基于KDE和Mean Shift的視頻目標跟蹤技術(shù)研究.pdf

1、視頻跟蹤主要包含目標表示和目標定位兩部分。比較常用的目標表示方法是顏色核直方圖，它采用核密度估計（Kernel Density Estimate）方法估計目標的顏色概率密度分布函數(shù)。以顏色核直方圖表示目標，我們可以選用不同的目標定位方法，比較常用的有均值漂移（Mean Shift，MS）和粒子濾波（Particle Filter，PF）。然而MS方法無法跟蹤快速運動的、尺寸變化的、有遮擋的目標；PF方法需要大量粒子，跟蹤速度慢。將兩者結(jié)

2、合可以彌補雙方的缺陷。但是，當目標尺度進行非連續(xù)變化時，由于粒子退化現(xiàn)象，兩者結(jié)合的跟蹤方法也無法順利跟蹤。
　　 本文提出一種嵌入尺度可變均值漂移的粒子濾波方法，將尺度可變均值漂移算法引入到粒子的擴散過程中，引導粒子擴散到后驗密度函數(shù)的高密度區(qū)，以減少所需的粒子數(shù)。同時，利用對數(shù)極坐標圖像的尺度不變性，在粒子擴散過程中指導粒子同時進行位置、尺度空間漂移，從而實現(xiàn)對非連續(xù)尺度變化目標的跟蹤。單純使用顏色信息表示目標，存在著嚴重缺

3、陷。特別地，當目標表觀變化較為激烈時，顏色信息的可靠性下降，這些跟蹤器將會跟蹤失敗。而融合多種信息表示目標，可以彌補這些缺陷。對此，本文介紹了另一個跟蹤器，它使用顏色和邊界信息表示目標，用梯度下降法搜索得分函數(shù)的極值，得分函數(shù)由顏色得分部分和邊界得分部分組成。接著，通過多組實驗分析影響該跟蹤器性能的因素。發(fā)現(xiàn)在跟蹤過程中使用固定的權(quán)重，是使得該跟蹤器在某些情況下跟蹤失敗的主要原因。為了解決這個問題，本文提出一些改進策略，包括邊界得分權(quán)重