5000字数学论文：Mean Shift.docVIP

5000字数学论文：Mean Shift 能力与知识的关系，相信大家都很清楚。知识不是能力，但却是获得能力的前提与基础。而要将知识转化为能力，需要个体的社会实践。下面是编辑老师为大家准备的5000字数学论文。 引言 机器视觉技术广泛应用于军事制导、视频监控、医疗诊断、产品检测等领域[1-3]。而在上述领域中都会涉及目标跟踪，在跟踪目标的过程中，由于目标本身特征的多样性以及外界环境的复杂性，尤其当目标被自遮挡、物体相互遮挡、背景遮挡时，如何更精确地定位和跟踪目标成为一个极具挑战性的课题[4]。Thompson等[5]提出利用光流场来检测视频中的遮挡面，但是没有涉及如何跟踪目标。Maver等[6]从遮挡的角度出发，研究如何获得一个未知场景的3D数据，利用几何关系从先验的纹理信息预测出遮挡时目标状态，但是预测状态的误差会随着跟踪的进行而逐渐增大，同时计算复杂度高。Zitnick等[7]利用视差图的方法解决遮挡问题，要求各个像素点具有唯一性，否则当遇到相似目标或者背景时易导致跟踪失败。在文献[8-10]中学者利用分割理论提取遮挡区域的目标解决目标部分遮挡问题，对全遮挡情况误差很大，甚至跟踪失败。Zhang等[11]通过帧内、帧间、跟踪等级三个顺序层次实现目标遮挡跟踪; 李沛等[12]提出基于信用度分类遮挡问题解决方法，对前后帧计算结果的连续性要求较高，否则计算得到的遮挡目标定位精度不高。颜佳等[13]在遮挡环境下采用在线Boosting的目标跟踪，利用分区域的特征匹配法剔除被遮挡子区域对目标定位的影响，但对目标尺寸发生变化并且伴有遮挡时的跟踪问题没有提供解决方案。龚卫国等[14]提出一种像素投影算法(Running Average with Selectivily， RAS)背景更新，利用RAS对遮挡粘连目标进行分离，采用滤波加Mean Shift 算法，并将其与 Kalman算法结合，实现红外目标的实时准确跟踪，较好地解决了部分遮挡问题。周良毅等[15]提出基于动态遮挡阈值的多视角多目标协作追踪，引入遮挡变量，改进了目标遮挡的判决标准和公共平面中的目标融合特征，并通过结合改进粒子滤波得到基于遮挡变量的多视角目标协作追踪算法。 上述目标跟踪算法对目标被自遮挡、物体相互遮挡、背景遮挡时针对目标部分遮挡跟踪取得了较好的效果，但仍存在以下不足：1)目标在部分遮挡的场景下提出的算法对目标的定位不精确;2)涉及的是目标部分遮挡跟踪，而对于目标在被相似目标和背景全遮挡的场景下没有提供很好的解决方案。 基于以上不足，本文提出一种基于镜像Mean Shift的目标遮挡处理算法。在没有或者部分遮挡(D(n)ge;0.8D(n-1))情况下，融合颜色特征和轮廓特征表述目标，然后利用沙包核窗函数和Mean Shift算法对目标进行跟踪，并将每帧的序号和目标的位置信息保存在一个记忆队列中;当D(n)lt;0.8D(n-1)时，表明目标处于完全遮挡的情况，记录当前阈值变化帧的序号(假设为第m帧)，利用先验训练分类器和镜像原理可以预测在遮挡区域中目标第n帧尺寸大小等于第2m-n帧的尺寸大小(已知)，遮挡区域的目标到临界点的距离(第n帧到第m帧的距离)等于目标从未遮挡区域(第2m-n帧)到临界点(第m帧)的距离，从而可以确定目标的位置信息。 一、传统的Mean Shift目标跟踪算法 1.1颜色特征描述 设qc={qcu}u=1，2，hellip;，Bc表示目标参考颜色直方图，{xi}i=1，2，hellip;，n为中心位置y的目标候选区域的像素位置，则目标候选图像区域的颜色加权直方图pc={pcu(y)}u=1，2，hellip;，Bc为： pcu(y)=chsum;ni=1k(‖(y-xi)/h‖2)delta;[bf(xi)-u](1) 其中：ch为颜色直方图归一化常数;u为目标特征值;k(#12539;)为下列Epanechnikov核剖面函数： kE(r)= 1-r，rle;1 0，rgt;1 (2 对于离目标中心位置越近的像素赋予较大的权值，对于远离目标中心位置的像素赋予较小的权值;h为核半径;delta;是Epanechnikov函数;bf(#12539;)是将给定位置的像素映射到颜色直方图相应颜色区间(color bin)的映射函数。 1.2轮廓特征描述 轮廓作为特征来描述目标有一定的优势，轮廓的提取过程比较简单，以目标的形状作为先验信息，结合Bayesian理论来提取目标的轮廓，当目标运动时目标