Mean Shift及相關算法在視頻跟蹤中的研究.pdf

1、在視覺跟蹤領域，MeanShift算法是一個非常優(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，國內的很少，去年才見有幾篇文章發(fā)表。初入跟蹤領域，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間，是以論文的題目以MeanShift命名。MeanShift在跟蹤領域有很多很好的性質，比如實時性好、對遮擋、目標變形魯棒性好等，但它也有一些缺點。作者針對性地對這些缺陷做了較好的改進。論文

2、雖以MeanShift命名，但涉及內容已超出MeanShift的范疇。 第三章針對MeanShift算法不能跟蹤快速目標的特點，提出MeanShift和卡爾曼濾波器相結合的算法，卡爾曼濾波器預測目標在本幀的可能位置，MeanShift算法在該位置鄰域內搜索，算法對快速運動的目標的跟蹤效果良好，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。模板更新對目標的

3、跟蹤至關重要，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特征值的概率，通過48個卡爾曼濾波器可以跟蹤所有特征值的概率變化。算法構造巧妙，由于使用了較少的卡爾曼濾波器，算法實時性好，魯棒性更好。 第五章提出核直方圖的粒子濾波器目標跟蹤算法。算法的系統(tǒng)動態(tài)模型具有對速度的學習能力，這樣可以減少粒子的維數和所需要的粒子數。

4、觀測模型以MeanShift算法對目標特征值的描述為基礎，本文設計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算的中間值，因而沒有增加算法復雜性。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是需要大量的粒子來近似描述目標的狀態(tài)，使得算法非常費時。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真實狀態(tài)的區(qū)域內