基于均值偏移的視頻目標跟蹤、檢測算法研究及系統(tǒng)實現(xiàn).pdf

1、視頻目標跟蹤是計算機視覺研究領域的一個重要組成部分,它融合了模式識別、人工智能以及自動化控制等諸多相關領域的知識。視頻目標跟蹤是從視頻中提取目標位置信息、跟蹤目標的技術,可用于智能視頻監(jiān)控、基于視頻的人機交互、自動駕駛、農業(yè)自動化和醫(yī)學圖像等領域。近年來均值偏移算法在視頻目標跟蹤中的應用引起了人們極大的關注,它具有實時性好、對目標變形不十分敏感、魯棒性好等特點。但它也存在一些不足之處,如窗寬不能自適應、不能有效跟蹤快速和大面積遮擋的目標

2、、需要人工初始化跟蹤等。均值偏移算法主要有兩個版本:標準Mean Shift算法和CarnShift算法。本文根據(jù)均值偏移算法在視頻目標跟蹤中的應用為主線,針對性地對這些缺陷做了較好的改進。論文主要內容和創(chuàng)新如下:
　　 (1)詳細研究了Mean Shift算法在視頻目標跟蹤領域中的應用,利用仿射性變換求參數(shù),較好地解決了算法中窗寬自適應的問題。
　　 (2)提出了一種基于張量梯度直方圖的Mean Shift算法。傳統(tǒng)M

3、ean Shift算法是在顏色特征空間上建模,當目標和背景相似時容易跟蹤失敗,但此時目標的空間紋理信息卻可能有很好地區(qū)分目標和背景的能力,本文提出了張量梯度直方圖方法不但利用目標的紋理信息而且將目標的紋理從三維空間直接映射到一維空間,減少計算量,提高了目標和背景顏色相似情況下的跟蹤效果。
　　 (3)為了解決快速目標跟蹤和目標被遮擋問題,本文利用Kalman濾波器對目標在下一幀中的狀態(tài)進行預測,并將此預測值作為均值偏移算法搜索目

4、標的起始點。本文提出利用相似性系數(shù)或Kalman殘差與閾值進行對比,當相似性系數(shù)或Kalman殘差小于某個閾值時就認為目標被遮擋,此時只利用Kalman預測算法進行跟蹤直到目標重新出現(xiàn)。
　　 (4)利用AdaBoost目標檢測方法將目標事先離線學習并取得目標的特征,在視頻序列中根據(jù)目標特征自動檢測出目標再跟蹤,解決了目標自動初始化問題。
　　 (5)在OpenCV框架上,設計并完成了一個實驗性的視頻目標跟蹤軟件系統(tǒng),采