基于Mean Shift的長時(shí)間目標(biāo)跟蹤.pdf

1、運(yùn)動(dòng)目標(biāo)跟蹤問題涉及到計(jì)算機(jī)圖像處理、模式識(shí)別以及人工智能等諸多領(lǐng)域,是一門交叉性很強(qiáng)的學(xué)科。被跟蹤目標(biāo)本身形狀的多樣性、所處環(huán)境的復(fù)雜性和跟蹤過程中的遮擋問題以及光照變化,都構(gòu)成了限制跟蹤算法魯棒性的關(guān)鍵因素。因此研究一種實(shí)時(shí)性、魯棒性好的運(yùn)動(dòng)目標(biāo)跟蹤方法依然是該領(lǐng)域面臨的一個(gè)巨大挑戰(zhàn)。
　　 本文首先研究了傳統(tǒng)Mean-shift算法的目標(biāo)跟蹤問題,通過實(shí)驗(yàn)證明了傳統(tǒng)Mean-shift算法在背景復(fù)雜,遮擋等情況下可能發(fā)生的

2、跟蹤失敗的現(xiàn)象。在此基礎(chǔ)上我們提出了改進(jìn)的Mean-shift跟蹤算法。為了改進(jìn)目標(biāo)的顏色與背景顏色分布相似的情況,我們引入了基于強(qiáng)角點(diǎn)顏色特征的Mean-shift目標(biāo)跟蹤算法,與傳統(tǒng)的Mean-shift算法跟蹤候選區(qū)域所有的像素不同,只跟蹤使用Harris算子提取算法提取出的特征點(diǎn),利用少量關(guān)鍵點(diǎn)建立目標(biāo)模型,去除目標(biāo)和背景中的光滑部分,抑制背景對目標(biāo)定位造成的干擾,從而改進(jìn)Mean-shift算法的跟蹤性能。之后,本文將Mean

3、-shift算法引入卡爾曼濾波框架,在卡爾曼濾波預(yù)測的目標(biāo)位置上,進(jìn)行Mean-shift算法迭代。如果Mean-shift算法跟蹤效果比較好,則采用Mean-shift算法的迭代位置作為目標(biāo)跟蹤系統(tǒng)的目標(biāo)位置,如果Mean-shift算法跟蹤效果不好,則采用卡爾曼濾波的預(yù)測位置作為目標(biāo)位置。在此基礎(chǔ)上更新卡爾曼濾波器的狀態(tài)。
　　 最后,為了解決在目標(biāo)跟蹤失敗的情況下如何重新找到目標(biāo)的問題,我們將跟蹤、學(xué)習(xí)、檢測算法結(jié)合起來。

4、具體步驟如下:跟蹤器逐幀跟蹤目標(biāo),并在跟蹤過程中標(biāo)記出目標(biāo)正樣本和背景負(fù)樣本用來訓(xùn)練檢測器;檢測器在每一視頻幀中獨(dú)立檢測出目標(biāo)所在的位置,并在需要的時(shí)候更新跟蹤器;學(xué)習(xí)過程評估檢測器的錯(cuò)誤并且更新檢測器以防止錯(cuò)誤的累積。在學(xué)習(xí)過程中我們使用生長剪枝過程來評估檢測器的正負(fù)樣本錯(cuò)誤。剪枝過程用來判斷檢測器未識(shí)別出的樣本,生長過程用來判斷檢測器的檢測錯(cuò)誤。
　　 本文實(shí)驗(yàn)部分選用不同的視頻序列對改進(jìn)的算法做了理論分析和實(shí)驗(yàn)仿真,實(shí)驗(yàn)結(jié)