基于Mean Shift的長時間目標跟蹤.pdf

1、運動目標跟蹤問題涉及到計算機圖像處理、模式識別以及人工智能等諸多領域,是一門交叉性很強的學科。被跟蹤目標本身形狀的多樣性、所處環(huán)境的復雜性和跟蹤過程中的遮擋問題以及光照變化,都構成了限制跟蹤算法魯棒性的關鍵因素。因此研究一種實時性、魯棒性好的運動目標跟蹤方法依然是該領域面臨的一個巨大挑戰(zhàn)。
　　 本文首先研究了傳統(tǒng)Mean-shift算法的目標跟蹤問題,通過實驗證明了傳統(tǒng)Mean-shift算法在背景復雜,遮擋等情況下可能發(fā)生的

2、跟蹤失敗的現(xiàn)象。在此基礎上我們提出了改進的Mean-shift跟蹤算法。為了改進目標的顏色與背景顏色分布相似的情況,我們引入了基于強角點顏色特征的Mean-shift目標跟蹤算法,與傳統(tǒng)的Mean-shift算法跟蹤候選區(qū)域所有的像素不同,只跟蹤使用Harris算子提取算法提取出的特征點,利用少量關鍵點建立目標模型,去除目標和背景中的光滑部分,抑制背景對目標定位造成的干擾,從而改進Mean-shift算法的跟蹤性能。之后,本文將Mean

3、-shift算法引入卡爾曼濾波框架,在卡爾曼濾波預測的目標位置上,進行Mean-shift算法迭代。如果Mean-shift算法跟蹤效果比較好,則采用Mean-shift算法的迭代位置作為目標跟蹤系統(tǒng)的目標位置,如果Mean-shift算法跟蹤效果不好,則采用卡爾曼濾波的預測位置作為目標位置。在此基礎上更新卡爾曼濾波器的狀態(tài)。
　　 最后,為了解決在目標跟蹤失敗的情況下如何重新找到目標的問題,我們將跟蹤、學習、檢測算法結合起來。

4、具體步驟如下:跟蹤器逐幀跟蹤目標,并在跟蹤過程中標記出目標正樣本和背景負樣本用來訓練檢測器;檢測器在每一視頻幀中獨立檢測出目標所在的位置,并在需要的時候更新跟蹤器;學習過程評估檢測器的錯誤并且更新檢測器以防止錯誤的累積。在學習過程中我們使用生長剪枝過程來評估檢測器的正負樣本錯誤。剪枝過程用來判斷檢測器未識別出的樣本,生長過程用來判斷檢測器的檢測錯誤。
　　 本文實驗部分選用不同的視頻序列對改進的算法做了理論分析和實驗仿真,實驗結