目标跟踪是指在一段视频序列中寻找与指定目标最相似的内容,是计算机视觉的一个重要研究方向。它在智能监控、人机交互、基于目标的图像压缩和国防工业中有着广泛的应用。在视觉跟踪领域中,mean shift算法由于其原理简单、容易实现、实时性较好和良好的跟踪性能,近年来受到了广泛关注。Mean shift算法是一种基于统计概率密度统计的梯度上升算法,它出色地解决了相邻两帧中运动目标的匹配问题,具有快速和有效的特点。在跟踪的过程中,被匹配的目标通常由用户在第一帧通过手工的方式选定,并对目标的颜色进行核函数直方图建模。在接下来的视频序列中,利用Bhattacharyya系数迭代地计算候选目标与被匹配目标的相似性,使得具有最大相似性的候选目标位置成为目标的最终位置。但是,由于mean shift算法是对目标的颜色进行建模,故当目标被部分或完全遮挡,或者目标在连续两帧图像中没有重叠时,该算法就会收敛到局部最优,造成跟踪性能下降。由于mean shift算法存在这些方面的不足,mean shift算法通常不作为单独的跟踪算法,而是同别的算法相结合。本文将mean shift引入到粒子滤波框架下,结合粒子滤波在处理目标跟踪时所具有的非线性、非高斯和多峰特征。提出mean shift算法和粒子滤波的建议分布分别采样一部分粒子共同决定目标的状态,如果mean shift采样的粒子更接近目标的真实状态,则将mean shift采样的粒子替换由建议分布采样的同等数目的粒子;反之,则丢弃该部分粒子。这即克服了mean shift算法容易陷入局部最优的缺陷,也将当前帧的观测值信息融入到了粒子滤波,实现了两者的优势互补。此外,针对跟踪过程中目标随着时间的推移会出现尺寸的放大或缩小的问题,引入了自适应窗口更新策略,即搜索窗口和跟踪窗口都会随着目标的增大或减小进行适当的调整,这保证了特征的有效性,从而提高目标跟踪的鲁棒性。实验选用不同的视频序列对改进的算法作了理论分析和实验仿真,实验结果表明,改进的算法不仅能更持久地跟踪目标、较强的抗遮挡特性,而且具有较低的时间复杂度,可以满足实时处理的需要。