跟蹤窗口自適應(yīng)的MeanShift跟蹤概要

fT：? *V H4Ffthti^-Ml■■跟澤費(fèi)口自適應(yīng)的hliFiLShift跟澤費(fèi)口自適應(yīng)的hliFiLShift8E￡ftt.A?■.I|lli.t1MIf；K<#4<f!|fmiB■武■■■^B*||MH|IK<H-t?■ ?*9■?■■■.B4?sNijHP&JI-VAttl削?■?日rr?1?么?<;離■▼r■—?N.bR?■一■■??*■?■■.14i4dVIABMhiH-ll：■!??■??■.1-^V|j|Afl4*i|i||，>￥■<r-iiAlH■?」b?*ill*U■■IIH1-4.Rr..WIII*■尊HrimH-"1■avrd■H■■WIV ■■■■*■'■''?S-tBipp-p■<T*?■!■?■r?■?—■■出■■■處?di??-*t■I iwilA?IV-RMt"!tailfl■■HitaB.K1 k■-■■?.4TNft-L>?jfii|r|C?4-Efl>.t*"t H 罰*t'flh■■?>!,I-twlftw-■BEHBliiti.ti- driu?Kfe-*MBA IUBC.■■■???■4VB4?Tfii■■■■■耳JI■■耳|irilEB ■■h<rn??-?■4mm>i賈?i■錄官曹■片■呻宣耳■ml■卜-iA押專■■t.■■?H^livn?-*w-4Bnma4*￡■"■.<!■■???■-Hlltf■】??■曲■>&■吋宀-電I*丹，C3>w->4tpv w一卑警，亠4v'a*ab r-F^WBsn?? ■常叫1斗Th* nrr■■^■rn&■* nM■*?iwukiiMMi^N■hiafcbaaaJviHrlMr^g■,.T?《hMrfe-n-Wb?bM>MmimU-Lapii■iMrtadkm.■iteitgiri!ra*^a ■4p4?i^i■vipi<rn-?Fitariiwwr4?44>"gW 陽*?■“■ ?'■?*?■■>!?■*?>4?珂rtw-iRuf?■?*■■■■$Mfldk??w-tanub.■■Aw.■*■-"hr■*?..feqIMhVHlHf■RtfF^|i 'dBPmrtniHdf?rata仔俺剛——bi?1■psuiUIF.—4亠tn.—i■? flu 亠*M-dr4h-VPHW■iWriv4 jfc.i.■>W 'Hm-■tuIfc^lItvh-^j.L—lrwv.p.-wrv!jki-勺? Jb |BU-BMJWi<1iA—h■*##■<^■'**1i|*i? W■.耀芽■ri■?：■■■■ilhMinttfte--IV?TV?C4■*r.a■.***.■l?iiv^it?in.Jt■二］■■■■■■■■■■?MbH社*■■■■ri?+frWn?■>■Wa-fe44Ht*WfX??■■—“'<迓協(xié)■蚩■鼻■?■■'■■?*?■早■■亍■■■??■■■”Jta.馳中11中?豈??殳-■■■■?■■■!■?豊獻(xiàn)■?!44f*MJttFl-Bk*t|l：3Ll-W*.??個(gè)■■R■第dh■?［申［?□IT黑??wj?JvlmaP■It■■4nP Mk右■息稠???+1|1：|耳沖||?■???■?X* ?BH.4A.A?iMiMaJk?*?irnrtwiM g?*iA?n-ehMK1#Aei>-ea.tflnasMJbF■If古■［］■ ?tijHWHiAt.n??■*■!<?■■■*?■VJE恥?IA??絹爭?■/??*Ml*電?■■?M ?IIKW-IW04?—*■-nkitviep■■■■??r■? ?4M■町《■■■■■■??n*■?■日肅十”HhIfflWtmHttilt*"■I*Bfcnpa?■”U?■■■■V14■MS■■F■Rf>4??I?hM4**"』?hr?*Kll>曲■■底■晡??■■?■■■xih電?！雒啊觥??■"電、IIM44-■?lto?.HK.iVtifl■?vf941■■?■■?■?■■■■gf玄葉f1Jh?J—k '* ■■■z-tJ跖27'*HF?■!■”??：??■崔畔袖■ ><■AtbMbiw*■■hHtf*斷■?奔■■葛■ifl'，df4-ft?vZd?■Iii???bM fqZi?BTHV-B ?■4包■W 怎c*■?>iBwfWl. ■岳-***?irB*?■?n?1；1-*<.hBIi*????V?R?BnaV■,?P!?■?：￥??■!>???■■tM4nt■Bnfi?jrwk-Iiai^-ititHtoMB<ll■<■■■-ft11*1frTBA.T光學(xué)精密_亡程第17卷大量的背景信息會(huì)導(dǎo)致目標(biāo)特征減弱影響跟蹤走向。圖ItrackerI對Plane視頻序列的跟蹤結(jié)果(第1、56、141、219、271和322幀F(xiàn)ig.lTrackingresultsofPlanesequeneebyusingtrackerl(Frame1,56,141,219,271,322最理想的跟蹤窗口應(yīng)當(dāng)不僅大小能自適應(yīng)日標(biāo)的變化 ，而且傾角也能適應(yīng)日標(biāo)的旋轉(zhuǎn)運(yùn)動(dòng)，這樣就能最逼近目標(biāo)的真實(shí)形狀，最少限度的包含背景信息。圖2中虛線矩形框即為最理想的跟蹤窗口。圖2最佳跟蹤窗【J示意圖Fig.2Schemeofthebesttrackingwindow3主分量分析確定目標(biāo)尺度和方向主分量分析方法‘10已經(jīng)廣泛用于模式識(shí)別中的數(shù)據(jù)降維、壓縮等處理。當(dāng)計(jì)算主分董分析時(shí)，首先計(jì)算整個(gè)數(shù)據(jù)集的協(xié)方差矩陣，然后計(jì)算協(xié)方差矩陣的特征值。特征值對應(yīng)的最大特征值將產(chǎn)生主分量。我們將該思想借鑒到 MeanShift框架中來，用于得到目標(biāo)的尺度和方向表示。跟蹤窗口內(nèi)咒個(gè)像素點(diǎn)之間的協(xié)方差矩陣為：刀W(y,(yi—。(J,;一X。T'』上 一,(5n2:w(Yi其中,w(Yi一叫(y,G(1|蔓吾墅112為每個(gè)像素點(diǎn)的總權(quán)重。由于丫。足一個(gè)二維向量，所以y為一2X2矩陣。利用主分量分析求解特征方程“t?Vz］甜一A,(6LV21、/22.J其中A,>A為特征值,對應(yīng)的歸一化特征向量U,和U。代表廠像素點(diǎn)所組成的數(shù)據(jù)集分布的長主軸和短主軸方向。因此目標(biāo)的方向 0由。決定，尺寸s由A。和A:決定，如圖2所示。,,AzAlA2一迎盟生塹氅［墮監(jiān),(7一 i 一,~,，臼=2arcsin(zt?,=2arcsin(:jii;::蒜,(8si一是佤(i—1,2,(9式中,k為系統(tǒng)級常數(shù)，實(shí)驗(yàn)中取k一4。特別地,當(dāng)口標(biāo)水平時(shí),V,:=0,0—0,A,—V…Az—V22。因此當(dāng)應(yīng)用中已知跟蹤目標(biāo)始終平行于水平軸時(shí)可以強(qiáng)制V。：一V2l=0。4卡爾曼濾波結(jié)合相似性度量更新跟蹤窗口爾曼濾波器估計(jì)真實(shí)的；,、；。和掃作為下一幀的肼㈤］+K（”臣舛度量采片J的Bhattacharyya系數(shù)p（x和R（是聯(lián)第10期顏佳，等:跟蹤窗口自適應(yīng)的MeanShift跟蹤charyya系數(shù)JD（z越大,R（憊越小時(shí)，測量值&、sz和0的權(quán)值越大，真實(shí)值就更接近于測量值。這樣做就能使新的跟蹤窗口在原有窗口與s,、sz和0決定的窗口中達(dá)到一個(gè)最佳平衡，既避免了不更新又避免了過度更新。計(jì)算得到的;,（志、；。（”和旁（志即作為k+1frame時(shí)MeanShift算法所需的跟蹤窗口的寬度、高度和傾角。5實(shí)驗(yàn)結(jié)果及分析采用本文算法（trackerII對Plane視頻序列進(jìn)行跟蹤的部分結(jié)果如圖 3所示（其中;。（O一94,s2（O=46,a（0—0?？梢钥吹剑m然視頻中飛機(jī)先逐漸變大然后逐漸變小并伴有方位的微動(dòng)但此時(shí)跟蹤窗口已能自適應(yīng)的改變自身的大小 （第191幀時(shí)達(dá)到最大值；176pixel80pixel;第322幀時(shí)最小i35pixel恢pixel和方位。圖4給出了tracker1I對另一視頻序列Car的跟蹤結(jié)果（其中；。（0一53,;。（0=25,務(wù)（o一O,該視頻中目標(biāo)旋轉(zhuǎn)幅度較大，但trackerII依舊表現(xiàn)出了良好的性能。圖3trackerII對Plane視頻序列的跟蹤結(jié)果（第1、56、141、219,271和322幀F(xiàn)i毋3TrackingresultsofPlanesequeneebyusingtrackerll(Frame1,56,141219,271,322圖4trackerII對Car視頻序列的跟蹤結(jié)果(第1、40、79、112、188和219幀F(xiàn)ig.4TrackingresultsofCarsequeneebyusingtrackerll(Frame1,40,79,112.188,219由于加入了估計(jì)目標(biāo)尺度和方向的計(jì)算量 所以trackerII比trackerI處理時(shí)間略多，圖5給出了兩種算法對Plane序列的處理時(shí)間曲線圖(算法均在IntelPentiumD的CPU,1G內(nèi)存配置的電腦上用VC6.0編程實(shí)現(xiàn)。從圖5可以看出，隨著目標(biāo)尺寸的變大計(jì)算量也隨之增加，這是由于參與計(jì)算的像素點(diǎn)增多的原因，特別地，當(dāng)鏡頭晃動(dòng)時(shí)由于目標(biāo)移位較大所以計(jì)算量陡增，如第187frame第235frame處I當(dāng)目標(biāo)尺寸變小時(shí).tracker11計(jì)算量比trackerl還要小，這是因?yàn)閠rackerI此時(shí)的跟蹤窗口包含了太多的背景像素影響了MeanShift的迭代。計(jì)算可知，前322frametrackerI平均處理時(shí)間為11.19ms/frame,trackerII為17.45ms/frame所以trackerIl在適當(dāng)?shù)挠?jì)算量下不僅提高了跟蹤性能而且同樣能夠滿足跟蹤中的實(shí)時(shí)性要求。圖 6給出了trackerII對Car序列的處理時(shí)間曲線圖，平均處理時(shí)間為8.20ms/framebFrameindex圖5trackerl和tracker11對Plane序列的處理時(shí)間Fig.5Computingtimeoftrackerlandtracker1IforPlanesequencesFrameindex圖6trackerII對Car序列的處理時(shí)間Fig.6ComputingtimeoftrackerHforCarse-quencesTOC\o"1-5"\h\z■fen*?！鲑E?■暗u ?*AHiiasHfr■■耐if■丼-■ I車■ ■鼻*All|M】■?■■■-■AIEft**djliflf-aMM-HEM-r IHtlIA■■■■#!!?”■t?4s*4.1>-1毎p Jfat■■■■b?*Efl|H<UblhIBHBHilt?VCEiHJiaVHVK?>?■*d■??llM- ■lfM<NHLJtrBE?!tfil:-；」h■■堂?■■■■□?PM■k-ftwiII?? 4It H■匸■■堂MmMH4M1I■■!?—■■■■■■■?tm■■.鼻?。骸觥觥觥觥觥鋈蘒M屛［蓄I(lǐng)Kfl4aril-EVMAREIiMmMH4M1IXfIAaInIh llefl第10期顏佳,第10期顏佳,等：跟蹤窗口自適應(yīng)的MeanShift跟蹤2611作者簡介：張青林（1983—），男，湖北襄樊人，博士研究生，者簡介：張青林（1顏佳（1983—），男，湖北天門人，博士研究生，2005年于武漢大學(xué)獲得學(xué)七學(xué)位，主要從事目標(biāo)跟蹤、機(jī)器視覺等方面的研究°E—mail:yanjiaapple@tom.corn武漢大學(xué)獲得學(xué)士學(xué)位，主要從事高速圖像處理等方面的研究°E—mail:zhang—qinglin83@y導(dǎo)師簡介：陳淑珍（1946—），女，湖北武漢人，教授，博士生導(dǎo)師，1970年于武漢大學(xué)獲得學(xué)士學(xué)位，主要從事圖形圖像處理等方面的研究。E—mail:szehen@吳敏淵（1964—），男，湖北武漢人，副教授，1984年，1989年分別于武漢測繪科技大學(xué)獲得學(xué)士、碩士學(xué)位，主要從事圖像處理、機(jī)器視覺等方面的研究°E—mail:wmy@T期預(yù)告微納V槽脆/塑性域切削的3D激光檢測及評價(jià)謝晉1,韋鳳1,田牧純一2（1.華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣州510640;2.北兄工案大學(xué)微納加工學(xué)研究室，日本北兄） 針對微納米級功能V槽微細(xì)加工及評價(jià)困難的問題，采用單點(diǎn)金剛石切削方法在超精密機(jī)床上對光學(xué)玻璃進(jìn)行V槽的微納尺度加工，且利用非接觸激光檢測技術(shù)展現(xiàn)V槽的加工形貌，用以分析V槽 的微納米尺度加工的可行性以及找出如何評價(jià)V槽加工精度的方法。首先，采用單點(diǎn)金剛石在光學(xué)玻璃上進(jìn)行V槽的微納尺度切削試驗(yàn)。然后，利用3D激光超精密檢測儀器檢測加工的V切痕，構(gòu)建微V槽切痕的形貌圖，建立V槽形狀誤差PV值和V槽尖角圓弧半徑的評價(jià)模式。最后，分析在微納尺度加工中切除深度與V槽角度的形成機(jī)理以及切削深度對V槽形狀誤差及其尖角圓弧半徑的作用機(jī) 制。結(jié)果表明，在亞微米級尺度加工中存在一個(gè)脆/塑性域切除加工狀態(tài)轉(zhuǎn)變的臨界切削深度0.386ptm。在切削深度Vo.386m的塑性域切削中，金剛石刀具尖角形狀可以復(fù)制到工件表面，形成深度V 0.386ILrn、形狀誤差PV值約0.103肚m的V槽。此外。V槽形狀誤差在塑性域切除加T中始終保持不變，fEi在脆性域切除加工中隨著切削深度增大而逐漸劇烈加大。而且，V槽尖角圓弧半徑在塑性域切削中隨著切削深度減小而減小，但切削深度還需控制在臨界成型界線以下，達(dá)到0.365扯m以下，才能形成尖角半徑為0.182ptm的完整V槽。因此，利用非接觸激光檢測的3D數(shù)據(jù)可以建立V槽形狀誤差萬方PV值和尖角圓弧半徑的參數(shù)模型，用于V槽加工精度和微細(xì)程度的評價(jià)數(shù)據(jù)萬方跟蹤窗口自適應(yīng)的MeanShift跟蹤作者：作者單位：刊名：英文刊名：年，卷(期：引用次數(shù)：顏佳，吳敏淵，陳淑珍，張青林，YANJia，WUMin-yuan,CHENShu-zhen,ZHANGQing-lin武漢大學(xué)，電子信息學(xué)院湖北，武漢,430079光學(xué)精密工程OPTICSANDPRECISIONENGINEERING2009，17(100次參考文獻(xiàn)(10條1.FUKANAGAK.HOSTETLERLDTheestimationofthegradientofadensityfunction,withapplicationsinpatternrecognition1975(12孫中森.孫俊喜.宋建中一種抗遮擋的運(yùn)動(dòng)目標(biāo)跟蹤算法2007(23.YILMAZA.SHAFIQUEK.SHAHMTargettrackinginairborneforwardlookinginfraredimagery2003(74.COMANICIUD.RAMESHV.MEERPKernel-basedobjecttracking2003(55.COLLINSRTMeanshiftblobtrackingthroughscalespace20036.YILMAZAObjecttrackingbyasymmetrickernelMeanShiftwithautomaticscaleandorientationselection2007彭寧嵩楊杰?劉志MeanShift跟蹤算法中核函數(shù)帶寬的自動(dòng)選取 2005(98張恒.李立春.于起峰尺度方向自適應(yīng)MeanShift跟蹤算法2008(69.ZIVKOVICZ.KROSEBAnEM-likealgorithmforcolor-histogram-basedobjecttracking200410.HASTIET.TIBSHIRANIRTheElementsofStatisticalLearning2001相似文獻(xiàn)(10條1.學(xué)位論文周敬兵復(fù)雜背景下的目標(biāo)檢測與跟蹤技術(shù)研究2007動(dòng)態(tài)目標(biāo)的跟蹤是現(xiàn)行視覺處理中的一個(gè)熱點(diǎn)和難點(diǎn)，其廣泛的應(yīng)用前景和視覺效果的重要意義使其成為圖像處理領(lǐng)域的重要課題；同時(shí)視覺環(huán)境 的多樣性和復(fù)雜性則是穩(wěn)定有效地完成跟蹤任務(wù)的難點(diǎn)。本文采用MeanShift算法并結(jié)合Kalman濾波器，能夠穩(wěn)健實(shí)時(shí)地實(shí)現(xiàn)目標(biāo)跟蹤。從簡單背景、低速運(yùn)動(dòng)到復(fù)雜背景、高速運(yùn)動(dòng)，視覺處理領(lǐng)域的跟蹤算法非常之多。基于核密度估計(jì)的 MeanShift匹配算法，以圖像直方圖分布作為匹配跟蹤的依據(jù)，對目標(biāo)的外形和尺寸不敏感，具有快速、穩(wěn)定、有效的優(yōu)點(diǎn)。文中以MeanShift為核心算法，實(shí)現(xiàn)復(fù)雜背景下的目標(biāo)跟蹤，并利用nalman濾波器完成目標(biāo)位置的預(yù)測及目標(biāo)模板的及時(shí)更新，提高了算法的穩(wěn)健性。 由于MeanShift算法需要對圖像進(jìn)行窮舉匹配，并且難以跟蹤快速運(yùn)動(dòng)的目標(biāo)。而 利用Kalman濾波器可以對目標(biāo)的狀態(tài)進(jìn)行有效預(yù)測，減少匹配運(yùn)算次數(shù)。因此以Kalman預(yù)測結(jié)果作為MeanShift匹配算法的起始點(diǎn)，經(jīng)過若干次匹配便可 得到目標(biāo)的精確位置，且快速運(yùn)動(dòng)目標(biāo)的跟蹤效果也得到改善。即使在目標(biāo)被完全遮擋的情況下，以預(yù)測結(jié)果作為目標(biāo)位置等待目標(biāo)的再次出現(xiàn)。在一 定的匹配準(zhǔn)則下，建立自適應(yīng)Kalman濾波器組對目標(biāo)模板進(jìn)行及時(shí)更新，避免了由于跟蹤環(huán)境的改變帶來的跟蹤任務(wù)的失敗。 本文利用LabVIEW軟件編程環(huán)境實(shí)現(xiàn)MeanShift與Kalman濾波器結(jié)合的跟蹤算法，在多次實(shí)驗(yàn)調(diào)試下，很好地完成了復(fù)雜背景下的目標(biāo)跟蹤任務(wù)，得到了很好的實(shí)驗(yàn)效果，并 給出了跟蹤效果圖和算法分析。2.學(xué)位論文劉凌嶠腿部運(yùn)動(dòng)的計(jì)算機(jī)視覺分析及其在人機(jī)接口中的應(yīng)用 2009基于視覺的人體動(dòng)作分析是一項(xiàng)新興的計(jì)算機(jī)視覺技術(shù)，其思想是通過計(jì)算機(jī)對人體的肢體運(yùn)動(dòng)進(jìn)行分析識(shí)別，從而得到有用的信息。該技術(shù)的核 心為運(yùn)動(dòng)目標(biāo)的檢測、跟蹤、識(shí)別。本文研究了人體下肢運(yùn)動(dòng)的計(jì)算機(jī)視覺分析，并嘗試將其分析結(jié)果用于人機(jī)交互接口。本文首先研究了基于背景減除的運(yùn)動(dòng)目標(biāo)分割技術(shù)以及基于MeanShift的目標(biāo)跟蹤技術(shù)。之后針對腿部運(yùn)動(dòng)分析的特殊要求，提出了分離雙腿的檢測算法，并擴(kuò)展了MeanShift算法，將其應(yīng)用在腿部跟蹤上。最后，本文展示了所提出算法在人機(jī)接口中的應(yīng)用。 本文的主要工作可以概括為如下幾個(gè)方面：詳細(xì)的分析了背景減除法中顏色空間和相似測度的選擇問題，并提出了一種新判據(jù)來比較測試了8種方法。分析總結(jié)了基于MeanShift的目標(biāo)跟蹤算法，并討論測試了其在帶寬選擇方面的改進(jìn)。 提出了一種可以定位兩腿位置的檢測算法。 將MeanShift算法擴(kuò)展到前景投影曲線上，并提出了斥力因子解決同時(shí)跟蹤兩腿的問題。而為了使跟蹤算法能夠適應(yīng)快速運(yùn)動(dòng)，本文將 Kalman濾波與前景投影跟蹤將結(jié)合。將算法用軟件實(shí)現(xiàn)，并將其應(yīng)用在計(jì)算機(jī)游戲，和虛擬現(xiàn)實(shí)程序中。 3?學(xué)位論文朱勝利MeanShift及相關(guān)算法在視頻跟蹤中的研究2006在視覺跟蹤領(lǐng)域，MeanShift算法是一個(gè)非常優(yōu)秀的算法，是國外最近幾年才發(fā)展起來的。國外研究者比較多，國內(nèi)的很少，去年才見有幾篇文章發(fā)表。初入跟蹤領(lǐng)域，走過了很多彎路后，后來在MeanShift算法上找到了突破口，并在該算法的研究中投入大量的時(shí)間，是以論文的題目以MeanShift命名。MeanShift在跟蹤領(lǐng)域有很多很好的性質(zhì)，比如實(shí)時(shí)性好、對遮擋、目標(biāo)變形魯棒性好等，但它也有一些缺點(diǎn)。作者針對性地對這些缺陷做了較好的改進(jìn)。論文雖以MeanShift命名，但涉及內(nèi)容已超出MeanShift的范疇。第三章針對MeanShift算法不能跟蹤快速目標(biāo)的特點(diǎn)，提出MeanShift和卡爾曼濾波器相結(jié)合的算法，卡爾曼濾波器預(yù)測目標(biāo)在本幀的可能位置，MeanShift算法在該位置鄰域內(nèi)搜索，算法對快速運(yùn)動(dòng)的目標(biāo)的跟蹤效果良好，而且對遮擋問題也有很好的處理。 第四章提出MeanShift的模板更新算法，MeanShift沒有模板更新的能力。模板更新對目標(biāo)的跟蹤至關(guān)重要，但沒 有通用的模板更新算法，一般都是針對某種跟蹤算法如何解決模板更新的問題。本文提出一種基于卡爾曼濾波器組的MeanShift模板更新算法。模板的元素取自目標(biāo)特征值的概率，通過48個(gè)卡爾曼濾波器可以跟蹤所有特征值的概率變化。算法構(gòu)造巧妙，由于使用了較少的卡爾曼濾波器，算法實(shí)時(shí)性好 ，魯棒性更好。第五章提出核直方圖的粒子濾波器目標(biāo)跟蹤算法。算法的系統(tǒng)動(dòng)態(tài)模型具有對速度的學(xué)習(xí)能力，這樣可以減少粒子的維數(shù)和所需要的粒子數(shù)。觀測模型以MeanShift算法對目標(biāo)特征值的描述為基礎(chǔ)，本文設(shè)計(jì)了一種新的模板更新算法，更新算法充分利用了粒子濾波器計(jì)算的中間值，因而沒有增加算法復(fù)雜性。模板更新能夠使得觀測值的獲得更可靠，因而提高了算法的魯棒性。 第六章提出基于MeanShift粒子濾波器的算法。粒子濾波器算法的主要缺點(diǎn)是需要大量的粒子來近似描述目標(biāo)的狀態(tài)，使得算法非常費(fèi)時(shí)。新算法利用MeanShift算法在重采樣之前將粒子收斂到集合靠近目標(biāo)真實(shí)狀態(tài)的區(qū)域內(nèi)，由于每個(gè)粒子表示狀態(tài)更合理，算法對粒子數(shù)量的要求大大減少了，算法的實(shí)時(shí)性得到了提高。試驗(yàn)證明，算法在遮擋時(shí)能 夠?qū)崿F(xiàn)很好的跟蹤，相對于傳統(tǒng)粒子濾波器實(shí)時(shí)性得到很大提高。 4.學(xué)位論文邱雙忠視頻圖像中運(yùn)動(dòng)目標(biāo)跟蹤有關(guān)算法的研究2008視頻目標(biāo)跟蹤融合了圖像處理、模式識(shí)別、人工智能、自動(dòng)控制、計(jì)算機(jī)應(yīng)用、生理學(xué)、物理學(xué)、數(shù)學(xué)等相關(guān)領(lǐng)域的先進(jìn)技術(shù)和研究成果，具有可視性，抗干擾，成本低等優(yōu)點(diǎn)，已被廣泛的應(yīng)用到軍事監(jiān)控、交通管制、機(jī)器智能、醫(yī)療診斷等方面。隨著各種復(fù)雜環(huán)境應(yīng)用領(lǐng)域的不斷需求，除了引入各種新的技術(shù)外，如何提高現(xiàn)有跟蹤算法的精度以及魯棒性也是當(dāng)前目標(biāo)跟蹤領(lǐng)域研究的重點(diǎn)。本文詳細(xì)的介紹MeanShift算法在目標(biāo)跟蹤領(lǐng)域中的應(yīng)用方法，針對信息度較少的直方圖特征引入了空間位置信息加權(quán)的目標(biāo)特征表示方法。通過對MeanShift算法跟蹤效果的分析，得出MeanShift算法固有的缺陷。主要對其固有的缺陷提出了兩個(gè)方面的改進(jìn)。 ㈠針對MeanShift算法不能處理目標(biāo)完全遮擋的情況，提出了Kalman濾波和MeanShift算法相結(jié)合的方法，利用Kalman濾波預(yù)測目標(biāo)在當(dāng)前幀中可能出現(xiàn)的位置，然后利用 MeanShift算法在其鄰域搜索。本文將目標(biāo)被遮擋情況分為無遮擋、部分 遮擋和完全遮擋三種狀態(tài)，采用Kalman的殘差來判定目標(biāo)的被遮擋的狀態(tài)。目標(biāo)進(jìn)入完全遮擋狀態(tài)，利用線性運(yùn)動(dòng)特征預(yù)測其位置。針對動(dòng)態(tài)更新模板 ，提出了引入實(shí)例推理機(jī)制的方案，有效的解決遮擋中模板動(dòng)態(tài)適應(yīng)的問題。㈡引入了動(dòng)態(tài)自適應(yīng)核窗口的方法--CamShift算法，采用HSV顏色模型，有效的解決了MeanShift算法中固定核窗口的問題，同時(shí)也有效的解決了MeanShift算法對光照敏感的問題；采用橢圓搜索窗口，提高了跟蹤的目標(biāo)旋轉(zhuǎn)形變問題的精度。最后本文提出了一種基于 CamShift算法的全自動(dòng)目標(biāo)跟蹤策略，有效的減少由于手工選取目標(biāo)引起的誤差。 5.期刊論文鄭可飚黃文清?張佐理?李艷芳.ZHENGKe-biao.HUANGWen-qing.ZHANGZuo-li.LIYan-fang運(yùn)動(dòng)目標(biāo)跟蹤系統(tǒng)的遮擋問題處理-計(jì)算機(jī)工程與設(shè)計(jì)2009,30(11遮擋是運(yùn)動(dòng)目標(biāo)跟蹤研究中的一個(gè)重要問題，介紹了基于MarkovChainMonteCarlo(MCMC的運(yùn)動(dòng)物體遮擋問題解決方法?該方法通過建立貝葉斯模型，確定先驗(yàn)概率和條件概率，將車輛分割問題看成求后驗(yàn)概率最大時(shí)的車輛狀態(tài)；然后運(yùn)用MCMC方法對后驗(yàn)概率進(jìn)行估計(jì)，設(shè)計(jì)MCMC標(biāo)準(zhǔn)對后驗(yàn)概率進(jìn)行采樣，用長方形模型來近似車輛外形.實(shí)驗(yàn)證明MCMC方法在不需對車輛單獨(dú)初始化的前提下能有效的將相互遮擋的車輛分割出來檢測出車輛之間的相互遮擋?6.學(xué)位論文鄧士弟基于交通視頻的運(yùn)動(dòng)目標(biāo)檢測和跟蹤2007隨著交通的發(fā)展，交通視頻的處理越來越重要。本文重點(diǎn)研究固定背景下交通視頻中運(yùn)動(dòng)目標(biāo)的檢測和跟蹤技術(shù)，最后從一個(gè)系統(tǒng)的角度討論了后續(xù)的特征提取和分類識(shí)別方面的內(nèi)容。 目標(biāo)檢測就是判斷視頻序列中是否存在運(yùn)動(dòng)目標(biāo)，并確定運(yùn)動(dòng)目標(biāo)的位置。運(yùn)動(dòng)目標(biāo)跟蹤是指在整個(gè)視頻 序列中建立運(yùn)動(dòng)目標(biāo)序列間的對應(yīng)關(guān)系，判斷目標(biāo)的運(yùn)動(dòng)情況例如目標(biāo)的出現(xiàn)、消失、遮擋，目標(biāo)的速度等。最后的分類識(shí)別就是對跟蹤的目標(biāo)提取特 征給出分類結(jié)果。運(yùn)動(dòng)目標(biāo)的檢測、跟蹤和識(shí)別是密切相關(guān)的過程，前面的結(jié)果直接影響到后續(xù)工作的進(jìn)行?，F(xiàn)實(shí)環(huán)境的不同、光照變化、陰影都給運(yùn) 動(dòng)目標(biāo)檢測、跟蹤和識(shí)別帶來了困難。在總結(jié)常用的運(yùn)動(dòng)目標(biāo)檢測方法的基礎(chǔ)上，構(gòu)造了一種適合交通視頻的基于高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測模塊，提出了一種新的背景初始化方法。通過背景初始化、運(yùn)動(dòng)目標(biāo)檢測、形態(tài)濾波和標(biāo)記連通域四個(gè)步驟實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測。實(shí)驗(yàn)結(jié)果表明，這種基于高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測方法是行之有效的。 在跟蹤方面分別實(shí)驗(yàn)了Kalman濾波器、MeanshiR跟蹤方法。分析了它們的理論基礎(chǔ)，實(shí)現(xiàn)了這兩個(gè)跟蹤方法，統(tǒng)一了與檢測模塊和分類識(shí)別模塊的接口。最后根據(jù)交通視頻的特點(diǎn)實(shí)現(xiàn)了一個(gè)基于規(guī)則的跟蹤方法，規(guī)則是考慮到行人與汽車在 速度、形狀方面存在差異還有目標(biāo)模板和候選目標(biāo)直方圖相似等建立起來的。這種跟蹤方法判斷規(guī)則簡單有效運(yùn)動(dòng)速度快，很適合交通系統(tǒng)。 分類識(shí)別方面選用了目標(biāo)面積與目標(biāo)鄰接矩形面積的比值、面積與周長的比值和矩形框的長寬比值做為分類特征。分類器分別嘗試了模板匹配方法和RBF神經(jīng)網(wǎng)絡(luò)的方法?；趯?shí)驗(yàn)的目的按照檢測、跟蹤與識(shí)別分成三個(gè)模塊簡單地實(shí)現(xiàn)了一個(gè)監(jiān)控系統(tǒng)。 7.學(xué)位論文張楊運(yùn)動(dòng)目標(biāo)圖像的檢測與跟蹤2005在現(xiàn)實(shí)生活中，大量有意義的視覺信息都包括在運(yùn)動(dòng)之中.盡管人類的視覺即能看見運(yùn)動(dòng)又能看到靜止的物體，但是在許多場合，比如重要場所的安全監(jiān)控、汽車的自動(dòng)駕駛和輔助駕駛、交通流量的控制、航空和軍用飛行器的制導(dǎo)，人們往往只對運(yùn)動(dòng)目標(biāo)或物體感興趣?因此，研究運(yùn)動(dòng)目標(biāo)的檢測和跟蹤，有很大的現(xiàn)實(shí)意義和實(shí)際價(jià)值.本文實(shí)現(xiàn)了在實(shí)驗(yàn)室環(huán)境下對運(yùn)動(dòng)目標(biāo)進(jìn)行識(shí)別和跟蹤的系統(tǒng)，并通過控制云臺(tái)、鏡頭將目標(biāo)始終保持在視場之中.主要討論了單運(yùn)動(dòng)目標(biāo)自動(dòng)跟蹤和多運(yùn)動(dòng)目標(biāo)自動(dòng)跟蹤兩種情況 .(1在視場中存在單個(gè)運(yùn)動(dòng)物體時(shí)，自動(dòng)檢測目標(biāo)，根據(jù)目標(biāo)的大小，實(shí)現(xiàn)對運(yùn)動(dòng)目標(biāo)的預(yù)警，通過分析差分圖像的統(tǒng)計(jì)特性，自適應(yīng)對灰度序列圖像進(jìn)行二值化處理，突出了其中的運(yùn)動(dòng)目標(biāo)，以此為基礎(chǔ)，結(jié)合數(shù)學(xué)形態(tài)學(xué)和面積閾值的方法，消除噪聲干擾，分割出目標(biāo)的運(yùn)動(dòng)區(qū)域，最后通過分析差分圖像的投影圖，檢測出目標(biāo)的運(yùn)動(dòng)狀態(tài)?本文使用直方圖為模式特征，以改進(jìn)的模板匹配算法為本系統(tǒng)的跟蹤算法,并在此基礎(chǔ)上對后續(xù)目標(biāo)加以運(yùn)動(dòng)檢驗(yàn)等輔助手段,在跟蹤過程中，使用Kalman濾波器對目標(biāo)的位置歷史濾波，得到目標(biāo)的運(yùn)動(dòng)參數(shù)估計(jì),極大的減少了模板匹配的搜索范圍，達(dá)到跟蹤處理快速穩(wěn)定的要求.(2在視場中存在多個(gè)運(yùn)動(dòng)物體時(shí)，通過人工選定一個(gè)運(yùn)動(dòng)目標(biāo)，進(jìn)行自動(dòng)跟蹤?本文基于OpenCV(英特爾開源計(jì)算機(jī)視覺庫，以CAMShift算法為基礎(chǔ)，實(shí)現(xiàn)對彩色序列圖像的自動(dòng)跟蹤?8.學(xué)位論文張恒無人機(jī)平臺(tái)運(yùn)動(dòng)目標(biāo)檢測與跟蹤及其視覺輔助著陸系統(tǒng)研究2008無人機(jī)因其特有優(yōu)勢而一直備受各國軍事專家的青睞。特別是在最近幾次局部戰(zhàn)爭中，無人機(jī)更因其赫赫戰(zhàn)功，而成為各國軍事發(fā)展的重要方向之一。論文以無人機(jī)平臺(tái)對運(yùn)動(dòng)目標(biāo)檢測跟蹤和無人機(jī)輔助著落導(dǎo)航系統(tǒng)為背景，研究了圖像角點(diǎn)特征提取、像機(jī)自運(yùn)動(dòng)消除、復(fù)雜背景下運(yùn)動(dòng)目標(biāo)跟蹤 、目標(biāo)尺度方向自適應(yīng)跟蹤、小目標(biāo)實(shí)時(shí)高精度跟蹤和無人機(jī)輔助著陸系統(tǒng)等方面的相關(guān)算法，系統(tǒng)總結(jié)了作者在攻讀博士學(xué)位期間所做的研究和取得 的成果。論文創(chuàng)新點(diǎn)如下：（1傳統(tǒng)梯度算子抗噪性不好，而且在梯度方向計(jì)算準(zhǔn)確性上存在一定誤差，論文在分析Gabor小波的基礎(chǔ)上，提出了一種新梯度算子。新算子在抗噪性和梯度方向計(jì)算的準(zhǔn)確性上優(yōu)于傳統(tǒng)梯度算子。針對圖像角點(diǎn)特征提取問題，本文提出一種基于Gabor梯度的角點(diǎn)檢測算法。新算法在定位精度、噪聲抑制等方面比經(jīng)典算法有一定的提高。（2對于像機(jī)自身存在運(yùn)動(dòng)情況下對運(yùn)動(dòng)目標(biāo)進(jìn)行檢測跟蹤問題，常用的一類算法是先消除像機(jī)自身運(yùn)動(dòng)，然后再對目標(biāo)進(jìn)行檢測跟蹤。論文針對像機(jī)運(yùn)動(dòng)消除問題，提出了一種基于 Gabor特征描述的像機(jī)自運(yùn)動(dòng)消除方法。實(shí)驗(yàn)結(jié)果表明，新算法可以有效地消除像機(jī)自身運(yùn)動(dòng)，檢測出和像機(jī)存在相對運(yùn)動(dòng)的目標(biāo)。（3目標(biāo)在復(fù)雜背景中運(yùn)動(dòng)時(shí)，變化的背景會(huì)在一定程度上 影響跟蹤算法的穩(wěn)定性和可靠性，所以應(yīng)盡量抑制背景。對于目標(biāo)跟蹤而言，目標(biāo)中和背景差異大的區(qū)域?qū)τ诟櫟挠行浴⒎€(wěn)定性貢獻(xiàn)較大。根據(jù)以 上原則，論文提出了一種目標(biāo)區(qū)域差異性權(quán)值計(jì)算方法。實(shí)驗(yàn)結(jié)果表明，權(quán)值計(jì)算方法有效地抑制了背景，權(quán)值計(jì)算結(jié)果符合人類直觀感受。在獲取目 標(biāo)差異性權(quán)值的基礎(chǔ)上，本文提出了一種基于目標(biāo)差異性加權(quán)的最小二乘影像匹配運(yùn)動(dòng)目標(biāo)跟蹤算法。仿真實(shí)驗(yàn)分析和自然圖像跟蹤結(jié)果表明，對于復(fù) 雜背景下運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤，新方法比傳統(tǒng)方法更為有效準(zhǔn)確。論文將差異性權(quán)值與 MeanShift跟蹤算法結(jié)合起來，提出了一種基于目標(biāo)差異性加權(quán)的MeanShift運(yùn)動(dòng)目標(biāo)跟蹤算法，并對算法的收斂性及收斂條件進(jìn)行了討論。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的 MeanShift算法比傳統(tǒng)跟蹤算法在目標(biāo)跟蹤穩(wěn)定性、可靠性等方面有一定提高。（4對于目標(biāo)跟蹤問題，目標(biāo)的初始特征建立或目標(biāo)的描述區(qū)域是否準(zhǔn)確是整個(gè)跟蹤過程中至關(guān)重要的一環(huán)。針對該問題，本文在分析尺度空間理論的基礎(chǔ)上，提出了一種目標(biāo)最佳橢圓描述區(qū)域計(jì)算方法，該方法為準(zhǔn)確描述目標(biāo)區(qū)域特性奠定了基礎(chǔ)。針對圖像上同時(shí)存在 旋轉(zhuǎn)縮放變化的運(yùn)動(dòng)目標(biāo)進(jìn)行自適應(yīng)跟蹤問題，在分析 MeanShift跟蹤算法和尺度空間理論的基礎(chǔ)上，本文提出了一種尺度方向自適應(yīng) MeanShift跟蹤算法。實(shí)驗(yàn)表明，新算法比現(xiàn)有的MeanShift改進(jìn)算法更為有效，即可以準(zhǔn)確獲得目標(biāo)的位置、大小、方向信息。（5針對小目標(biāo)實(shí)時(shí)高精度檢測跟蹤問題，提出一種基于正負(fù)正則化LOG算子的尺度自適應(yīng)小目標(biāo)實(shí)時(shí)高精度檢測跟蹤方法。實(shí)驗(yàn)證明，新方法在實(shí)時(shí)性、尺度自適應(yīng)性、檢測準(zhǔn)確性以及抗噪聲性上均有較好的表現(xiàn)。（6無人機(jī)安全進(jìn)場著陸過程中，其引導(dǎo)控制尤為關(guān)鍵。目前 GPS導(dǎo)航因其精度高、使用簡單而普遍使用，但信號易受干擾，特別是戰(zhàn)爭時(shí)期不能獲得準(zhǔn)確的 GPS信息。論文提出了一種基于攝影測量的無人機(jī)輔助著陸導(dǎo)航系統(tǒng)。實(shí)驗(yàn)表明，該系統(tǒng)可以實(shí)時(shí)高精度地獲得無人機(jī)相對跑道的相對位置，同時(shí)可以實(shí)時(shí)保存無人機(jī)著陸過程圖像，為事后分析提供有效數(shù)據(jù)。 9.期刊論文常發(fā)亮.劉雪.王華杰.CHANGFa-liang.LIUXue.WANGHua-jie基于均值漂移與卡爾曼濾波的目標(biāo)跟蹤算法-計(jì)算機(jī)工程與應(yīng)用2007,43（1