一種基于MeanShift的目標跟蹤算法的研究.pdf

1、自從電子計算機問世之后,智能化工具越來越多的提高的人們的生活水平和生產(chǎn)效率,傳統(tǒng)的人工已經(jīng)逐步被其代替。近年來,由于人們對自身和公共安全以及其他方面的考慮,動態(tài)視頻序列中運動目標的檢測在視頻監(jiān)視系統(tǒng)、交通自動監(jiān)控、目標檢測與跟蹤、目標識別等領域有著十分重要的應用。
　　 視頻中的目標由于其運動性及周圍環(huán)境的影響,使得對目標的跟蹤算法越來越受到人們的關注。對于目標視頻的提取,是由攝像頭來實現(xiàn)的,由于攝像頭的可動性,目標的跟蹤算法分

2、為兩個方向:1、靜態(tài)背景下的目標跟蹤;2、動態(tài)背景下的目標跟蹤。而這兩種跟蹤算法又有很大的不同。前者由于變化的只是需要跟蹤的目標,而背景基本保持不變,所以更多的是利用以背景差分法為基礎的;后者是在攝像頭隨時轉(zhuǎn)動的情況下達到對目標跟蹤的目的,由于攝像頭的變化導致了背景的變化,此時靜態(tài)背景下的目標跟蹤算法就失去跟蹤效果,因此需要尋找一種新的算法達到跟蹤的目的。
　　 在動態(tài)背景下的目標跟蹤更多是基于MeanShift(均值漂移)而研

3、究的算法,論文首先對當前跟蹤算法的發(fā)展進行簡單的介紹,為本文研究內(nèi)容提供一個理論基礎及研究背景。
　　 論文的第二部分簡要的介紹下靜態(tài)背景下的目標跟蹤的實現(xiàn)所用的方法,以更好的了解和區(qū)分動態(tài)背景下目標跟蹤的不同,同時給出靜態(tài)背景下的仿真結(jié)果。
　　 論文的第三部分闡明動態(tài)背景算法基礎所用到的MeanShift理論,這是研究動態(tài)背景下目標跟蹤的最基礎理論,以更好的從數(shù)學理論方面理解此種情況下,目標跟蹤的方法。
　　

4、 由于基本的跟蹤方法并不能完全滿足對目標跟蹤的準確性,因此通過用kalman與MS結(jié)合的方法,提高對目標跟蹤的準確性,論文的第四部分就主要介紹kalman基本理論。
　　 針對前兩章對目標跟蹤的缺點,作者提出了一種改進的算法,來提高算法的準確性,以更好的完成在動態(tài)背景下運動目標的跟蹤。同時將三種跟蹤方法進行了實驗仿真,比較了結(jié)果,對跟蹤效果給以直觀的描述。
　　 本文最后對自己的工作做了總結(jié),指出存在的問題和進一步的研究