论文部分内容阅读
目标跟踪技术是计算机视觉领域中重要研究课题之一,在人类生活、军事侦察、工业生产、医疗诊断、交通管理等多方面,都有广泛的应用,研究目标跟踪对人类生活、工程应用等具有现实的指导意义。在基于视觉的目标跟踪算法中,经典的Mean-Shift算法以其理论科学有效、操作简单易实现,跟踪性能较好等优势,一直是众多学者研究的热点。可算法也存在着许多缺陷。例如目标模型中混有背景信息的干扰,给目标定位带来了偏差；以手动确定的目标中心为迭代初始值,而这样的中心并不是目标的真实中心,对于快速运动的小目标不能实现有效地跟踪；算法具有一定的抗边缘遮挡能力,但当目标中心发生大面积遮挡时,适应能力较差；以颜色为全局统计信息,当目标和背景区分度较差或具有相似概率密度估计时,算法失去了有效性。针对以上问题,本论文对Mean-Shift算法做了深入的研究,并提出了改进。(1)针对颜色特征是目标跟踪中有效特征的情况,提出了一种基于特征颜色改进的Mean-Shift算法。首先为了抑制目标模型中混入背景颜色的干扰,能够更准确的定位目标,利用目标区别于背景的特征颜色建立目标模型。接着采用均匀核函数描述目标模型,增强目标的抗遮挡能力。然后对改进目标模型求取质心,以质心为迭代初始值进行均值偏移,快速定位目标位置,解决了算法对小目标不能有效跟踪的问题。与原来的Mean-Shift算法相比,改进的算法准确性、实时性、鲁棒性都得到了提高。(2)针对目标和背景颜色相近或具有相似概率密度估计的情况,通过局部不变特征来增强目标的表征力。具体工作包括：首先研究了纹理特征和颜色特征相结合改进Mean-Shift的算法,接着研究了角点特征和颜色特征相结合的改进的Mean-Shift算法,然后提出了一种利用目标边缘改进Mean-Shift的算法。通过实验分析对比了这三种算法的性能,其中纹理特征改进的算法准确性最高,角点特征改进的算法存在少许定位偏差,边缘特征改进的算法有一定的定位偏差,实时性最好。