基于预测的Mean Shift人脸跟踪算法研究

论文摘要

在众多的人脸跟踪算法中,Mean Shift(均值偏移)算法作为一种无参数密度估计的高效的模式匹配算法,很容易作为一个模块和其它算法集成,在跟踪领域已得到广泛的研究和应用。但是Mean Shift算法本身也存在一些不足,在基于Mean Shift算法的人脸跟踪系统中,它只利用了人脸的肤色信息,没有利用目标的运动信息,当出现遮挡时,容易丢失目标,导致跟踪失败。本文针对这些不足,提出两种改进的算法:本文首先提出一种Mean Shift和Kalman滤波相结合的算法。Kalman滤波预测目标在本帧的可能位置,Mean Shift算法在该点邻域内搜索,减小了搜索区域,提高了系统的实时性。实验结果表明,该算法对快速运动目标的跟踪效果良好,而且能较好地解决遮挡引起的目标丢失问题。Kalman滤波是线性预测器,无法预测复杂运动的目标。为此,本文提出一种Mean Shift和粒子滤波相结合的算法,利用Mean Shift算法把重采样后的粒子收敛到可能的目标位置。由于每个粒子表示状态更合理,所需粒子数大大减少,算法的实时性得到了提高。实验结果表明,改进算法在复杂环境下目标快速晃动和出现遮挡时都能够实现很好的跟踪,相对于传统粒子滤波器实时性得到很大提高。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题提出的背景和意义
• 1.2 研究现状
• 1.2.1 国内外人脸跟踪的研究进展
• 1.2.2 人脸跟踪的评价标准
• 1.2.3 人脸跟踪的难点
• 1.3 本文主要工作
• 1.4 本文章节安排
• 第二章 人脸跟踪方法综述
• 2.1 引言
• 2.2 人脸跟踪的技术关键
• 2.3 人脸跟踪方法综述
• 2.3.1 人脸跟踪方法分类
• 2.3.2 人脸跟踪系统流程图
• 2.4 本章小结
• 第三章 均值偏移（Mean Shift）算法
• 3.1 引言
• 3.2 目标跟踪中的 Mean Shift 算法理论分析
• 3.2.1 Mean Shift 算法基本思路
• 3.2.2 目标跟踪中的Mean Shift 算法
• 3.3 本章小结
• 第四章 Mean Shift 与 Kalman 滤波相结合的人脸跟踪系统
• 4.1 引言
• 4.2 卡尔曼滤波
• 4.2.1 卡尔曼滤波基本原理
• 4.2.2 基于卡尔曼滤波器的运动目标预测
• 4.3 Mean Shift 与 Kalman 相结合的跟踪系统
• 4.3.1 目标区域特征提取
• 4.3.2 卡尔曼预测模型
• 4.3.3 目标区域Mean Shift 迭代搜索
• 4.3.4 卡尔曼更新模型
• 4.4 基于 Kalman 的 Mean Shift 跟踪流程图
• 4.5 实验结果及分析
• 4.6 本章小结
• 第五章 Mean Shift 与粒子滤波相结合的人脸跟踪系统
• 5.1 引言
• 5.2 粒子滤波算法
• 5.2.1 非线性贝叶斯估计理论
• 5.2.2 蒙特卡洛方法
• 5.3 粒子滤波算法流程图
• 5.4 基于 Mean Shift 的粒子滤波算法的实现
• 5.4.1 基本原理
• 5.4.2 具体算法设计
• 5.4.3 Mean Shift 收敛粒子中核函数及带宽问题
• 5.4.4 算法描述
• 5.5 实验结果与分析
• 5.6 本章小结
• 第六章 总结和展望
• 6.1 本文研究成果
• 6.2 展望
• 参考文献
• 致谢