基于均值漂移和卡尔曼滤波的目标跟踪方法
第２４卷第３期重庆理工大学学报（自然科学）２０１０年３月Ｖ０１．２４Ｎｏ．３ＪｏｕｒｎａｌｏｆＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｅｈｎｏｌｏｇ）＂（ＮａｔｕｒａｌＳｃｉｅｎｃｅ）Ｍａｒ．２０１０
基于均值漂移和卡尔曼滤波的目标跟踪方法
詹建平，黄席樾，沈志熙，杜长海
（重庆大学自动化学院，重庆４０００４４）
摘要：分析了Ｍｅａｎ．ｓｈｉｆｔ难以有效跟踪复杂背景下灰度运动目标的主要缺陷，提出了结合Ｍｅａｎ．ｓｈｉｆｔ和强跟踪滤波器的目标跟踪方法。该方法利用强跟踪滤波器预测目标在当前时刻的起始位置，然后Ｍｅａｎ．ｓｈｉｆｔ在该位置的邻域内寻找目标所处位置。同时，采用Ｂｈａｔｔａｃｈａｒｙｙａ系数度量“目标模型”和“候选模型”相似程度，提出一种目标遮挡因子，作为目标被遮挡程度的判断根据，并由此确定“候选模型”是否更换为“目标模型”，避免目标模型过度更新。对城区交通环境下的车辆目标进行跟踪。实验结果表明，该方法较原Ｍｅａｎ－ｓｈｉｆｔ方法可明显提高阻挡情况下的目标跟踪稳定性。
关键词：目标跟踪；Ｍｅａｎｓｈｉｆｔ算法；卡尔曼滤波；遮挡因子
中图分类号：ＴＰ３９１．４ｌ文献标志码：Ａ文章编号：１６７４—８４２５（２０１０）０３—００７６～０５ＴａｒｇｅｔＴｒａｃｋｉｎｇＢａｓｅｄｏｎ
Ｍｅａｎ－ｓｈｉｆｔａｎｄＫａｌｍａｎＦｉｌｔｅｒ
ＺＨＡＮＪｉａｎ?ｐｉｎｇ，ＨＵＡＮＧＸｉ－ｙｕｅ，ＤＵＣｈａｎｇ—ｈａｉ，ＳＨＥＮＧＺｈｉ—ｘｉ
（ＣｏＵｅｇｅｏｆＡｕｔｏｍａｔｉｏｎ，ＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎ９４０００４４，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＡｆｔｅｒａｎａｌｙｚｉｎｇｔｈｅｔｈｅｏｒｅｔｉｃｌｉｍｉｔａｔｉｏｎｏｆｔｈｅＭｅａｎ－ｓｈｉｆｔｔｏｔｒａｃｋｇｒａｙｔａｒｇｅｔｉｎｃｏｍｐｌｅｘｂａｃｋｇｒｏｕｎｄ，ａｍｅｔｈｏｄ，ｗｈｉｃｈｃｏｍｂｉｎｅｓＭｅａｎ?ｓｈｉｆｔａｎｄＫａｌｍａｎｆｉｌｔｅｒ，ｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅｉｎｉｔｉａｌｐｏｓｉｔｉｏｎｏｆ
Ｍｅａｎ－ｓｈｉｆｔｉｓｐｒｅｄｉｃｔｅｄｂｙＫａｌｍａｎｆｉｌｔｅｒａｔｐｒｅｓｅｎｔ，ａｎｄｔｈｅｎｔｈｅＭｅａｎ—ｓｈｉｆｔｉｓｕｔｉｌｉｚｅｄｔｏｔｒａｃｋｔｈｅｔａｒｇｅｔｐｏｓｉｔｉｏｎａｒｏｕｎｄｔｈｅｉｎｉｔｉａｌｐｏｓｉｔｉｏｎ．Ｍｅａｎｗｈｉｌｅｔｈｅｓａｍｅｔｉｍｅ，ｔｈｅＢｈａｔｔａｃｈａｒｙｙａｃｏｅｆ－ｆｉｃｉｅｎｔｉｓａｄｏｐｔｅｄｔｏｍｅａｓｕｒｅｔｈｅｃｏｍｐａｒａｂｉｌｉｔｙｂｅｔｗｅｅｎｔｈｅｔａｒｇｅｔｍｏｄｅｌａｎｄｔｈｅｃａｎｄｉｄａｔｅｍｏｄｅｌ，ＡｎｏｃｃｌｕｓｉｏｎｃｏｅｆｆｉｃｉｅｎｔｉＳｐｒｏｐｏｓｅｄ８，８ｔｈｅｅｖｉｄｅｎｅｅｏｆｏｃｃｌｕｓｉｏｎ．Ｔｈｅｎｄｅｔｅｒｍｉｎｅｓｗｈｅｔｌｌｅｒｏｒｎｏｔｔｈｅｔａｘ－ｇｅｔ
ｍｏｄｅｌｉｓｒｅｐｌａｃｅｄｂｙｔｈｅｌａｔｔｅｒｔｏａｖｏｉｄｔｈｅｔａｒｇｅｔｍｏｄｅｌｂｅｉｎｇｕｐｄａｔｅｄｅｘｃｅｓｓｉｖｅｌｙ．Ｅｘｐｅｒｉｍｅｎｔｓｂａｓｅｄｏｎｔｈｅｖｅｈｉｃｌｅｏｂｊｅｃｔｓｉｎｔｈｅｃｉｔｙａｒｅｃａｒｒｉｅｄｏｕｔ，ａｎｄｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｔｒａｃｋ．
ｉｎｇｓｔａｂｉｌｉｔｙａｎｄａｄａｐｔａｂｉｌｉｔｙｆｏｒｔｈｅ
ｇｒａｙｉｍａｇｉｎｇｔａｒｇｅｔ，ｅｖｅｎ
ｉｎｏｃｃｌｕｓｉｏｎ，ａｒｅｉｍｐｒｏｖｅｄｓｉｇｎｉｆｉｃａｎｔｌｙ
ｗｉｔｈｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄ．
Ｋｅｙｗｏｒｄｓ：ｏｂｊｅｃｔｔｒａｃｋｉｎｇ；Ｍｅａｎｓｈｉｆｔ；Ｋａｌｍａｎｆｉｌｔｅｒ；ｏｃｃｌｕｓｉｏｎｃｏｅｆｆｉｃｉｅｎｔ
用可见光和红外成像传感器对视频图像中指定目标进行稳健、有效的跟踪是视觉跟踪系
?收稿日期：２００９—０９—３０
基金项目：国家自然科学基金资助项目（６９６７４０１２）；重庆市自然科学基金资助项目（２００６ＢＡ６０１６）
作者简介：詹建平（１９６５一），男，ｌ匹１）ｌＩ内江人，硕士研究生。主要从事目标检测与目标跟踪、数字通信方面的研究。
詹建平，等：基于均值漂移和卡尔曼滤波的目标跟踪方法７７
统中一个极具挑战性的研究领域。Ｍｅａｎ．ｓｈｉｆｔ算法是Ｆｕｋｕｎａｇａ…等人提出的一种非参数概率密度梯度估计方法，由于Ｍｅａｎ—ｓｈｉｆｔ算法完全依靠特征空间中的样本点进行分析，不需要任何先验知识，收敛速度快，近年来被广泛应用于模式分类、图像分割以及目标跟踪等诸多计算机视觉研究领域怛ｑ１。然而，Ｍｅａｎ．ｓｈｉｆｔ仍然存在一些原理性的不足，对复杂背景下的运动灰度成像目标的跟踪性能还亟待提高，如Ｍｅａｎ－ｓｈｉｆｔ算法在起始中心处进行泰勒展开后，取前２项来逼近相似度函数ＭＪ，要求起始中心应尽可能接近目标所处位置、不能相距过远，否则会导致跟踪点停留在Ｂｈａｔｔａｃｈａｒｙｙａ系数的局部极值而非目标所在的真实位置，严重时则会发生目标漏跟，甚至误跟。其次，目标常常被场景中其他景物遮挡，目标模型在前后时刻相似程度较低的情况下仍然被更新，出现目标模型过更新问题，导致目标模型发生偏移，当这种偏移积累到一定程度时，就将导致跟踪的失败，使该算法缺乏足够的场景适应能力和稳健性。根据运动连续性，采用机动性较强的卡尔曼滤波来预测Ｍｅａｎ—ｓｈｉｆｔ算法中目标起始中心是解决该缺陷的较为有效的方法之一【５］，但该方法却未能解决目标模型的更新问题。
本文中采用Ｍｅａｎ．ｓｈｉｆｔ和卡尔曼滤波器相结合的目标跟踪方法。该方法首先利用卡尔曼滤波器预测目标初始位置，然后利用Ｍｅａｎ—ｓｈｉｆｔ算法在该位置的邻域内寻找目标。同时，采用Ｂｈａｔｔａ－ｃｈａｒｙｙａ系数度量“目标模型”和“候选模型”的相似度，提出一种目标遮挡因子，作为目标被遮挡程度的判断根据，并由此确定“候选模型”是否被更换为“目标模型”，避免“目标模型”受场景变化而出现过更新。
１Ｍｅａｎ—ｓｈｉｆｔ算法
均值漂移方法是一种最优的寻找概率密度极大值的梯度上升法，提供了一种新的目标描述与定位框架，其基本思想是：通过反复迭代搜索特征空间中样本点最密集的区域，搜索点沿着样本点密度增加的方向“漂移”到局部密度极大值点。基于Ｍｅａｎ．ｓｈｉｆｔ方法的目标跟踪技术通常采用核概率密度来描述目标的特征，由于目标的直方图具有特征稳定、抗部分遮挡、计算方法简单以及计算量小等特点，因此基于Ｍｅａｎ．ｓｈｉｆｔ方法的跟踪一般采用直方图对目标进行建模，然后进行相似性度量，利用Ｍｅａｎ—ｓｈｉｆｔ漂移向量不断搜索目标位置。１．１参考目标模型描述
目标直方图模型近似表征了对应图像区域内特征分布的概率密度函数。目标区域的中心为戈。，假设其中有ｎ个像素用ｋ｝；乩…．。表示，特征值的个数为ｍ个，则目标模型的特征值Ⅱ（ｕ＝１，…，ｍ）估计的概率密度为
五＝ｃ砉后川字忡［№ｊ）－“】（１）其中ｋ（ｘ）为核函数的轮廓函数，由于遮挡或者背景的影响，目标模型中心附近的像素比外物象素更可靠，Ｉ｜｝（石）对中心的像素给一个较大的权值，而远离中心的像素给一个较小的权值。函数ｋ（ｘ）中Ｉ堑｝ｌＩＺ的作用是为了消除不同大小目标计算时的影响，将椭圆表示的目标归一化为一个单位圆。８（ｘ）是Ｄｅｌｔａ函数，６ｌｂ（ｘｉ）一Ｈｌ总的作用是判断目标区域中像素誓的颜色值是否属于第Ｍ个特征值，若等于则值为１，否则为０。ｈ表示核函数的带宽，一般等于窗口宽度的一半哺］，Ｃ是一个标准化的常量系数，使得乏：ｑ。＝ｌ，因此
Ｃ：－———上———一（２）
砉七（｜｜字㈣
１．２候选目标模型描述
运动目标在第二帧及以后的每帧中可能包含目标的区域称为候选区域，其中心坐标为，，，也是核函数的中心坐标。该区域中的像素用ｋ｝；＝１９ｏ?ｏ，ｎ。表示，参照式（１），对候选区域的描述称为目标候选模型，候选模型的特征值ｕ（ｕ＝１，…，ｍ）的概率密度为允（Ｙ）＝ｃ＾薹Ｉ｜｝（｜｜罕协［№卜“】（３）
其中Ｇ２痢是标准化的常量系数。
７８
重庆理工大学学报
１．３相似性度量
相似性函数描述目标模型和目标候选模型之间的相似程度，理想情况下２个模型的概率分布是完全一样的。这种函数有很多，比如Ｂｈａｔｔａ－ｃｈａｒｙｙａ系数‘＂、Ｆｉｓｈｅｒｌｉｎｅａｒｄｉｓｅｒｉｍａｎｔ‘８１、直方图交集［９１及Ｋｕｌｌｂａｃｋ散度等。Ｂｈａｔｔａｃｈａｒｙｙａ系数是一种散度型测量，其直接的几何意义是２个向量
间角度的余弦值，Ｃｏｍａｎｉｅｉｕ在文献［１０］中证明了在Ｍｅａｎ—ｓｈｉｆｔ算法中Ｂｈａｔｔａｃｈａｒｙｙａ系数是优于其他相似性函数的一种选择。
使用Ｂｈａｔｔａｃｈａｒｙｙａ系数作为相似性函数，其定义为
声（，，）兰ｐ（声（），），毒）＝∑彬。（，，）氛
（４）
其值在０～１。多（，，）的值越大，表示２个模型越相似，在当前帧不同的候选区域中计算得到的候选模型，使得声（ｙ）最大的候选区域即是在本帧中目
标的位置。１．４目标定位
为使分（ｙ）最大，在当前帧的目标中心先定位
为前一帧中目标中心的位置‰，从这一点开始寻找最优匹配的目标，其中心为ｙ。先计算目标候选
模型声（％），对式（４）在声（Ｙｏ）处进行泰勒展开，
Ｂｈａｔｔａｃｈａｒｙｙａ系数可近似表示为
ｐ（ｔ３（ｙ），参）＝÷∑以（％）免＋。”１
ｆ５）孚和（１ｆ警㈣
～
其中
加ｊ＝
（６）
式（５）中只有第２项随Ｙ变化，所以分析第２项，令
允＝耄矿Ｃｈｉ蠢（｜１Ｉ罕｛ｊ２）Ｉ
五户∑矿ｉ蠢㈨牮㈤‘＝ｌ
－
、Ｉ
见
，
（７）
可见这个表达式多了一个权值戤，使式（５）最大，就是要求式（７）最大，可以计算式（７）的Ｍｅａｎ—ｓｈｉｆｔ
向量，这样就可以得到候选区域中心Ｙｏ移向真实目标区域Ｙ的向量：
呐ｈ。…Ｅ耄ｘ；ｗｌｇ纠望岫刊８，
（｝Ｉ牮ＪＪ》
朋‰．ｃ‘，，’２，，ｌ一％２
ｊ｛ｉ茎蒯一％‘８’
∑咄（ＩＩ罕ｌＩ）
；ｌ
、Ｉ｜
凡
｜Ｊ
７
２卡尔曼滤波器预测初始点
２．１
卡尔曼滤波器的引入
在前面的推导中，将相似性函数Ｐ，在ｊ；。（％）
处进行泰勒展开，并取前２项逼近，这就限制起始点‰在Ｙ点的距离不能太大。因此，如果目标运
动速度过快，Ｍｅａｎ．ｓｈｉｆｔ算法的跟踪效果就不好。本文中采用卡尔曼滤波器来确定搜索窗口的起始中心点¨１】。在连续的（Ｉ｜｝一１）帧中，目标中心的位
置信息形成它的运动轨迹。本文中将这些中心位
置信息作为卡尔曼滤波器的观测值，首先用卡尔曼滤波器预测第ｋ帧目标的位置，作为Ｍｅａｎ－ｓｈｉｆｔ算法中目标的起始位置，Ｍｅａｎ－ｓｈｉｆｔ在这个位置的领域内搜索目标的最优位置；再以这个目标位置作为卡尔曼滤波器的观测值，进行下一帧的运算。２．２卡尔曼滤波器建模
假定运动目标中心在菇，Ｙ轴上的运动均是一个由随机加速度扰动的匀速直线运动，如果速度ａ
是一个随机量，口（ｔ）一Ｎ（Ｏ，铲）。令目标运动状态
向量Ｘ（ｋ）＝［菇（｜｜｝）Ｙ（ｊ｝）髫’（后）Ｙ’（丘）］”，其中并（后），Ｙ（ｋ）分别是目标中心在髫，Ｙ轴上的位置分量，茗’（ｋ），Ｙ７（ｋ）分别是在戈，Ｙ轴上的速度分量。
观察向量Ｙ（ｋ）＝［ｔ（ｋ）儿（ｋ）］Ｔ，其中以（ｋ），
儿（ｋ）分别是目标中心在髫，Ｙ轴上位置的观测值。那么，目标状态方程和观察方程可以表示为：状态方程
ｘ（南）＝Ａ（ｋ一１）Ｘ（ｋ一１）＋Ｂ（是）埘（矗）（９）观测方程
ｙ（｜ｉ｝）＝ｃ（ｋ）ｘ（玉）＋移（ｋ）
（１０）
其中：Ａ（ｋ—１）是状态转移矩阵；留（奄）是零均值的
高斯状态噪声；ｃ（Ｉ｜｝）是测量矩阵；ｔ，（ｋ）是零均值的
高斯状态噪声，且ｗ（ｋ）和”（ｋ）相互独立。
詹建平，等：基于均值漂移和卡尔曼滤波的目标跟踪方法７９
３遮挡问题的解决方法
在基于Ｂｈａｔｔａｃｈａｒｙｙａ系数的模型相似性度量中，由于特征直方图中的每个分量是彼此独立的，因此，总的匹配度实际上是各个子模型分量的相似度的线性累加。本文中将每个分量单独考虑，然后从整体上判断目标的遮挡情况，定义匹配度函数为．ｍ。：÷盟（１１）
。＝■■————一ＬｌＩＪ
∑ｌｑ。一Ｐ。ｌ
由此，本文中首先采用Ｂｈａｔｔａｃｈａｒｙｙａ系数衡量跟踪结果的有效性，如果Ｐ，很小，说明跟踪结果没有找到目标，可能出现了遮挡，设一个遮挡判断因子
口。：ｆ１’ｍⅡ锄（１２）
ｔｌ，ｍ。≥占
则判断结果为：
当∑Ｄ。＞下ｍ时，遮挡不是很明显，可以继续使用之前的跟踪方法，并且更新模板。
当∑口。≤孚时，遮挡已经比较明显，这时候卡尔曼滤波器停止工作，利用前几帧目标的中心位置信息，线性预测下一帧目标的起始点，然后利用Ｍｅａｎ．ｓｈｉｆｔ寻找当前目标的真实位置，同时，仍然计算∑口。的值，并和孚比较，如果∑口。大于孚，则下一帧卡尔曼滤波器重新开始工作。
４结合Ｍｅａｎ—ｓｈｉｆｔ和强跟踪滤波器的
目标跟踪方法
假定目标初始中心位置为％，在前面分析的基础上，可以运用所提出的基于Ｍｅａｎ－ｓｈｉｆｔ的目标跟踪算法对新产生的障碍物目标进行跟踪和定位。跟踪算法的具体描述为：
Ｓｔｅｐｌ初始选定跟踪目标（假定跟踪初始目标信息已知），根据式（１）计算目标的参考模型ｑ。。
ｓｔｅｐ２读取下一帧图像，利用Ｋａｌｍａｎ滤波器
预测跟踪初始点位置％。
ｓｔｅ＃在预测目标位置％附近，利用如下Ｍｅａｎ—ｓｈｉｆｔ迭代过程定位目标在当前帧中的位置Ｙ１：
（ａ）由式（３）计算候选目标模型多。（ｙｏ），按式（４）计算目标候选模型与参考模型之间的匹配度ｐ［ｈ（Ｘｏ），ｑ］；
（ｂ）由式（６）计算权值｛蛾ｋ－１．…．。；
（ｃ）由式（８）求被跟踪障碍物目标的新位置Ｙｌ；
（ｄ）若１１Ｙ。一ＹｏｌＩ≤占，则结束迭代；否则，令％＝，，，，返回步骤（ａ）继续迭代。
ｓｔｅｐ４按式（１１）、（１２）计算遮挡判断因子‰，若∑口。大于阈值，则认为遮挡不明显，进入Ｓｔｅｐ５，否则进入Ｓｔｅｐ６。
Ｓｔｅｐｓ利用Ｋａｌｍａｎ更新目标状态，跳至Ｓｔｅｐ２。
Ｓｔｅｐ６线性预测下一帧目标起始点，继续计算∑口。的值并和阈值比较，若大于阈值则跳至ｌ忑１
Ｓｔｅｐ５，否则跳至Ｓｔｅｐ２。
５实验结果分析
本文中提出的算法均在ＰＣ机（ＣＰＵ为ｃｅｌｅｒ－ｏｎｌ．６６ＧＨｚ，内存１Ｇ）上完成，序列中每帧图像的分辨率为３２０×２４０，帧率为２５ｆｐｓ。为了便于对比分析，实验中通过手动选取目标，以车尾牌号为被跟踪目标。图ｌ是利用之前的Ｍｅａｎ－ｓｈｉｆｔ算法处理视频序列的结果，在２１０帧以前，Ｍｅａｎ—ｓｈｉｆｔ可以很好地跟踪目标，如图中第２００、２１０帧所示。２２８帧之后，由于目标被行人遮挡，Ｍｅａｎ?ｓｈｍ无法正确跟踪目标，如图第２２８、２３５、２３９帧所示，当遮挡消失时，算法已经完全失去了目标。图２是关于本文中所提出的算法，如第２４６帧所示，当目标脱离遮挡时，本算法仍能准确跟踪目标，由此表明算法是成功的。
８０重庆理工大学学报
图１Ｍｅａｎ—ｓｈｉｆｔ算法处理的视频序列
图２本文中算法处理的视频序列
６结束语
利用卡尔曼滤波器和Ｍｅａｎ．ｓｈｉｆｔ相结合的方法来解决Ｍｅａｎ．ｓｈｉｆｔ不能很好跟踪快速运动目标的问题。卡尔曼滤波器根据以往帧目标中心的位置信息预测目标当前帧的可能位置，Ｍｅａｎ－ｓｈｉｆｔ在这个位置的领域内寻找最终的目标位置。本算法提出一种新的判遮挡方法，利用特征概率分布的差值来总体判断卡尔曼滤波器开始工作的时机。实验证明，本算法可以实现对机动目标的跟踪，对遮挡具有较强的鲁棒性。参考文献：
［４］
［５］
［６］
［７］
［８］
［９］
［１０］
［１１］
ＤｏｒｉｎＣｏｍａｎｉｃｉｕ，ＶｉｓｖａｎａｔｈａｎＲａｍｅｓｈ。ＰｅｔｅｒＭｅｅｒ．
Ｋｅｒｎｅｌ－ｂａｓｅｄｏｂｊｅｃｔｔｒａｃｋｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎ
ＰａＲｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２００３，２５
（５）：５６４—５７７．
ＨｕｉｙｕＺｈｏｕ。ＹｕａｎＹｕａｎ，ＣｈｕｎｍｅｉＳｈｉ．ｏｂｊｅｃｔｔｒａｃｋ－
ｉｎｇｕｓｉｎｇＳＩＦＴｆｅａｔｕｒｅｓ
ａｎｄｍｅａｎｓｈｉｆｔ［Ｊ］．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＵｎｄｅｒｓｔａｎｄｉｎｇ。２００９。ｌ１３：３４５—３５２．
Ｓｈｕ—ＸｉａｏＬｉ，Ｈｏｎｇ—ＸｉｎｇＣｈａｎｇ，Ｃｈｅｎｇ－ＦｅｉＺｈｕ．Ａ－
ｄａｐｆｉｖｅＰｙｒａｍｉｄｍｅａｎｓｈｉｆｔｆｏｒ加ｂａｌｒｅａｌ—ｔｉｍｅｖｉｓｕａｌ
ｔｒａｃｋｉｎｇ［Ｊ］．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＵｎｄｅｒｓｔａｎｄｉｎｇ。
２００９，２８（３）：４２４—４３７．
ＦａｓｈｉｎｇＭ，Ｔｏｍａｓｉ
Ｃ．Ｍｅａｎｓｈｉｆｔｉｓａｂｏｕｎｄｏｐｔｉｍｉｚａ－ｔｉｏｎ［Ｊ］，ＩＥＥＥＴｒａｎｓ，ＰａＲｅｍＡｎａｌ．Ｍａｃｈ．Ｉｎｔｅｌｌ，
２００５，２７（３）：４７１—４７４．
朱胜利，朱善安，李旭超．快速运动目标的Ｍｅａｎ—ｓｈｉｆｔ
跟踪算法［Ｊ］．光电工程，２００６，３３（５）：６６—７０．
彭宁嵩，杨杰，刘志，等．Ｍｅａｎ?ｓｈｉｆｔ跟踪算法中核函
数窗宽的自动选取［Ｊ］．软件学报，２００５，１６（９）：
１５４２—１５４９．
ＮａＬｕ。ＺｕｒｅｎＦｅＩｌｇ．Ｍａｔｈｅｍａｔｉｃａｌｍｏｄｅｌｏｆｂｌｏｂｎｕｔｔｃ—
ｈｉｎｇａｎｄｍｏｄｉｆｉｅｄＢｈａｔｔａｃｈａｒｙｙａｃｏｅｆｆｉｃｉｅｎｔ［Ｊ］．Ｃｏｍ－
ｐｕｔｅｒＶｉｓｉｏｎ
ａｎｄＵｎｄｅｒｓｔａｎｄｉｎｇ，２００８，２６（１０）：１４２１—１４３４．
ＮｏｕｓｈａｔｈＳ，ＨｅｍａｎｔｈａＫＧ。ＳｈｉｖａｋｕｍａｒａＰ．Ｄｉａｇｏｎａｌ
Ｆｉｓｈｅｒｌｉｎｅａｒｄｉｓｃｒｉｍｉｎａｎｔａｎａｌｙｓｉｓｆｏｒｅｉｔｌｅｉｅｍｆａｃｅ僦一
ｎｇｎｉｔｉｏｎ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ。２００６，６９（１３—１５）：
１７ｌｌ～１７１６．
窦建军，文俊，刘重庆．基于颜色直方图的图像检索
技术［Ｊ】．红外与激光工程，２００５，３４（１）：８４—８７．
ＣｏｍａｎｉｃｉｕＤ，ＲａｍｅｓｈＶ，ＭｅｅｒＰ，Ｋｅｒｎｅｌ－ｂａｓｅｄｏｂｊｅｃｔ
ｔｒａｃｋｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｍａｃｔｉｏｎｓ．ｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓ
ａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２００３，２５（２）：５６４—５７７．
焦程鹏．基于卡尔曼滤波的自适应极化参数估计方
法［Ｊ］．数据采集与处理，２００８，２３（４）：４６７—４７０．
（责任编辑陈松）１Ｊ
，‘
３
Ｉ＝‘
心
基于均值漂移和卡尔曼滤波的目标跟踪方法
作者：詹建平， 黄席樾， 沈志熙， 杜长海
作者单位：重庆大学,自动化学院,重庆,400044
刊名：
重庆理工大学学报（自然科学版）
英文刊名：JOURNAL OF CHONGQING INSTITUTE OF TECHNOLOGY
年，卷(期)：2010，24(3)
被引用次数：0次
参考文献(11条)
1.Dorin Comaniciu,Visvanathan Ramesh,Peter Meer.Kernel-based object tracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25(5):564-577.
2.Huiyu Zhou,Yuan Yuan,Chunmei Shi.Object tracking using SIFT features and mean shift[J].Computer Vision and Understanding,2009,113:345-352.
3.Shu-Xiao Li,Hong-Xing Chang,Cheng-Fei Zhu.Adaptive Pyramid mean shift for global real-time visual tracking[J].Computer Vision and Understanding,2009,28(3):424-437.
4.Fashing M,Tomasi C.Mean shift is a bound optimization[J].IEEE Trans.Pattern
Anal.Mach.Intell,2005,27(3):471-474.
5.朱胜利,朱善安,李旭超.快速运动目标的Mean-shift跟踪算法[J].光电工程,2006,33(5):66-70.
6.彭宁嵩,杨杰,刘志,等.Mean-shift跟踪算法中核函数窗宽的自动选取[J].软件学报,2005,16(9):1542-1549.
7.Na Lu,Zuren Feng.Mathematical model of blob matching and modified Bhattacharyya
coefficient[J].Computer Vision and Understanding,2008,26(10):1421-1434.
8.Noushath S,Hemantha K G,Shivakumara P.Diagonal Fisher linear discriminant analysis for efficient face recognition[J].Neurocomputing,2006,69(13-15):1711-1716.
9.窦建军,文俊,刘重庆.基于颜色直方图的图像检索技术[J].红外与激光工程,2005,34(1):84-87.
https://www.wendangku.net/doc/0318352833.html,aniciu D,Rarnesh V,Meer P,Kernel-based object tracking[J].IEEE Transactions.on Pattem Analysis and Machine Intelligence,2003,25(2):564-577.
11.焦程鹏.基于卡尔曼滤波的自适应极化参数估计方法[J].数据采集与处理,2008,23(4):467-470.
相似文献(10条)
1.期刊论文丁大弸.黄欢.刘辉.罗山.Ding Da-peng.Huang Huan.Liu Hui.Luo Shan基于Mean Shift算法的实时运动目标跟踪-山西电子技术2008,""(5)
Mean shift算法是一种非参数密度估计算法,可以实现实时的最优匹配,为了把Mean shift算法应用到视频图像的运动目标跟踪中去,采用了以颜色直方图建立目标模型的策略,提出了在视频图像中以Mean shift为核心的目标跟踪算法.实验结果表明,该算法具有很好的鲁棒性、准确度等优点,在运动目标部分遮挡的情况下仍能实现稳定、实时的跟踪.
2.期刊论文程咏梅.王进行.魏坤.潘泉.程承.CHENG Yong-mei.WANG Jin-xing.WEI Kun.PAN Quan.CHENG Cheng基于加权mean-shift可见光/红外双通道目标跟踪-光子学报2010,39(2)
为提高目标亮度突变时的跟踪性能,在每一帧进行目标跟踪时,首先提取可见光图像的颜色特征,红外图像的垂直投影图像和水平投影图像特征,然后利用可见光/红外各自通道的Bhattacharyya系数计算该通道的权值,并对加权mean-shift双通道跟踪方法进行了推导,提出了基于加权mean-shift可见光/红外双通道目标跟踪算法.该方法使前后两帧目标相似度大的通道取大的权值,从而达到有效利用各通道有利信息﹑提高跟踪性能的目的.实验表明,用本文提出的算法进行可见光/红外双通道目标跟踪时,与基于mean-shift单通道(可见光或红外)目标跟踪算法相比,可提高目标跟踪的准确度,特别是当目标进入树荫区域,引起目标亮度发生显著变化时,跟踪性能基本不受影响.
3.期刊论文叶佳.张建秋.YE Jia.ZHANG Jian-qiu基于mean-shift算法的目标跟踪方法-传感技术学报
2006,19(6)
针对雷达多目标跟踪提出一种基于mean-shift[算法的目标跟踪方法.首次将mean-shift的方法应用于目标的数据关联,找出源于目标的观测值后对其进行Kalman滤波,从而估计出目标运动的轨迹,实现目标跟踪.MST跳出传统思维框架,首次利用概率密度分布的不同来区分服从不同参数分布的数据,从整体上对观测数据进行整合再结合最邻近法完成数据关联,该方法具有计算速度快,跟踪效果好的特点.
密工程2010,18(1)
为了克服传统Mean-shift算法在跟踪运动目标时由于背景像素造成的定位偏差和由于遮挡造成的跟踪失效,提出了相应的改进措施.其一,根据初始帧目标和背景在颜色分布上的差异,建立对数似然图(log-likelihood image),筛选出目标中与背景可区分性好的颜色特征建立目标模型,并以同样的方法在后续帧建立候选模型,从而有效地减小背景像素的影响.另外,将候选区域划分为若干重叠的子块,分别利用Mean-shift算法对各个子块进行迭代,以与目标区域相应子块最为匹配的子块的所在位置对整个目标重新定位,由此很好地实现了目标部分遮挡情况下的稳定跟踪.当目标被严重遮挡时,则采用简单的线性预测,估计下一帧目标可能出现的位置.实验结果表明:提出的改进算法可以准确地进行目标跟踪,对部分遮挡和严重遮挡都有较强的鲁棒性.
5.期刊论文宋新.沈振康.王平.王鲁平.SONG Xin.SHEN Zhen-kang.WANG Ping.WANG Lu-ping Mean shift在目标跟
踪中的应用-系统工程与电子技术2007,29(9)
首先总结了Mean shift的发展过程,并且分析了Mean shift算法的参数少,鲁棒性强,快速实现模式计算的特点,然后根据它在目标跟踪中的应用,总结了该算法核函数直方图对目标的特征描述比较弱,容易陷入局部最大值,不能适应目标多自由度变化的缺点,针对缺点提出的不同的改进方法进行了归纳
,最后对未来的发展进行了预测.
6.期刊论文胡淑芳.HU Shu-fang基于神经网络和Mean-shift的目标跟踪方法-重庆工学院学报(自然科学版)
2009,23(12)
提出了一种RBF神经网络和Mean-shift相结合的跟踪算法.此算法采用Bhattacharyya系数度量环境干扰程度,使用不同的比率因子将RBF神经网络对目标位置预测结果与Mean-shift算法跟踪结果加权,得到最终目标位置.实验结果表明,该方法在复杂环境下能对运动目标进行更加准确的跟踪.
7.期刊论文李龙.李俊山.叶霞.LI Long.LI Jun-shan.YE Xia基于Mean Shift算法的运动平台下红外目标跟踪-
红外与激光工程2007,36(2)
运动平台下,图像的运动包括目标、背景和平台的运动.复杂的运动关系,加上运动平台下成像质量差,增加了目标跟踪的难度.提出了一种有效的运动平台下前视红外(FLIR)成像目标跟踪算法.对于每一个被检测出的目标,计算灰度和局部标准差的分布,通过计算Mean Shift向量,最小化当前帧目标与模板的核密度分布,实现对目标的跟踪.采用自动更新模板的策略克服目标特征分布发生改变的问题,该策略同样取决于得到的模板与目标分布相似性度量
.实验仿真证明,该算法能有效地、准确地跟踪红外成像序列中的运动目标,计算量小,可以满足实时性要求高的场合.
8.期刊论文李睿.刘涛.李明.LI Rui.LIU Tao.LI Ming基于Mean-shift的粒子滤波算法在遮挡目标跟踪中的应用
-科学技术与工程2008,8(14)
针对Mean-shift及粒子滤波对遮挡问题的处理,结合二者的优势做出有效改进.一般情况下利用改进的均值漂移算法跟踪目标,在目标发生严重遮挡情况下,给出一个遮挡因子,采用改进的粒子滤波算法跟踪目标.算法能够对发生遮挡后的目标进行持续、稳健的跟踪,提高算法在遮挡情况下目标跟踪的鲁棒性.
9.学位论文李鹏飞基于Mean Shift的目标跟踪算法研究2009
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MeanShift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。
10.期刊论文文志强.蔡自兴.WEN Zhi-qiang.CAI Zi-xing一种基于mean shift的鲁棒性目标跟踪方法-计算机应
用研究2008,25(6)
目标模型内的背景像素会造成目标跟踪定位偏差,但为了将跟踪目标全部包含在目标模型中,不可避免在目标模型内引入很多背景像素.为了减少背景对跟踪造成偏差,在目标模型中引入带权因子,可达到降低目标模型内背景像素对跟踪定位精度的影响.带权因子是这样确定的:通过利用目标外围矩形环中的背景信息和一个映射函数来生产一个新的特征向量,然后转换为带权因子.实验表明,该方法具有更好的跟踪精度,对遮挡具有更好的鲁棒性.
本文链接：https://www.wendangku.net/doc/0318352833.html,/Periodical_cqgxyxb201003016.aspx
授权使用：延边大学图书馆(wfser27)，授权号：481f312d-942d-4e39-a466-9dad00e21c2c
下载时间：2010年7月8日