基于MeanShift的目标跟踪算法介绍.doc

一 绪 论（一） 课题研究背景及意义 视觉系统是人类获取外界信息的最主要途径，但是人类的精力、视野等会受到环境很大的限制，人类自身的视觉系统已经不能满足人类的需求。随着计算机技术的快速发展，利用计算机处理视觉信息、弥补人类视觉缺憾受到越来越广泛的关注，计算机视觉研究应运而生。 计算机视觉是融合了图形图像处理、计算机、模式识别、人工智能、数学、物理学、计算机图形学等众多学科的交叉性学科。计算机视觉主要用来对环境中的物体的几何信息——物体的位置、形状、运动等，进行感知、描述、存储和理解。运动目标跟踪技术在当今社会发挥着越来越显著的作用。在生活领域，运动目标跟踪可以帮助人类及时、准确地处理异常情况；在军事领域，运动目标跟踪可以提高攻击的准确度，从而提高军事作战能力。 总之，目标跟踪技术的日益成熟对人类社会生活的日益发展有着不可或缺的作用，人类对目标跟踪技术的发展与研究也越来越关注。（二） 国内外研究现状 目标跟踪逐渐受到人们的关注与计算机技术的发展是密不可分的。上世纪80年代之前，由于计算机技术发展不成熟，使得计算机对图形图像的处理和分析主要以静态的为主，而对于动态图形图像的分析、处理、跟踪则带有很强的静态图形图像分析的特点。动态图形图像序列的分析研究进入一个崭新的阶段则是在光流法被提出之后。一直到二十世纪90年代中期，光流法一直是人们研究的热点，但由于光流法所需的运算量太大，不能很好地达到实时性要求，同时，光流法采用假设，这就造成了光流法的局限性，使得光流法对噪声很敏感，很容易产生错误的结果。在二十世纪80年代后期又相继出现了其他的跟踪算法，主要有Micheal Isare 和Andrew Black 在1998年提出的Condensation算法，这是第一次在视频序列目标跟踪中应用粒子滤波的思想；Comaniciu等在2003年提出的Mean Shift 跟踪框架，这种算法计算复杂程度低，理论较严谨，对目标的遮挡、尺寸的变化、外表的变化具有一定的自适应能力。Mean Shift 算法的这些优点使得它成为目标跟踪算法研究的热点。 就研究现况来看，国外对目标跟踪算法的研究起步较早。早在20世纪50年代初期，GAC公司就为美国海军研发了自动识别跟踪系统（Automatic Terrain Recognition and Navigation(System),ATRAN）。在1997年，美国国防高级研究计划局又与卡内基梅隆大学、麻省理工学院等高校合作，研发了视频监控重大项目VSAM（Visual Surveillance and Monitoring）。相比较之下，国内对目标跟踪算法的研究起步较晚。一直到1986年我国才正式立项研究视频跟踪技术。到现在，中科院自动化研究所下属的模式识别国家重点实验室成立的视频监控小组在目标跟踪的研究中已经取得了不错的成绩。此外，国内一些其他高校也进行了相应程度的研究。 （三） 目标跟踪算法简介 运动目标跟踪首先在静态图像中进行目标分割，从而进行运动目标检测。提取完目标后，将目标用颜色直方图、目标轮廓、区域特征点、目标几何形状等一定的形式表示出来。目标检测完成后再进行目标跟踪，目标跟踪的主要目的是获取运动目标随时间运动的轨迹，即目标在任一时刻可能处在的位置，并建立起不同帧之间目标的对应关系，在此基础上预测未来某时刻目标的位置。（四） 本文主要研究内容 本文简单介绍了目标跟踪技术及常见的目标跟踪算法，其中着重研究Mean Shift 跟踪算法。Mean Shift 算法原理简单、实现方便、实时性好，是一种高效的模式匹配算法。在对实时性要求较高的目标跟踪领域中，Mean Shift 算法已经得到了广泛的运用 二 目标跟踪算法综述 （一） 引言 目标检测是运动目标跟踪的基础，只有准确检测出跟踪目标，后续的匹配、跟踪工作才能进行。目标检测利用运动目标的几何特征和统计特征，通过分析图像帧的变化情况利用阈值法将不断变化着的运动目标和不变的背景区分开来，进而提取出运动目标。因获取视频图像的方法各有不同，目标检测的方法主要有静止背景下的目标检测和运动背景下的目标检测。静止背景下的目标检测方法主要有帧差法、光流法和背景减除法；运动背景下的目标检测主要有图像拼接法和多传感器的图像融合法。 运动目标跟踪的主要工作是对从目标检测中检测出来的目标进行定位和跟踪，并记录和标示目标的运动速度、运动轨迹、所处位置等，从而为当前阶段任务提供提示信息，为后续的处理工作提供详细的参考信息。运动目标跟踪的方法根据目标建模和算法原理的不同，主要有基于形状匹配、区域建模、轮廓模型、运动分析和统计模型的算法。基于形状匹配的算法利用相似性函数度量建立的目标模型和邻近区域的候选模型的相似度，从而判断出目标的运动。基于区域建模的算