基于Mean Shift的目标跟踪算法研究

论文摘要

目标跟踪是在一段视频序列中寻找与指定目标最相似的部分,是计算机视觉的一个重要研究内容。它在视频监控、人机界面、增强现实、基于目标的视频压缩等众多领域中有着广泛的应用。在众多的跟踪算法中,Mean Shift算法由于其理论严格、实现简单和较好的跟踪性能,近年来受到广泛的关注。本文的主要研究对象是基于Mean Shift的目标跟踪算法。Mean Shift算法是一种基于特征概率密度统计的建模方法。在跟踪过程中,目标区域通常由用户在视频序列的第一帧中选定,并建立相应的目标直方图。根据Bhattacharyaa相似度,Mean Shift算法在后续帧中迭代地搜索目标模型的最佳候选区域。这种方法使Mean Shift算法在跟踪中表现出良好的性能,比如:实时性好,对遮挡、目标形变具有鲁棒性等。但当目标和背景过于相似,可分性差时,该种建模方法就难以区别目标和背景,致使算法跟踪性能下降。本文选用不同的视频序列对Mean Shift跟踪算法的性能做了理论分析和实验验证。为了改进Mean Shift算法在复杂场景中容易丢失目标的的缺点,提出了一种基于角点提取的Harris-Mean Shift算法。该算法通过角点提取,选取跟踪区域中表示目标主要特征的点建立目标模型,使Mean Shift算法的跟踪性能有了很大的提高。实验结果表明Harris-Mean Shift算法不仅能很好地抑制复杂场景中的背景噪声对目标定位的干扰,而且受光照的影响较小。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景及意义
• 1.2 国内外研究现状
• 1.3 概述
• 1.3.1 计算机视觉研究
• 1.3.2 目标跟踪技术简述
• 1.4 文章内容及安排
• 第二章 跟踪算法综述
• 2.1 引言
• 2.2 跟踪算法思想
• 2.3 常用算法介绍
• 2.4 本章小结
• 第三章 MEAN SHIFT 跟踪算法的分析和实现
• 3.1 引言
• 3.2 MEAN SHIFT 原理
• 3.3 基于特征概率密度统计的目标表示和定位特性研究
• 3.3.1 目标模型
• 3.3.2 候选模型
• 3.3.3 相似性判断
• 3.3.4 目标定位
• 3.4 算法实现和分析
• 3.5 本章小结
• 第四章 一种基于HARRIS 特征提取的MEAN SHIFT 跟踪算法
• 4.1 引言
• 4.2 角点检测
• 4.3 HARRIS 角点检测
• 4.3.1 基本原理
• 4.3.2 算法特性
• 4.4 HARRIS -MEAN SHIFT 算法
• 4.5 算法实现及分析
• 4.5.1 实验分析
• 4.5.2 综合分析
• 4.6 本章小结
• 第五章 总结与展望
• 致谢
• 参考文献