预测出目标在当前帧可能出现的位置，然后以预测出的位置为中心开始搜索，从而以较少的迭代量实现对目标的准确追踪。如图 1 所示，左图为目标车辆的初始位置，跟踪算法的目的就是要找到左图中的目标车辆在右图中的真实位置。传统 Mean Shift 算法会从右图中红框位置开始搜索迭代，直至收敛到一般情况下实现此过程至少要经过 4 ～ 5 次迭蓝框位置附近，代，在多目标跟踪的前提下这个计算量是难以接受的。因此，我们可以事先预测出目标车辆的可能位置（即蓝框附近），然后从预测位置开始搜索迭代，这样就大大减少了算法的迭代次数，提高了追踪效率。

目标尺度自适应的Mean Shift跟踪算法

第３２卷第２期
２０１１年２月
兵
工
学
报
Ｖｏ＿２Ｉ３ＮＯ．２
Ｆｅｂ．２０１１
ＡＣＡＡＲＭＡＭＥＮＴＡＲＩＩ
目标尺度自适应的ＭｅｎＳｉ跟踪算法ａｈｆｔ
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。ＭｅｎＳｉ算法最早是作为一种无ａｈｆｔ
参密度估计算法于１７年由Ｆｋｎｇ９５ｕｕａａ首先提
Ｋｅｙｗｏｒｓ：ａｔｆｃａｎｔｌｉｅｃｄｒｉｉｌｉｅｌｎｅ；ｍｅｎｓｉ；ｔｒｅｒｃｉｇ；ａｆｎｔｕｔｒｓａｅａａｔｔｏｉｇａｈｆｔａｇｔｔａｋｎｆｉｅｓｒｃｕｅ；ｃｌｄｐａｉｎ
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ＭｅｎＳｉ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。ａｈｆｔ对关键词：人工智能；Ｍａｈ；目标跟踪；射变换；尺度自适应ｅｎＳｉｔｆ仿中图分类号：Ｐ９Ｔ３１文献标志码：Ａ文章编号：００１９（０１０－２０７１０ — ３２ｌ）２０１－００

快速运动目标的Meanshift跟踪算法

第33卷第5期光电工程V ol.33, No.5 2006年5月 Opto-Electronic Engineering May, 2006文章编号：1003-501X(2006)05-0066-05快速运动目标的Mean shift跟踪算法朱胜利，朱善安，李旭超( 浙江大学电气学院，浙江杭州 310027 )摘要：针对Mean shift本身的理论缺陷，提出Mean shift和卡尔曼滤波器相结合的快速目标跟踪算法。

利用卡尔曼滤波器来获得每帧Mean shift算法的起始位置，然后再利用Mean shift算法得到跟踪位置。

在目标出现大比例阻挡情况时，利用卡尔曼残差的计算来关闭和打开卡尔曼滤波器，此时，目标位置的线性预测替代了卡尔曼的作用。

试验证明，本算法可以实现对快速运动目标的跟踪，对阻挡也有很好的鲁棒性。

关键词：Mean shift；核函数；卡尔曼滤波器；目标跟踪中图分类号：V556 文献标识码：AAlgorithm for tracking of fast motion objects with Mean shiftZHU Sheng-li，ZHU Shan-an，LI Xu-chao( College of Electrical Engineering, Zhejiang University,Hangzhou 310027, China ) Abstract：To improve theoretic limitation of Mean shift, an algorithm for tracking of fast motion objects, which combines Mean shift and Kalman filter, is proposed. At first, the starting position of Mean shift is found with Kalman filter in every frame, and then Mean shift is utilized to track the target position.When severe occlusion appears, filtering residuals is exploited to decide whether the Kalman filter works. At this moment, Kalman filter is replaced by linear prediction of object position. Experimental results show that the proposed algorithm can track fast moving objects successfully and have better robust for occlusion.Key words：Mean shift; Kernel function; Kalman filter; Target tracking引言Mean shift是一种密度梯度的无参估计方法，于1975年由Fukunaga[1]提出。

MeanShift及相关算法在视频跟踪中的研究

精品文档供您编辑修改使用专业品质权威编制人：______________审核人：______________审批人：______________编制单位：____________编制时间：____________序言下载提示：该文档是本团队精心编制而成，希望大家下载或复制使用后，能够解决实际问题。

文档全文可编辑，以便您下载后可定制修改，请根据实际需要进行调整和使用，谢谢!同时，本团队为大家提供各种类型的经典资料，如办公资料、职场资料、生活资料、学习资料、课堂资料、阅读资料、知识资料、党建资料、教育资料、其他资料等等，想学习、参考、使用不同格式和写法的资料，敬请关注!Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!And, this store provides various types of classic materials for everyone, such as office materials, workplace materials, lifestylematerials, learning materials, classroom materials, reading materials, knowledge materials, party building materials, educational materials, other materials, etc. If you want to learn about different data formats and writing methods, please pay attention!MeanShift及相关算法在视频跟踪中的探究摘要：随着计算机视觉和图像处理技术的进步，视频跟踪技术在监控、视频处理和智能驾驶等领域得到了广泛应用。

基于MeanShift算法的目标跟踪解析

基于MeanShift算法的目标跟踪1 算法描述1.1 meanshift算法背景meanShift这个概念最早是由Fukunage在1975年提出的，Fukunage等人在一篇关于概率密度梯度函数的估计中提出这一概念。

其最初的含义正如其名：偏移的均值向量；但随着理论的发展，meanShift的含义已经发生了很多变化。

如今，我们说的meanShift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，然后以此为新的起始点，继续移动，直到满足一定的结束条件。

在很长一段时间内，meanShift算法都没有得到足够的重视，直到1995年另一篇重要论文的发表。

该论文的作者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，他还设定了一个权重系数，使得不同样本点的重要性不一样，这大大扩展了meanShift的应用范围。

此外，还有研究人员将非刚体的跟踪问题近似为一个meanShift的最优化问题，使得跟踪可以实时进行。

目前，利用meanShift进行跟踪已经相当成熟。

1.2 meanshift算法原理Meanshift可以应用在很多领域，比如聚类，图像平滑，图像分割，还在目标跟踪领域有重要的应用。

Meanshift跟踪算法是通过计算候选目标与目标模板之间相似度的概率密度分布，然后利用概率密度梯度下降的方向来获取匹配搜索的最佳路径，加速运动目标的定位和降低搜索的时间，因此其在目标实时跟踪领域有着很高的应用价值。

该算法由于采用了统计特征，因此对噪声具有很好的鲁棒性；由于是一个蛋参数算法，容易作为一个模块和其他算法集成；采用核函数直方图建模，对边缘阻挡、目标的旋转、变形以及背景运动都不敏感；同时该算法构造了一个可以用meanshift算法进行寻优的相似度函数。

Meanshift本质上是最陡下降法，因此其求解过程收敛速度快，使得该算法具有很好的实用性。

MeanShift与基于MeanShift的目标跟踪算法及实现

MeanShift与基于MeanShift的目标跟踪算法及实现导论：无参密度估计也叫做非参数估计，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。

MeanShift算法思想与物理含义：的采样点，无论其离中心x的此外，从公式1中可以看到，只要是落入Sh(x)计算的贡献是一样的。

然而在现实跟踪过程中，当跟踪目远近，对最终的Mh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。

核函数：核函数也叫窗口函数，在核估计中起到平滑的作用。

常用的核函数有：Uniform，Epannechnikov，Gaussian等。

本文算法只用到了Epannechnikov，它数序定义如下：基于MeanShift的目标跟踪算法：基于均值漂移的目标跟踪算法通过分别计算目标区域和候选区域内像素的特征值概率得到关于目标模型和候选模型的描述，然后利用相似函数度量初始帧目标模型和当前帧的候选模版的相似性，选择使相似函数最大的候选模型并得到关于目标模型的Meanshift向量，这个向量正是目标由初始位置向正确位置移动的向量。

基于自适应多特征融合的meanshift目标跟踪

关键词目标跟踪; 均值漂移; 特征融合; 核函数直方图; 边缘方向直方图
中图法分类号 T P391. 41
收稿日期: 2008- 07- 01; 修回日期: 2010- 01- 27 基金项目: 中国博士后科学基金项目( 200801493; 20080430223) ; 安徽省自然科学基金项目( 090412043)
1 ( 合肥工业大学计算机与信息学院合肥 2 ( 解放军炮兵学院二系合肥 230031) 3 ( 解放军炮兵学院四系合肥 230031)
2 30 009 )
( yg l6904@ sina. co m)
Mean Shift Object Tracking Based on Adaptive Mult-i Features Fusion
Y uan G uanglin1, 2 , X ue Mo gen1, 3 , H an Y usheng3 , and Zhou Pucheng 3
1 ( School of Comp uter and I nf or mation, H ef ei Univers ity o f T echnology , H ef ei 230009) 2 ( Seco nd Dep ar tment, A r tiller y A cademy of P L A , H ef ei 230031) 3 ( For th Dep ar tr ment, A r tiller y A cademy of P L A , H ef ei 230031)
经典 mean shift 目标跟踪及其改进算法采用单一特征描述目标, 其抗干扰性能较差. 针对这一问题, 并考虑目标跟踪过程中目标与背景的变化, 提出一种自适应特征融合 m ean shift 目标跟踪算法. 该算法利用多个特征( 颜色、灰度、边缘和纹理等) 描述目标, 提高了目标跟踪的鲁棒性和精度; 利用 m ean shif t 进行目标定位, 保证了目标跟踪的实时性; 根据特征对目标与背景区分能力进行自适应特征融合, 适应了目标跟踪过程中目标与背景的变化.

Meanshift和Camshift的比较及在目标追踪中的应用

直观描述meanshift算法
兴趣区域质心
目标：寻找密度最大区域 Distribution of identical billiard balls
Mean Shifቤተ መጻሕፍቲ ባይዱ 优点 &缺点
优点 : 缺点:
Mean Shift作为一种高效的模式匹配算法，由于不需要进行全局搜索，而且搜索精度高，已经广泛地应用在各种模式识别、实时可视跟踪等领域。
缺乏必要的模型更新方法；整个跟踪过程中跟踪窗口的大小保持不变，当目标存在尺度变化的时候会导致尺度定位不准确。
CamShift 算法理论
Camshift算法
• Bradski根据Mean Shift算法的不足，提出了 Camshift算法。CamShift算法，即Continuously Adaptive Mean-Shift算法。 • 基本思想:就是对视频图像的多帧进行MeanShift 运算，将上一帧结果作为下一帧的初始值，迭代下去。 • 该算法采用不变矩对目标的尺寸进行估算，实现了连续自适应地调整跟踪窗口的大小和位置，并将其应用在对连续彩色图像序列中的运动目标的快速跟踪。
CamShift用于目标追踪
将MEANSHIFT算法扩展到连续图像序列，就是CAMSHIFT算法
Camshift用于目标追踪
• CamShift算法，基本思想就是对视频图像的多帧进行MeanShift运算，将上一帧结果作为下一帧的初始值，迭代下去。所以只展示 camshift用于追踪。 • CamShift算法，是一种运动跟踪算法。它主要通过视频图像中运动物体的颜色信息来达到跟踪的目的。 • • • • Camshift算法用于追踪，可以简单分为三步：（1）直方图以及直方图的反投影的计算。（2）Meanshift算法。（3）Camshift算法。

结合稳健估计和Meanshift的视频目标跟踪算法

结合稳健估计和Meanshift的视频目标跟踪算法朱闻亚【摘要】针对Meanshift目标跟踪算法对强噪声环境敏感的问题,提出了一种结合稳健估计和传统Meanshift的修正Meanshift算法.通过稳健估计修正传统Meanshift算法的核概率密度函数,提升Meanshift算法的鲁棒性.针对信噪比分别为60、30和0db的仿真数据,将传统Meanshift算法和修正Meanshift算法的跟踪轨迹准确性和精度进行对比.结果表明,修正Meanshift算法能够实现目标准确跟踪,且跟踪位置的相对误差在1%以下.对于实际运动目标视频数据,所提算法也可以实现实时跟踪定位,克服了传统Meanshift算法目标跟踪丢失的问题.%Aiming at the problem that the Meanshift algorithm is sensitive to the strong noise environment, a modified Meanshift algorithm with combining the robust estimation and traditional Meanshift was proposed.The kernel probability density function of traditional Meanshift algorithm was modified through the robust estimation, and the robustness of Meanshift algorithm got improved.Aiming at the simulation data with signal to noise rate (SNR) of 60, 30 and 0db, the accuracy and precision of the tracking trajectory of both traditional and modified Meanshift algorithms were compared.The results indicate that the modified Meanshift algorithm can achieve the accurate tracking of targets, and the relative error of tracking position is below 1%.For the real video data of moving targets, the proposed algorithm can also realize the real time tracking and positioning, and can overcome the target tracking missing problem of traditional Meanshift algorithm.【期刊名称】《沈阳工业大学学报》【年(卷),期】2017(039)002【总页数】6页(P177-182)【关键词】稳健估计;均值偏移;目标追踪;噪声;核概率密度函数;中位数;误差;视频【作者】朱闻亚【作者单位】武汉大学经济与管理学院, 武汉 430072;义乌工商职业技术学院机电信息学院, 浙江义乌 322099【正文语种】中文【中图分类】TP391视频目标跟踪是计算机视觉领域的常规问题，通过设计软件系统可以实现对视频内特定目标的定位和跟踪.但在实际的使用过程中，因为检测环境场景复杂及视频采集设备的移动，容易使得获取的视频数据存在大量干扰噪声，这些不必要的信息直接影响了目标检测的准确性，使得跟踪任务失败[1-5].基于Meanshift的视频目标跟踪算法可通过设计核函数的方式，更有效地提取出表征目标的特征概率密度函数，是目前视频跟踪算法领域的主要研究对象，并衍生了多种改进算法.例如通过将检测目标的边缘特征融合，从而提高检测准确性[6]；或是对检测目标图像进行分块，然后对每个分块施加更具有针对性的核函数[7]；亦或采用多尺度联合的方式将不同层次的目标特征进行加权组合，从而实现高效跟踪，并且可与卡尔曼滤波、粒子滤波等方法进行融合来进行目标追踪[8-9].这些方法虽提升了目标跟踪的效率和准确性，却仅单一考虑了目标的特征，研究主要着力点均是增强目标特征的提取，却忽视了背景对目标特征的影响.尽管核函数本身可有效地将目标以外的视频像素点的灰度信息进行抑制，但对于存在目标内的噪声、背景干扰以及目标外的强噪声干扰却鲜有帮助.显然，只有对噪声、干扰以及目标的统计特性进行合适地估计，并针对性设计抑制噪声的算法才能更有效地解决上述问题[8-13].本文提出一种结合稳健估计和Meanshift的目标追踪算法，通过稳健估计设计鲁棒性更强的核函数，从而提升Meanshift算法检测的准确性，保证其在强噪声背景下也能准确识别目标.稳健估计[6]从概率统计学上可理解为一种切尾均值估计，切尾均值是对均值的改进，这是因为异常值或离群值会使得均值估计失真，离群值会使得均值偏向自己的一方以寻找平衡点，因而歪曲了均值作为平均水平度量的意义.稳健估计正是通过切尾的方式来规避掉那些极端异常点的影响，可以理解为是去掉极大、极小数据，对其余的数据作平均.例如，切尾率为5%的切尾均值就是指去掉5%的最大值和最小值之后，对剩余90%的数据平均所得到的结果.由此可见，普通均值受到离群值的影响较大，而相比之下中值则比较稳健.对于跟踪的目标信号可理解为按照某种分布来排列的统计概率密度函数，而背景和强噪声数据可以理解为离群值，因此需要一个介于中值估计和均值估计之间的滤波结构，即稳健估计结构.稳健估计可以看作数据向量的中值和均值的一个凸组合，可描述为式中：a∈[0，1]，为干扰系数，一般设置为0.5；和分别为数据均值和中值.给定一个集合X，则其稳健估计方程的数值解为式中：θ为跟踪目标值；n为迭代次数；其中，k为截尾调节参数，通常取值范围为[1.14，1.945].为了得到跟踪目标的估计值θn，一个矩形窗会被用来锁定目标，并迭代估计计算.由文献[6]可以证明，估计的偏差值会服从一个0均值的渐近正态分布，具体表示为式中为分布方差积分函数；F为参数分布函数.通过稳健估计可以得到一种基于目标跟踪的切尾均值概率估计算法，对Meanshift算法中的均值估计过程进行修正，可提高算法对噪声的抵抗能力和跟踪的准确性.经典的Meanshift算法是通过定义一族核密度函数来分别计算目标和跟踪区域内像素的关联度，利用概率密度梯度下降原理，实现跟踪值向计算的核密度均值移动，再通过设置相似度函数，计算关联性.当相似关联度之间的差别小于给定的阈值时，计算收敛，得到跟踪目标的位置.Meanshift变量的一般数学描述为式中：Ω为样本点集合；xi-x为样本点xi相对于选定参考点x的位置偏移量.由于样本采样越靠近参考点x，其相对于估计均值越可靠，常用扩展形式为式中为估计的核均值量；h为窗长调节参数；w(xi)为对应的每个观测点的权重.权重w(xi)的计算依赖于样本点xi在核密度函数上所得的概率数值具体可表示为式中：Ch为归一化常数因子；g为核密度函数的距离函数；δ(f(xi))为delta函数，判定样本点是否属于目标点.本文提出的结合稳健估计与Meanshift算法的关键是对进行修改，引入切尾均值来替换原来的均值.这里综合考虑了采样点的均值和中位数的线性组合，利用式进行修正，其本质是修正了概率估计的核密度函数，使ψ(x)作用于来修正目标区域和背景区域的权重，从而得到修正的稳健Meanshift变量，具体表达式为按照Meanshift算法的一般流程，计算候选目标和目标模型之间的相似度，通常采用Bhattacharrya系数ρ表征候选目标和目标模型之间的匹配度，匹配度越大，则越可能是目标区域.一般采用阈值比较的方式来确定目标位置，当ρ的取值超过一个阈值，或相邻两次计算得到的ρ之间的差值小于一个阈值时，停止迭代，并输出当前目标的位置.为了验证本文提出的目标追踪系统的有效性，文中利用仿真数据和实际拍摄的视频进行了相应的结果验证.具体的仿真参数ρ=0.95，k=1.5，a=0.5，归一化参数Ch 依据每次实际计算迭代更新.仿真数据模拟了一个大小可变的发光体在噪声背景下进行螺旋线运动，仿真数据信噪比分别为60、30和0 db，分别记录传统Meanshift算法与本文提出的修正Meanshift算法对于目标跟踪的轨迹数据，并分析算法得到的数据和实际模拟轨道数据之间的误差.图1展示了用于仿真的螺旋线轨迹，实际选取了500个目标移动位置，每个位置用*型符号表示，仿真的发光体按照图1描绘的轨迹位置移动，其移动距离为无量纲单位，移动范围在x-y平面坐标所形成的矩形内.通过仿真目标的追踪，测试了在信噪比为60和30 db时修正Meanshift算法的跟踪效果，如图2、3所示.当信噪比为0 db时，将传统Meanshift算法与修正Meanshift算法进行跟踪效果比较，如图4、5所示.修正Meanshift算法和经典Meanshift算法虽均能够跟踪目标，但传统算法的跟踪抖动更加明显，且误差更大.进一步减少信噪比后，两者的差异则会更加凸显.当信噪比为0 db时，传统算法在45帧后出现了跟踪目标丢失情况，无法继续跟踪发光小球，而相应的修正算法却始终表现稳健.图6给出了仿真发光体的理论轨迹和实际通过修正方法估计的轨迹对比，可从图6上直观地看出，基于修正方法的估计轮廓和真实数据基本一致，其准确地跟踪出了发光体的运动轨迹.图7给出了实际测量计算得到的目标追踪在横轴和纵轴上的绝对误差；图8给出了修正算法横轴的相对误差，从图8中可看出，整体目标追踪的相对误差被控制在1.5%以内，证明修正算法在强噪声环境下鲁棒的优越性.为了进一步验证本文方法的实用性，在实际的视频数据中进行了测试，目标为一只敲击乐器的手，其手部在从左向右运动的过程中，还伴随了上下位移，同时因为手持敲击器具，器具可看作是识别手部的干扰噪声.传统的Meanshift方法在跟踪时会发生丢失，从第23帧开始无法跟上手部动作，而本文提出的结合稳健估计和Meanshift算法的修正方法表现得更加稳定，能够准确跟踪运动目标，修正算法的跟踪效果如图9所示.本文提出一种结合稳健估计和Meanshift算法的视频目标追踪系统，通过切尾均值替换Meanshift算法中的均值，可以使目标跟踪的稳定度更高，尤其是针对强噪声环境下的目标，本文算法较传统算法表现出了较强的抗干扰能力.下一步的研究主要考虑融合其他滤波算法(例如粒子滤波)来进一步提升追踪的准确性.【相关文献】[1]陈双叶，王善喜.基于五帧差分和改进Meanshift算法的运动目标跟踪 [J].计算机科学，2016，43(增刊1)：203-206.(CHEN Shuang-ye，WANG Shan-xi.Moving object tracking based on five-frame difference and modified Meanshift algorithm [J].Computer Science，2016，43(Sup1)：203-206.) [2]聂振钢，孙协昌，梁银川.基于多特征Mean-Shift的灵巧弹药末制导跟踪算法 [J].微电子学与计算机，2016，33(5)：89-91.(NIE Zhen-gang，SUN Xie-chang，LIANG Yin-chuan.Mechanical trajectory tracking algorithm based on multi-feature Mean-Shift for smart ammunition [J].Microelectronics and Computer，2016，33(5)：89-91.)[3]李扬.基于视频序列的运动目标追踪算法 [J].电子科技，2012，25(8)：125-127.(LI Yang.A moving target tracking algorithm based on video sequence [J].Electronic Science and Technology，2012，25(8)：125-127.)[4]毛晓波，郝向东，梁静.基于ELM与Mean Shift的抗遮挡目标跟踪算法 [J].郑州大学学报(工学版)，2016，37(1)：1-5.(MAO Xiao-bo，HAO Xiang-dong，LIANG Jing.Anti-occlusion target tracking algorithm based on ELM and Mean Shift [J].Journal of Zhengzhou University(Engineering Science)，2016，37(1)：1-5.)[5]王强.基于视觉传感网络的目标跟踪系统设计 [J].现代电子技术，2016，39(8)：88-91. (WANG Qiang.Design of target tracking system based on vision sensor network[J].Modern Electronics Technology，2016，39(8)：88-91.)[6]Guo Y F.Robust statistic and comparative analysis of the robustness of the statistic [J].Statistical Research，2007(9)：82-84.[7]Cheng Y.Meanshift mode seeking clustering [J].IEEE Transactions on Pattern Analysis &Machine Intelligence，1995，17(8)：790-799.[8]Salhi A.Object tracking system using Camshift，Meanshift and Kalmanfilter [J].World Academy of Science Engineering &Technology，2012，64(6)：574-578.[9]Lei B.Design and realization of the tracking system based on Meanshift algorithm [J].Electronic Mea-surement Technology，2016(8)：98-105.[10]Morandeira N S，Grimson R，Kandus P.Assessment of SAR speckle filters in the context of object-based image analysis [J].Remote Sensing Letters，2016，7(2)：150-159.[11]Razavi S F，Sajedi H，Shiri M E.Integration of color and uniform interlaced derivative patterns for object tracking [J].Image Processing，2016，10(5)：381-390.[12]尤天来，卓炳荣.基于自适应尺度的Mean-shift跟踪算法 [J].现代电子技术，2011，34(10)：95-97.(YOU Tian-lai，ZHUO Bing-rong.A Mean-shift tracking algorithm based on adaptive scale [J].Modern Electronics Technique，2011，34(10)：95-97.)[13]王保云，范保杰.基于颜色纹理联合特征直方图的自适应Meanshift跟踪算法 [J].南京邮电大学学报(自然科学版)，2013，33(3)：18-25.(WANG Bao-yun，FAN Bao-jie.Adaptive Meanshift tracking algorithm based on color texture combined with feature histogram [J].Journal of Nanjing University of Posts and Telecommunications(Natural Science Edition)，2013，33(3)：18-25.)。

目标跟踪meanshift

f y f p y, q ?
Bhattacharyya 系数
q q1 , , qm
p y p1 y, , pm y
q
1
y
1
p y
f y cosy
p yT q p y q
m

u 1
• k表示在这n个样本点中,有k个点落入Sh 区域中.
Mean Shift示意图
直观描述
感兴趣区域质心
目的：找出最密集的区域完全相同的桌球分布
Mean Shift 矢量
直观描述
感兴趣区域
质心
目的：找出最密集的区域完全相同的桌球分布
Mean Shift 矢量
直观描述
感兴趣区域质心
Objective : Find the densest region Distribution of identical billiard balls
数据最密集的地方，对应于概率密度最大的地方。我们可以对概率密度求梯度，梯度的方向就是概率密度增加最大的方向，从而也就是数据最密集的方向。
令
,假设除了有限个点，轮廓函数的梯度对所
有
均存在。将作为轮廓函数，核函数为：

fh,K
x

2ck ,d nhd 2
n i 1
目标跟踪——meanshift
Meanshift背景
Mean Shift 这个概念最早是由Fukunaga 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.

跟踪窗口自适应的Mean Shift跟踪

跟踪窗口自适应的Mean Shift跟踪颜佳;吴敏渊;陈淑珍;张青林【期刊名称】《光学精密工程》【年(卷),期】2009(017)010【摘要】传统的Mean Shift跟踪算法在目标发生形变时会因跟踪窗不能动态改变尺寸而导致目标跟偏甚至跟丢,因此本文提出了一种新的跟踪窗口大小和方向自适应的改进算法.首先,采用跟踪窗口内协方差矩阵主分量分析法来计算跟踪目标的方向和尺寸大小;然后,联合相似性度量和卡尔曼滤波器来更新跟踪窗口的大小和方向倾角,使之适应目标的变化.实验显示,本算法可对不断旋转和缩放的运动目标进行准确实时跟踪,当目标尺寸在35 pixel×17 pixel到176 pixel×80 pixel之间变化时,平均处理时间为17.45 ms/frame,表明改进的算法能够满足非刚体目标跟踪系统的要求.【总页数】6页(P2606-2611)【作者】颜佳;吴敏渊;陈淑珍;张青林【作者单位】武汉大学,电子信息学院,湖北,武汉,430079;武汉大学,电子信息学院,湖北,武汉,430079;武汉大学,电子信息学院,湖北,武汉,430079;武汉大学,电子信息学院,湖北,武汉,430079【正文语种】中文【中图分类】TP391【相关文献】1.跟踪窗口尺度自动更新的Mean-Shift跟踪算法 [J], 皇甫高峻;费树岷2.基于PF的窗口自适应Mean-Shift跟踪算法 [J], 张万绪;姜卫琳;张晓军3.目标窗口尺寸自适应变化的Mean-Shift跟踪算法 [J], 林庆;陈远祥;王士同;詹永照4.跟踪窗自适应的Mean Shift目标跟踪算法 [J], 刘晴;唐林波;赵保军5.自适应窗口选取的Mean-Shift目标跟踪 [J], 王明佳;武治国;韩广良;王延杰;张叶因版权原因，仅展示原文概要，查看原文内容请购买。

带宽自适应的MeanShift目标跟踪算法

带宽自适应的MeanShift目标跟踪算法王年;丁业兵;唐俊;鲍文霞【期刊名称】《华南理工大学学报（自然科学版）》【年(卷),期】2011(039)010【摘要】针对传统均值漂移(Mean Shift)目标跟踪算法中核函数带宽缺乏良好自适应调整的缺点,提出了自适应调整核函数带宽的Mean Shift目标跟踪算法.该算法首先采用核函数计算目标颜色特征值的概率密度,在视频当前帧目标的最优位置区域由目标颜色特征概率投影生成目标概率密度分布图；然后根据概率密度零阶矩值调整下一帧跟踪窗口宽度,从而实现核函数带宽的自适应调整；最后通过矩运算计算椭圆参数,用椭圆锁定目标来实现复杂背景下目标的空间、尺度和方向定位.人脸跟踪实验结果表明:与传统MeanShift目标跟踪算法相比,文中算法可以实时地对目标进行缩放锁定,且能够估计目标姿态；与Cam Shift算法相比,文中算法抵抗相似颜色干扰的性能较好.%In this paper, a new mean-shift target tracking algorithm is proposed to improve the kernel function bandwidth-adaptive ability of the traditional one. First, the probability density of the eigenvalue of the target color is derived by employing the kernel function. Next, a distribution image of the target probability density is projected on the new optimal location of the target in the current video frame. Then, according to the zeroth-order moment of the probability density distribution, the width of the tracking window in the next frame is adjusted. Thus, the adaptive bandwidth of kernel function is achieved. Finally, the ellipse parameters derived by means of the moment operation are adopted tolock the tracking target, thus achieving the target position in space, scale and direction in a complex background. Face-tracking experimental results show that, as compared with the conventional algorithm, the proposed one can achieve real-time scaling and locking of the target and estimate the target attitude, and that, it is superior to the Cam Shift algorithm in terms of resistance to the interference of similar color.【总页数】6页(P44-49)【作者】王年;丁业兵;唐俊;鲍文霞【作者单位】安徽大学电子信息工程学院,安徽合肥230039;安徽大学电子信息工程学院,安徽合肥230039;安徽大学电子信息工程学院,安徽合肥230039;安徽大学电子信息工程学院,安徽合肥230039【正文语种】中文【中图分类】TP391【相关文献】1.自适应HLBP纹理特征的Meanshift目标跟踪算法 [J], 杜静雯;黄山;杨双祥2.基于惯量矩的自适应带宽Mean Shift目标跟踪算法 [J], 丁业兵3.基于转动惯量的自适应带宽目标跟踪算法 [J], 丁业兵4.各向异性带宽自适应水面运动目标跟踪算法 [J], 金巧园;万磊;盛明伟;唐松奇5.带宽自适应的均值漂移红外目标跟踪算法 [J], 王寿峰;白俊奇因版权原因，仅展示原文概要，查看原文内容请购买。

基于目标模型自适应更新的meanshift跟踪算法

技术创新中文核心期刊《微计算机信息》（管控一体化）２００７年第２３卷第２－３期３６０元／年邮局订阅号：８２－９４６《现场总线技术应用２００例》控制管理基于目标模型自适应更新的m ean shift 跟踪算法ＭｅａｎＳｈｉｆｔＴｒａｃｋｉｎｇＡｒｉｔｈｍｅｔｉｃＢａｓｅｄｏｎＡｄａｐｔｉｖｅＵｐｄａｔｅｏｆＯｂｊｅｃｔＭｏｄｅｌ（１．中国科学院长春光学精密机械与物理研究所；２．中国科学院研究生院）徐莹１，２张旭光１，２王延杰１ＸＵＹＩＮＧＺＨＡＮＧＸＵ－ＧＵＡＮＧＷＡＮＧＹＡＮＪＩＥ摘要：本文提出一种自动更新ｍｅａｎｓｈｉｆｔ跟踪模型的算法。

该算法采用Ｋａｌｍａｎ滤波对跟踪系统下一帧的目标模型进行预测，通过对滤波残余误差样本的假设检验，提出一种更新机制。

实验结果表明，跟踪系统可以在目标被遮挡或形状改变的情况下，有效地更新目标模型，实现实时目标跟踪。

关键词：ｍｅａｎｓｈｉｆｔ算法；Ｋａｌｍａｎ滤波；模型更新；假设检验中图分类号：ＴＰ３９１文献标识码：ＡＡｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａａｒｉｔｈｍｅｔｉｃｔｈａｔａｕｔｏｍａｔｉｃａｌｌｙｕｐｄａｔｉｎｇｍｅａｎｓｈｉｆｔｔｒａｃｋｉｎｇｍｏｄｅｌ．ＴｈｉｓｋｉｎｄｏｆａｒｉｔｈｍｅｔｉｃｕｓｅｓｔｈｅＫａｌｍａｎｆｉｌｔｅｒｆｏｒｅｓｔｉｍａｔｅｔｈｅｏｂｊｅｃｔｍｏｄｅｌｉｎｔｈｅｎｅｘｔｆｒａｍｅｏｆｔｈｅｔｒａｃｋｉｎｇｓｙｓｔｅｍ，ａｎｄｐｒｅｓｅｎｔｓａｒｏｂｕｓｔｃｒｉｔｅｒｉｏｎｗｉｔｈｔｈｅｔｈｙ－ｐｏｔｈｅｓｉｓｔｅｓｔｉｎｇｗｉｔｈｔｈｅｓａｍｐｌｅｓｆｒｏｍｔｈｅｆｉｌｔｅｒｉｎｇｒｅｓｉｄｕａｌｓ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｔｒａｃｋｉｎｇｓｙｓｔｅｍｃａｎｅｆｆｅｃｔｉｖｅｌｙｕｐｄａｔｅｔｈｅｏｂｊｅｃｔｍｏｄｅｌｕｎｄｅｒｔｈｅｃｉｒｃｕｍｓｔａｎｃｅｓｏｆｓｅｖｅｒｅｏｃｃｌｕｓｉｏｎｏｒａｐｐｅａｒａｎｃｅｃｈａｎｇｅ，ａｎｄａｃｈｉｅｖｅｏｂｊｅｃｔｔｒａｃｋｉｎｇｉｎｔｉｍｅ．ＫｅｙＷｏｒｄｓ：Ｍｅａｎｓｈｉｆｔａｒｉｔｈｍｅｔｉｃ，Ｋａｌｍａｎｆｉｌｔｅｒ，Ｍｏｄｅｌｕｐｄａｔｅ，ｔＨｙｐｏｔｈｅｓｉｓｔｅｓｔ．文章编号：１００８－０５７０（２００７）０２－３－００１２－０２１引言近年来，可视目标跟踪在监控、导弹跟踪、自动视频分析等领域得到广泛应用。

跟踪窗口尺度自动更新的Mean—Shift跟踪算法

起始点，续计算均值偏移向量，续移动，到满足一定的条继继直件迭代结束。１２ＭｅｎＳｉ跟踪算法ｌａ — ｈｔｆ
决定了跟踪的精度。献［— 】文２４对该算法中核窗宽的选取提出了改进。文献［】别以核窗宽确定的原始跟踪窗口、窗宽做正２分核
ｆａｔｅｏｆｉａＡ。ｅｕｒｍｇｅ，ｍｅｔｏｄｆａｎｈｏｂｄｗｉｈｄｔａｄｔｉｉｔｏｃｅｎｔｉｐａｒａｐｉｖｅｓｎｒｄｕｄｉｈｓｐｅ．Ｋｅｗｏｒｓ：ｙｄＭｅａｎ－Ｓｈｆ，ｒｔｔａｃｉｇ，ｅｎｂａｉｔｇｅｒｋｎｋｒｅｌｎｄｗｉｈ，ｏｎｏｕｔａｄｔｃｔｒ
标逐渐变大或变小的情况下没有能力阻止尺寸继续变大或变
小，而失去对目标的跟踪。对这两个问题本文提出了一种新从针的自动选择带宽方法，验表明，方法能够准确地跟踪目标，实该并且能够保证一定的实时性。１基于传统ＭｅｎＳｉ跟踪算法的运动目标跟踪ａ — ｈｆｔ
对应的，ａ — ｈｆ向量Ｍｈｘ应该指向概率密度梯度的方向。ＭｅｎＳｉｔ（）所谓的ＭｅｎＳｉ算法是一个迭代的步骤，先算均值偏移向量，动该点到其均值偏移处，后以此为新的移然
《业控制计算机￣０９年２工２０２卷第１期１

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)。

第３４卷第２期２０１２年２月
）文章编号：１００１５０６Ｘ（２０１２０２０４０９０４－－－
系统工程与电子技术ＳｓｔｅｍｓＥｎｉｎｅｅｒｉｎａｎｄＥｌｅｃｔｒｏｎｉｃｓｙｇｇ
［］２７－［１］
最佳跟踪ａ％增量跟踪窗和负ａ％增量的跟踪窗进行跟踪，窗的判断标准为Ｂｈａｔｔａｃｈａｒａ系数最大。增量试探法需ｙｙ要执行３次Ｍ计算量大；实验发现，该方法ｅａｎＳｈｉｆｔ算法，只能较好地跟踪尺寸逐渐缩小的目标，当目标尺寸超出窗口大小时容易跟踪失败。第二类：将仿射变换与Ｍｅａｎ［］９１０－。这类方法首先利用角Ｓｈｉｆｔ算法相结合进行目标跟踪点匹配算法提取目标匹配的特征点，求解仿射参数；再利用计算ＭｅａｎＳｈｉｆｔ算法进行目标定位。这类方法计算繁琐，且不适于特征点少的目标和非刚性物体的跟踪。量很大，第三类：将ＭｅａｎＳｈｉｆｔ算法与其他算法相结合进行目标跟］踪。文献［将粒子滤波算法与Ｍ１１ｅａｎＳｈｉｆｔ算法相结合，］文献［将Ｌ１２ｉｎｄｅｂｅｒｅａｎＳｈｉｆｔ算法相结ｇ的尺度理论与Ｍ合，这类算法计算量很大，计算复杂，实时性不高。本文将目标几何特征引入到运动目标的跟踪过程中，根据目标几何特征的变化自动更新跟踪窗大小。目标的大小与跟踪窗的大小密切相关，目标变大跟踪窗扩大，目标变小跟踪窗缩小，因此根据几何特征中目标面积变化实时更
提出一种将ＭｅａｎＳｈｉｆｔ算法不能很好地跟踪尺度变化目标的缺点，ｅａｎＳｈｉｆｔ算法和目标几何摘要：针对Ｍ特征相结合的目标跟踪算法。该方法在Ｍ根据目标的面积和型心坐标对ｅａｎＳｈｉｆｔ框架下提取目标的几何特征，跟踪窗的位置和大小进行修正，最后更新Ｍ改进的算法能很好地ｅａｎＳｈｉｆｔ的目标模板。通过大量实验仿真证明，对目标的仿射变化和非刚性的形态变化具有有效性和鲁棒性。跟踪尺度变化的目标，；几何特征；跟踪窗自适应关键词：目标跟踪；ＭｅａｎＳｈｉｆｔ：／中图分类号：ＴＰ３文献标志码：ＡＤＯＩ１０．３９６９５０６Ｘ．２０１２．０２．３６．ｉｓｓｎ．１００１－ｊ
，ｓｉｚｅｏｆｔｒａｃｋｉｎｗｉｎｄｏｗａｃｃｏｒｄｉｎｔｏｔａｒｅｔａｒｅａａｎｄｃｏｒｅｃｏｏｒｄｉｎａｔｅ．ＦｉｎａｌｌｔｈｅＭｅａｎＳｈｉｆｔｔａｒｅｔｔｅｍ－ａｎｄｇｇｇｙｇｌａｔｅｒｏｏｓｅｄｏｏｄｉｓｕｄａｔｅｄ．Ａｌａｒｅｎｕｍｂｅｒｏｆｓｉｍｕｌａｔｉｏｎｅｘｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅａｌｏｒｉｔｈｍｉｓａｔｔｒａｃｋｉｎｐｐｐｇｐｇｐｇｇ，ｓｃａｌｅｍｏｔｉｏｎｓａｎｄｉｓｒｏｂｕｓｔａｎｄｅｆｆｅｃｔｉｖｅｔｏｔａｒｅｔａｆｆｉｎｅｍｏｔｉｏｎｓａｎｄｎｏｎｒｉｉｄｓｈａｅｃｈａｎｅｓ．ｔａｒｅｔ－ｇｇｐｇｇ：；Ｍ；；ＫｅｗｏｒｄｓｔａｒｅｔｔｒａｃｋｉｎｅａｎＳｈｉｆｔｃｈａｒａｃｔｅｒｉｓｔｉｃａｄａｔｉｖｅｔｒａｃｋｉｎｗｉｎｄｏｗｅｏｍｅｔｒｉｃａｌｇｇｐｇｇｙ
是一种基于密度梯
度的无参估计算法，因其实时性好，易于其他算法集成而广。但ＭｅａｎＳｈｉｆｔ算法也有不足当目标有尺之处： ① 跟踪过程中跟踪窗的大小保持不变，度变化时，容易定位偏差甚至跟踪失败； ② 缺乏必要的模板更新机制； ③ 灰度直方图对目标特征的描述能力比较弱，当目标的灰度和背景的灰度分布相似时，算法效果欠佳。本文主要针对前两点不足进行改进，以跟踪窗尺度更新为主，模板更新为辅。目前，对Ｍ主ｅａｎＳｈｉｆｔ跟踪窗尺度改进的方法有很多，要分为以下三类。第一类：采用正负ａ％增量试探法对跟踪窗进行纠正的方法
Ｖｏｌ．３４Ｎｏ．２Ｆｅｂｒｕａｒ０１２ｙ２

跟踪窗自适应的ＭｅａｎＳｈｉｆｔ目标跟踪算法
刘晴，唐林波，赵保军
（）北京理工大学信息与电子科学学院，北京１０ ห้องสมุดไป่ตู้ ０８１
ｘ０－ｘｉ２ｋ（ｂ（ｘ｜｜）－ｕ］＋ δ［ｑｕ＝Ｃｉ） ∑ ｈｉ＝１
ｎｉ＝ｌ１＋
ｍ
ｂ（ｘ）－ｕ］ ∑０＊δ［
ｉ
（）３
式中，ｍ表示目标像素点的个数；ｎ－ｌ表示背景像素点的个）。数。其余参数的含义同式（１２．１．２候选者特征的提取候选者特征的提取按照传统ＭｅａｎＳｈｉｆｔ算法中的方式）进行，如式（所示。１２．２尺度更新２．２．１几何特征的提取］对跟踪窗口内的像素点，采用文献［中的迭代投影算法１５。用目提取目标的外接四边形面积Ａ和目标型心坐标（ｘ，ｙ）标外接四边形的面积近似表示目标的面积。２．２．２尺度更新的判决假设上一帧图像提取的目标面积为Ａ本帧图像提ｋ－１，可以用取的目标面积Ａｋ。因为目标的面积不会发生突变，）。式（进行判断。若相邻两帧目标的面积变化满足式（４４））则按式（确定跟踪窗尺度更新的比例Ｓ，更新当前帧跟踪５窗口的高度Ｈ和宽度Ｗ，并以提取的型心坐标作为Ｍｅａｎ；（），算法的起始点若面积变化不满足式则认为窗口Ｓｈｉｆｔ４内的目标有重叠，不做窗口更新，仍以上一帧的预测结果作为ＭｅａｎＳｈｉｆｔ算法的起始点。
：，ｂｓｔｒａｃｔＡｉｍｉｎａｔｔｈｅｄｅｆｉｃｉｅｎｃｏｆｔｈｅＭｅａｎＳｈｉｆｔａｌｏｒｉｔｈｍｉｎｔｒａｃｋｉｎｔａｒｅｔｓｃａｌｅｍｏｔｉｏｎｓａＭｅａｎＡｇｙｇｇｇｔｒａｃｋｉｎａｌｏｒｉｔｈｍｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｔａｒｅｔｅｏｍｅｔｒｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｉｓｒｏｏｓｅｄ．ＩｎｔｈｅｆｒａｍｅｗｏｒｋｏＳｈｉｆｔｇｆｇｇｐｐｇ，ＭｅａｎＳｈｉｆｔｔｈｅｒｏｏｓｅｄａｌｏｒｉｔｈｍｅｘｔｒａｃｔｓｔｈｅｅｏｍｅｔｒｉｃｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｔａｒｅｔａｎｄｍｏｄｉｆｉｅｓｔｈｅｏｓｉｔｉｏｎｐｐｇｇｇｐ
０引言
运动目标的跟踪一直是计算机视觉领域研究的热点问在视频监控、物体识别、导航制导等领域有广泛的应用。题，如何在各种复杂的环境下对运动目标进行有效地跟踪是目标跟踪的研究重点。ＭｅａｎＳｈｉｆｔ算法泛的应用于目标跟踪中
ＡｌｏｒｉｔｈｍｏｆｔａｒｅｔｔｒａｃｋｉｎｂａｓｅｄｏｎＭｅａｎＳｈｉｆｔｇｇｇａｄａｔｉｖｅｔｒａｃｋｉｎｗｉｎｄｏｗｗｉｔｈｐｇ
１０· · ４
系统工程与电子技术
第３４卷

新跟踪窗口的大小；当目标尺度变化较大时，初始帧选定的目标模板不能正确反映目标的特征，跟踪的定位误差较大，在每帧跟踪结束时采用背景直方图统计法对目标模板进行更新就可以解决这个问题。该算法首先根据相邻两帧目标面积变化来更新窗口的尺寸；在此基础上，利用目标型心坐标对目标进行先期的粗略定位，确定ＭｅａｎＳｈｉｆｔ算法跟踪的起始点；在Ｍ选择性能最优ｅａｎＳｈｉｆｔ算法的求解过程中，组合的目标特征和候选者特征，减少匹配的迭代次数，提高最后对跟踪模板进行更新。匹配的精确度，］借鉴文献［中方法，对不同的像素点采取不同的权重方式。１４对于目标像素点，进行核函数加权的直方图统计；对于背景像。目标灰度直方图统计的公式如下：素点，取其权重为０