基于Mean Shift的视频跟踪算法研究

论文摘要

运动目标的检测与跟踪是视频分析的关键内容,也是计算机视觉研究的一个重要方向,它是智能监控、人机交互、航空航天、国防工业等应用的基础和关键技术,是当前的研究热点内容之一。本文在基于DirectShow的开发环境下,实现了具有检测与跟踪功能的视频系统,并主要针对Mean Shift跟踪算法进行了研究。在视觉跟踪领域中,Mean Shift算法是一种优秀的跟踪方法,它出色的解决了视频序列中相邻两帧图像之间运动目标的匹配问题,能够始终将被跟踪目标保持在图像的中心区域,具有快速和有效的特点。但是该算法缺乏必要的模板更新能力,在目标快速运动以及存在外界扰动的情况下,容易丢失目标。本文针对Mean Shift的这方面缺陷做了改进,首先在基本Mean Shift算法中引入自适应的模板更新,采用核函数带宽重定位,来适应目标的形变。随后将Mean Shift与卡尔曼滤波算法相结合,使用卡尔曼滤波器来预测目标的可能位置,再以该位置为起点,应用Mean Shift算法搜索最佳匹配位置。新算法能够有效跟踪运动目标,且对干扰问题也能够很好的处理,获得可靠的跟踪效果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.1.1 计算机视觉研究的起源及发展
• 1.1.2 计算机视觉在相关领域中的应用
• 1.2 本课题研究背景及意义
• 1.2.1 智能监控
• 1.2.2 道路监控系统
• 1.2.3 人机交互
• 1.3 本课题研究进展及其现状
• 1.3.1 运动目标检测
• 1.3.2 运动目标跟踪
• 1.4 本论文的主要工作和内容安排
• 第二章 基于DirectShow的视频检测与跟踪系统
• 2.1 基于DirectShow的视频系统概述
• 2.1.1 DirectShow简介
• 2.1.2 COM编程的基础知识
• 2.1.3 DirectShow视频系统
• 2.2 DirectShow框架下的运动目标检测
• 2.2.1 运动目标检测的基本方法
• 2.2.2 DirectShow视频系统中运动物体的检测
• 2.3 DirectShow框架下的运动目标跟踪
• 2.4 小结
• 第三章 基于自适应模板更新的Mean Shift算法
• 3.1 引言
• 3.2 非参数密度估计理论
• 3.2.1 核密度估计函数的原理
• 3.2.2 核函数的选择条件
• 3.3 Mean Shift理论
• 3.3.1 Mean Shift的密度模式
• 3.3.2 密度梯度估计
• 3.3.3 Mean Shift算法收敛的一个充分条件
• 3.4 基于颜色直方图的Mean Shift跟踪算法
• 3.4.1 目标模板的表示
• 3.4.2 候选目标的表示
• 3.4.3 基于Bhattacharyya系数的相似性测度
• 3.4.4 目标定位
• 3.5 自适应尺度模型的跟踪算法
• 3.5.1 自适应尺度模型
• 3.5.2 引入自适应模板的均值偏移算法
• 3.6 跟踪算法在实验中的应用
• 第四章Mean Shift与卡尔曼滤波器结合的运动目标跟踪算法
• 4.1 引言
• 4.2 贝叶斯跟踪理论
• 4.2.1 非线性贝叶斯估计
• 4.2.2 卡尔曼滤波器理论
• 4.2.3 粒子滤波算法
• 4.3 Mean Shift与Kalman结合的目标跟踪算法
• 4.3.1 卡尔曼滤波器在运动目标跟踪中的应用
• 4.3.2 Mean Shift与卡尔曼滤波结合的具体方法
• 4.4 跟踪算法采用的评估指标
• 4.5 算法的综合性实验及性能比较
• 4.5.1 线性路段的车辆跟踪
• 4.5.2 外部干扰情况下的车辆跟踪
• 4.5.3 非线性路段的车辆跟踪
• 4.5.4 综合性能比较
• 4.6 小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 未来工作展望
• 致谢
• 参考文献
• 作者在读期间参加的科研和发表的论文