基于mean-shift目标跟踪算法的研究

【摘要】：随着智能计算技术的迅速发展以及受到各个国家的安全部门、高等研究者等的重视,计算机视觉技术已成为高新技术领域的研究热点。而视觉跟踪是计算机视觉分析技术中的重要组成。视觉跟踪就是在图像序列的每一帧跟踪到运动的目标。Mean-shift(均值漂移)方法实质上是一种梯度下降算法,通过mean-shift迭代直至收敛到相似性函数的局部极值点,最初用于模式识别中的聚类分析,近年来在目标跟踪领域中有广泛用途。传统的mean-shift算法主要的可以研究的关键点有：选取合适的目标特征；选取合适的相似性度量模型；算法的尺度自适应问题；算法收敛到局部极值的问题。在一些复杂的场景中,跟踪过程会出现目标的遮挡、光照影响以及目标形状的变化等可能出现的问题。本文针对这些问题,在传统的mean-shift算法的基础上作出改进。第一,对于传统的目标跟踪算法中对目标的描述,只考虑了颜色RGB模型信息。在一些有光照影响的场景,跟踪往往失败,提出加入对目标的纹理特征描述,增大对光照场景的鲁棒性。第二,对于目标被部分遮挡的问题,提出在传统mean-shift算法中,迭代搜索均值漂移最佳收敛点的过程中,在不失算法实时性的基础上增大搜素区域,并用纹理特征判断找出最佳收敛点。第三,对于多种特征融合会增大特征维度的问题,本论文将目标多特征模型看成是每个特征子模型的集合,然后将每个子模型的相似性度量线性加权求和。不仅避免了特征的维度会增大的问题而且能自适应根据复杂的场景运用目标的各个特征。并且在前面问题已解决的基础上,将传统的B系数匹配度量替换成已提出的EMD模型,拟在解决对于复杂场景的适应性以及算法实时性的问题。通过实验仿真对比证明,本文提出的算法在一些实际的场景下,能保持准确的跟踪。与传统算法以及基于单特征的跟踪算法比较,在鲁棒性和实时性方面有较大的优势。
【关键词】：计算机视觉 目标跟踪 均值漂移 光照 遮挡 多特征
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.41