基于Meanshift和Kalman算法的多目標跟蹤.pdf

1、多目標跟蹤是計算機視覺領(lǐng)域里一個重要的研究課題。它在軍事視覺制導、交通管制、校園和小區(qū)的視頻監(jiān)控等領(lǐng)域中有著廣泛的應用。但同時，跟蹤過程中背景環(huán)境的復雜性，跟蹤精度與速度的平衡性以及遮擋等問題，都使得完成精準快速的有效跟蹤是一個要繼續(xù)面臨的挑戰(zhàn)。
　　本文首先研究了Meanshift算法在多目標跟蹤中的應用，通過實驗得到，該方法在使用單一特征跟蹤目標時，在背景對目標產(chǎn)生強烈干擾的情況下，會發(fā)生跟蹤丟失的現(xiàn)象。在此基礎(chǔ)上，本文對算法

2、進行了改進。以目標和背景的區(qū)分度作為評判準則，認為區(qū)分度最大的特征是把目標從背景中分割出來的最佳特征，分別計算 RGB顏色特征、LBP紋理特征以及Canny邊緣特征下目標和背景的區(qū)分度，并通過粒子群優(yōu)化算法計算每種特征的權(quán)值也即對分割目標的貢獻度，之后對各特征進行加權(quán)獲得綜合特征，以該特征作為Meanshift算法中迭代計算目標位置特征。改進后的方法包含了多種特征信息，且每次都能找到最優(yōu)的權(quán)值分配，依靠特征之間的互補性，使得在復雜背景下

3、跟蹤目標更精確。其次，針對上述方法使用大量的信息導致不能滿足跟蹤實時性的問題，使用串行特征迭代的策略，在 Menashift算法的第一次迭代中使用融合后的綜合特征來計算目標模型和候選目標模型，計算一次迭代后目標所在的位置，從第二次以后，從融合之前的各特征中選出權(quán)值最大的一種特征，也即分割目標和背景最可靠的特征作為迭代特征，迭代計算直到確定目標在當前幀中的位置。因為在除第一次之外的每次迭代中都只使用了一種特征，所以和之前使用綜合特征迭代相

4、比，大大減小了計算量，并且選擇了可靠性最高的一種特征來判斷，在提高了跟蹤精準度的同時，也保證了算法的實時性。最后，在上述方法的基礎(chǔ)上，引入了卡爾曼濾波的方法對其進行優(yōu)化，分別使用上述方法和卡爾曼濾波器進行目標位置的計算，并設(shè)置閾值與兩種算法計算得到的位置差進行比較，位置差小于閾值時，取兩個位置的中值作為當前幀目標的位置，否則，選擇與目標模板相似度大的位置做為當前幀的目標位置。由模板相似度和濾波器殘差判斷出目標發(fā)生遮擋時，使用卡爾曼濾波預