跟踪窗口自适应的Mean Shift跟踪概要.docx
《跟踪窗口自适应的Mean Shift跟踪概要.docx》由会员分享，可在线阅读，更多相关《跟踪窗口自适应的Mean Shift跟踪概要.docx（10页珍藏版）》请在冰豆网上搜索。
跟踪窗口自适应的MeanShift跟踪概要
光学精密_亡程第17卷
大量的背景信息会导致目标特征减弱影响跟踪走向。
图1trackerl对Plane视频序列的跟踪结果（第1、
56、141、219、271和322帧
Fig.1TrackingresultsofPlanesequencebyusingtrackerI（Framel,56,14l,219,271,322
最理想的跟踪窗口应当不仅大小能自适应日标的变化,而且倾角也能适应日标的旋转运动,这样就能最逼近目标的真实形状,最少限度的包含背景信息。
图2中虚线矩形框即为最理想的跟踪窗口。
图2最佳跟踪窗【J示意图
Fig.2Schemeofthebesttrackingwindow
3主分量分析确定目标尺度和方向
主分量分析方法‘103已经广泛用于模式识别中的数据降维、压缩等处理。
当计算主分董分析时,首先计算整个数据集的协方差矩阵,然后计算协方差矩阵的特征值。
特征值对应的最大特征值将产生主分量。
我们将该思想借鉴到MeanShift框架中来,用于得到目标的尺度和方向表示。
跟踪窗口内咒个像素点之间的协方差矩阵为:
∑W（y,（yi—X。
（J,;一X。
T
’,=』上————-—————————一,（5
n
2:
w（Yi
其中,w（Yi一叫（y,G（1|蔓吾墅Il2为每个像素点的总权重。
由于Y。
足一个二维向量,所以y为一2×2矩阵。
利用主分量分析求解特征方程
“t■V・z]甜一A,（6
LV
21、/22.J
其中A,≥A:
为特征值,对应的归一化特征向量U,和U。
代表厂像素点所组成的数据集分布的长主轴和短主轴方向。
因此目标的方向0由“。
决定,尺寸s由A。
和A:
决定,如图2所示。
,AzAlA2一迎盟生堑氅[堕监,（7一—————————————i———————————一,~,,臼=2arcsin（zt・,=2arcsin（:
jii;:
:
蒜,（8
si一是佤（i—l,2,（9式中,k为系统级常数,实验中取k一4。
特别地,当口标水平时,V,:
=0,0—0,A,一V…Az—V22。
因此当应用中已知跟踪目标始终平行于水平轴时可以强制V。
:
一V2l=0。
4卡尔曼滤波结合相似性度量更新跟踪窗口
尔曼滤波器估计真实的;,、;。
和扫作为下一帧的肼㈤]+K（”臣舛
度量采片J的Bhattacharyya系数p（x和R（是联
第lO期颜佳,等:
跟踪窗口自适应的MeanShift跟踪
charyya系数JD（z越大,R（惫越小时,测量值&、sz和0的权值越大,真实值就更接近于测量值。
这样做就能使新的跟踪窗口在原有窗口与s,、sz和0决定的窗口中达到一个最佳平衡,既避免了不更新又避免了过度更新。
计算得到的;,（志、;。
（”和旁（志即作为k+1frame时MeanShift算法所需的跟踪窗口的宽度、高度和倾角。
5实验结果及分析
采用本文算法（trackerII对Plane视频序列进行跟踪的部分结果如图3所示（其中;。
（O一94,s2（O=46,a（0一0。
可以看到,虽然视频中飞机先逐渐变大然后逐渐变小并伴有方位的微动,但此时跟踪窗口已能自适应的改变自身的大小（第191帧时达到最大值;176pixel×80pixel;第322帧时最小i35pixel×17pixel和方位。
图4给出了tracker1I对另一视频序列Car的跟踪结果（其中;。
（0一53,;。
（0=25,务（o一O,该视频中目标旋转幅度较大,但trackerII依旧表现出了良好的性能。
图3trackerII对Plane视频序列的跟踪结果（第1、
56、141、219,271和322帧
Fi毋3TrackingresultsofPlanesequencebyusingtrackerII（Frame1,56,141。
219,271,322
图4trackerII对Car视频序列的跟踪结果（第1、
40、79、112、188和219帧
Fig.4TrackingresultsofCarsequencebyusingtrackerII（Frame1,40,79,112.188,219
由于加入了估计目标尺度和方向的计算量,所以trackerII比trackerI处理时间略多,图5给出了两种算法对Plane序列的处理时间曲线图（算法均在IntelPentiumD的CPU,1G内存配置的电脑上用VC6.0编程实现。
从图5可以看出,随着目标尺寸的变大计算量也随之增加,这是由于参与计算的像素点增多的原因,特别地,当镜头晃动时由于目标移位较大所以计算量陡增,如第187frame、第235frame处I当目标尺寸变小时.tracker11计算量比trackerl还要小,这是因为trackerI此时的跟踪窗口包含了太多的背景像素影响了MeanShift的迭代。
计算可知,前322frametrackerI平均处理时间为11.19ms/frame,trackerII为17.45ms/frame,所以trackerIl在适当的计算量下不仅提高了跟踪性能而且同样能够满足跟踪中的实时性要求。
图6给出了trackerII对Car序列的处理时间曲线图,平均处理时间为8.20ms/frame。
Frameindex
图5trackerl和tracker11对Plane序列的处理时间Fig.5Computingtimeoftrackerlandtracker1IforPlanesequences
Frameindex
图6trackerII对Car序列的处理时间Fig.6ComputingtimeoftrackerHforCarse-
quences
第１０期颜佳，等：
跟踪窗口自适应的ＭｅａｎＳｈｉｆｔ跟踪２６１１作者简介：
张青林（１９８３一），男，湖北襄樊人，博士研究生，２００５年于颜佳（１９８３一），男，湖北天门人，博士研究生，２００５年于武汉大学获得学七学位，主要从事目标跟踪、机器视觉等方面的研究。
Ｅ－ｍａｉｌ：
ｙａｎｊｉａａｐｐｌｅ＠ｔｏｍ．ｃｏｒｎ武汉大学获得学士学位，主要从事高速图像处理等方面的研究。
Ｅ－ｍａｉｌ：
ｚｈａｎｇ＿ｑｉｎｇｌｉｎ８３＠ｙａｈｏｏ．ｃｏｒｎ．ｃｎ导师简介：
陈淑珍（１９４６一），女，湖北武汉人，教授，博士生导师，１９７０年于武汉大学获得学士学位，主要从事图形图像处理等方面的研究。
Ｅ—ｍａｉｌ：
ｓｚｅｈｅｎ＠ｗｈｕ．ｅｄｕ．ｃｎ吴敏渊（１９６４一），男，湖北武汉人，副教授，１９８４年，１９８９年分别于武汉测绘科技大学获得学士、硕士学位，主要从事图像处理、机器视觉等方面的研究。
Ｅ－ｍａｉｌ：
ｗｍｙ＠ｅｉｓ．ｗｈｕ．ｅｄｕ．ｃｎ●下期预告微纳Ｖ槽脆／塑性域切削的３Ｄ激光检测及评价谢晋１，韦凤１，田牧纯一２（１．华南理工大学机械与汽车工程学院，广州５１０６４０；２．北兄工案大学微纳加工学研究室，日本北兄）针对微纳米级功能Ｖ槽微细加工及评价困难的问题，采用单点金刚石切削方法在超精密机床上对光学玻璃进行Ｖ槽的微纳尺度加工，且利用非接触激光检测技术展现Ｖ槽的加工形貌，用以分析Ｖ槽的微纳米尺度加工的可行性以及找出如何评价Ｖ槽加工精度的方法。
首先，采用单点金刚石在光学玻璃上进行Ｖ槽的微纳尺度切削试验。
然后，利用３Ｄ激光超精密检测仪器检测加工的Ｖ切痕，构建微Ｖ槽切痕的形貌图，建立Ｖ槽形状误差ＰＶ值和Ｖ槽尖角圆弧半径的评价模式。
最后，分析在微纳尺度加工中切除深度与Ｖ槽角度的形成机理以及切削深度对Ｖ槽形状误差及其尖角圆弧半径的作用机制。
结果表明，在亚微米级尺度加工中存在一个脆／塑性域切除加工状态转变的临界切削深度０．３８６ｐｔｍ。
在切削深度＜ｏ．３８６“ｍ的塑性域切削中，金刚石刀具尖角形状可以复制到工件表面，形成深度＜０．３８６ＩＬｒｎ、形状误差ＰＶ值约０．１０３肚ｍ的Ｖ槽。
此外。
Ｖ槽形状误差在塑性域切除加Ｔ中始终保持不变，ｆＥｉ在脆性域切除加工中随着切削深度增大而逐渐剧烈加大。
而且，Ｖ槽尖角圆弧半径在塑性域切削中随着切削深度减小而减小，但切削深度还需控制在临界成型界线以下，达到０．３６５扯ｍ以下，才能形成尖角半径为０．１８２ｐｔｍ的完整Ｖ槽。
因此，利用非接触激光检测的３Ｄ数据可以建立Ｖ槽形状误差ＰＶ值和尖角圆弧半径的参数模型，用于Ｖ槽加工精度和微细程度的评价。
万方数据
跟踪窗口自适应的MeanShift跟踪作者：
作者单位：
刊名：
英文刊名：
年，卷（期：
引用次数：
颜佳，吴敏渊，陈淑珍，张青林，YANJia，WUMin-yuan，CHENShu-zhen，ZHANGQing-lin武汉大学,电子信息学院,湖北,武汉,430079光学精密工程OPTICSANDPRECISIONENGINEERING2009，17（100次参考文献（10条1.FUKANAGAK.HOSTETLERLDTheestimationofthegradientofadensityfunction,withapplicationsinpatternrecognition1975（12.孙中森.孙俊喜.宋建中一种抗遮挡的运动目标跟踪算法2007（23.YILMAZA.SHAFIQUEK.SHAHMTargettrackinginairborneforwardlookinginfraredimagery2003（74.COMANICIUD.RAMESHV.MEERPKernel-basedobjecttracking2003（55.COLLINSRTMeanshiftblobtrackingthroughscalespace20036.YILMAZAObjecttrackingbyasymmetrickernelMeanShiftwithautomaticscaleandorientationselection20077.彭宁嵩.杨杰.刘志MeanShift跟踪算法中核函数带宽的自动选取2005（98.张恒.李立春.于起峰尺度方向自适应MeanShift跟踪算法2008（69.ZIVKOVICZ.KROSEBAnEM-likealgorithmforcolor-histogram-basedobjecttracking200410.HASTIET.TIBSHIRANIRTheElementsofStatisticalLearning2001相似文献（10条1.学位论文周敬兵复杂背景下的目标检测与跟踪技术研究2007动态目标的跟踪是现行视觉处理中的一个热点和难点，其广泛的应用前景和视觉效果的重要意义使其成为图像处理领域的重要课题；同时视觉环境的多样性和复杂性则是稳定有效地完成跟踪任务的难点。
本文采用MeanShift算法并结合Kalman滤波器，能够稳健实时地实现目标跟踪。
从简单背景、低速运动到复杂背景、高速运动，视觉处理领域的跟踪算法非常之多。
基于核密度估计的MeanShift匹配算法，以图像直方图分布作为匹配跟踪的依据，对目标的外形和尺寸不敏感，具有快速、稳定、有效的优点。
文中以MeanShift为核心算法，实现复杂背景下的目标跟踪，并利用nalman滤波器完成目标位置的预测及目标模板的及时更新，提高了算法的稳健性。
由于MeanShift算法需要对图像进行穷举匹配，并且难以跟踪快速运动的目标。
而利用Kalman滤波器可以对目标的状态进行有效预测，减少匹配运算次数。
因此以Kalman预测结果作为MeanShift匹配算法的起始点，经过若干次匹配便可得到目标的精确位置，且快速运动目标的跟踪效果也得到改善。
即使在目标被完全遮挡的情况下，以预测结果作为目标位置等待目标的再次出现。
在一定的匹配准则下，建立自适应Kalman滤波器组对目标模板进行及时更新，避免了由于跟踪环境的改变带来的跟踪任务的失败。
本文利用LabVIEW软件编程环境实现MeanShift与Kalman滤波器结合的跟踪算法，在多次实验调试下，很好地完成了复杂背景下的目标跟踪任务，得到了很好的实验效果，并给出了跟踪效果图和算法分析。
2.学位论文刘凌峤腿部运动的计算机视觉分析及其在人机接口中的应用2009基于视觉的人体动作分析是一项新兴的计算机视觉技术，其思想是通过计算机对人体的肢体运动进行分析识别，从而得到有用的信息。
该技术的核心为运动目标的检测、跟踪、识别。
本文研究了人体下肢运动的计算机视觉分析，并尝试将其分析结果用于人机交互接口。
本文首先研究了基于背景减除的运动目标分割技术以及基于MeanShift的目标跟踪技术。
之后针对腿部运动分析的特殊要求，提出了分离双腿的检测算法，并扩展了MeanShift算法，将其应用在腿部跟踪上。
最后，本文展示了所提出算法在人机接口中的应用。
本文的主要工作可以概括为如下几个方面：
详细的分析了背景减除法中颜色空间和相似测度的选择问题，并提出了一种新判据来比较测试了8种方法。
分析总结了基于MeanShift的目标跟踪算法，并讨论测试了其在带宽选择方面的改进。
提出了一种可以定位两腿位置的检测算法。
将MeanShift算法扩展到前景投影曲线上，并提出了斥力因子解决同时跟踪两腿的问题。
而为了使跟踪算法能够适应快速运动，本文将Kalman滤波与前景投影跟踪将结合。
将算法用软件实现，并将其应用在计算机游戏，和虚拟现实程序中。
3.学位论文朱胜利MeanShift及相关算法在视频跟踪中的研究2006在视觉跟踪领域，MeanShift算法是一个非常优秀的算法，是国外最近几年才发展起来的。
国外研究者比较多，国内的很少，去年才见有几篇文章发表。
初入跟踪领域，走过了很多弯路后，后来在MeanShift算法上找到了突破口，并在该算法的研究中投入大量的时间，是以论文的题目以MeanShift命名。
MeanShift在跟踪领域有很多很好的性质，比如实时性好、对遮挡、目标变形鲁棒性好等，但它也有一些缺点。
作者针对性地对这些缺陷做了较好的改进。
论文虽以MeanShift命名，但涉及内容已超出MeanShift的范畴。
第三章针对MeanShift算法不能跟踪快速目标的特点，提出MeanShift和卡尔曼滤波器相结合的算法，卡尔曼滤波器预测目标在本帧的可能位置，MeanShift算法在该位置邻域内搜索，算法对快速运动的目标的跟踪效果良好，而且对遮挡问题也有很好的处理。
第四章提出MeanShift的模板更新算法，MeanShift没有模板更新的能力。
模板更新对目标的跟踪至关重要，但没有通用的模板更新算法，一般都是针对某种跟踪算法如何解决模板更新的问题。
本文提出一种基于卡尔曼滤波器组的MeanShift模板更新算法。
模板的元素取自目标特征值的概率，通过48个卡尔曼滤波器可以跟踪所有特征值的概率变化。
算法构造巧妙，由于使用了较少的卡尔曼滤波器，算法实时性好，鲁棒性更好。
第五章提出核直方图的粒子滤波器目标跟踪算法。
算法的系统动态模型具有对速度的学习能力，这样可以减少粒子的维数和所需要的粒子数。
观测模型以MeanShift算法对目标特征值的描述为基础，本文设计了一种新的模板更新算法，更新算法充分利用了粒子滤波器计算的中间值，因而没有增加算法复杂性。
模板更新能够使得观测值的获得更可靠，因而提高了算法的鲁棒性。
第六章提出基于MeanShift粒子滤波器的算法。
粒子滤波器算法的主要缺点是需要大量的粒子来近似描述目标的状态，使得算法非常费时。
新算法利用MeanShift算法在重采样之前将粒子收敛到集合靠近目标真实状态的区域内，由于每个粒子表示状态更合理，算法对粒子数量的要求大大减少了，算法的实时性得到了提高。
试验证明，算法在遮挡时能够实现很好的跟踪，相对于传统粒子滤波器实时性得到很大提高。
4.学位论文邱双忠视频图像中运动目标跟踪有关算法的研究2008视频目标跟踪融合了图像处理、模式识别、人工智能、自动控制、计算机应用、生理学、物理学、数学等相关领域的先进技术和研究成果，具有可视性，抗干扰，成本低等优点，已被广泛的应用到军事监控、交通管制、机器智能、医疗诊断等方面。
随着各种复杂环境应用领域的不断需求，除了引入各种新的技术外，如何提高现有跟踪算法的精度以及鲁棒性也是当前目标跟踪领域研究的重点。
本文详细的介绍MeanShift算法在目标跟踪领域中的应用方法，针对信息度较少的直方图特征引入了空间位置信息加权的目标特征表示方法。
通过对MeanShift算法跟踪效果的分析，得出MeanShift算法固有的缺陷。
主要对其固有的缺陷提出了两个方面的改进。
㈠针对MeanShift算法不能处理目标完全遮挡的情况，提出了Kalman滤波和MeanShift算法相结合的方法，利用Kalman滤波预测目标在当前帧中可能出现的位置，然后利用MeanShift算法在其邻域搜索。
本文将目标被遮挡情况分为无遮挡、部分遮挡和完全遮挡三种状态，采用Kalman的残差来判定目标的被遮挡的状态。
目标进入完全遮挡状态，利用线性运动特征预测其位置。
针对动态更新模板，提出了引入实例推理机制的方案，有效的解决遮挡中模板动态适应的问题。
㈡引入了动态自适应核窗口的方法--CamShift算法，采用HSV颜色模型，有效的解决了MeanShift算法中固定核窗口的问题，同时也有效的解决了MeanShift算法对光照敏感的问题；采用椭圆搜索窗口，提高了跟踪的目标旋转形变问题的精度。
最后本文提出了一种基于CamShift算法的全自动目标跟踪策略，有效的减少由于手工选取目标引起的误差。
5.期刊论文郑可飚.黄文清.张佐理.李艳芳.ZHENGKe-biao.HUANGWen-qing.ZHANGZuo-li.LIYan-fang运动目标跟踪系统的遮挡问题处理-计算机工程与设计2009,30（11遮挡是运动目标跟踪研究中的一个重要问题,介绍了基于MarkovChainMonteCarlo（MCMC的运动物体遮挡问题解决方法.该方法通过建立贝叶斯模型,确定先验概率和条件概率,将车辆分割问题看成求后验概率最大时的车辆状态;然后运用MCMC方法对后验概率进行估计,设计MCMC标准对后验概率进行采样,用长方形模型来近似车辆外形.实验证明MCMC方法在不需对车辆单独初始化的前提下能有效的将相互遮挡的车辆分割出来,检测出车辆之间的相互遮挡.6.学位论文邓士弟基于交通视频的运动目标检测和跟踪2007随着交通的发展，交通视频的处理越来越重要。
本文重点研究固定背景下交通视频中运动目标的检测和跟踪技术，最后从一个系统的角度讨论了后续的特征提取和分类识别方面的内容。
目标检测就是判断视频序列中是否存在运动目标，并确定运动目标的位置。
运动目标跟踪是指在整个视频序列中建立运动目标序列间的对应关系，判断目标的运动情况例如目标的出现、消失、遮挡，目标的速度等。
最后的分类识别就是对跟踪的目标提取特征给出分类结果。
运动目标的检测、跟踪和识别是密切相关的过程，前面的结果直接影响到后续工作的进行。
现实环境的不同、光照变化、阴影都给运动目标检测、跟踪和识别带来了困难。
在总结常用的运动目标检测方法的基础上，构造了一种适合交通视频的基于高斯混合模型的运动目标检测模块，提出了一种新的背景初始化方法。
通过背景初始化、运动目标检测、形态滤波和标记连通域四个步骤实现运动目标的检测。
实验结果表明，这种基于高斯混合模型的运动目标检测方法是行之有效的。
在跟踪方面分别实验了Kalman滤波器、MeanshiR跟踪方法。
分析了它们的理论基础，实现了这两个跟踪方法，统一了与检测模块和分类识别模块的接口。
最后根据交通视频的特点实现了一个基于规则的跟踪方法，规则是考虑到行人与汽车在速度、形状方面存在差异还有目标模板和候选目标直方图相似等建立起来的。
这种跟踪方法判断规则简单有效运动速度快，很适合交通系统。
分类识别方面选用了目标面积与目标邻接矩形面积的比值、面积与周长的比值和矩形框的长宽比值做为分类特征。
分类器分别尝试了模板匹配方法和RBF神经网络的方法。
基于实验的目的按照检测、跟踪与识别分成三个模块简单地实现了一个监控系统。
7.学位论文张杨运动目标图像的检测与跟踪2005在现实生活中,大量有意义的视觉信息都包括在运动之中.尽管人类的视觉即能看见运动又能看到静止的物体,但是在许多场合,比如重要场所的安全监控、汽车的自动驾驶和辅助驾驶、交通流量的控制、航空和军用飞行器的制导,人们往往只对运动目标或物体感兴趣.因此,研究运动目标的检测和跟踪,有很大的现实意义和实际价值.本文实现了在实验室环境下对运动目标进行识别和跟踪的系统,并通过控制云台、镜头将目标始终保持在视场之中.主要讨论了单运动目标自动跟踪和多运动目标自动跟踪两种情况.（1在视场中存在单个运动物体时,自动检测目标,根据目标的大小,实现对运动目标的预警,通过分析差分图像的统计特性,自适应对灰度序列图像进行二值化处理,突出了其中的运动目标,以此为基础,结合数学形态学和面积阈值的方法,消除噪声干扰,分割出目标的运动区域,最后通过分析差分图像的投影图,检测出目标的运动状态.本文使用直方图为模式特征,以改进的模板匹配算法为本系统的跟踪算法,并在此基础上对后续目标加以运动检验等辅助手段,在跟踪过程中,使用Kalman滤波器对目标的位置历史滤波,得到目标的运动参数估计,极大的减少了模板匹配的搜索范围,达到跟踪处理快速稳定的要求.（2在视场中存在多个运动物体时,通过人工选定一个运动目标,进行自动跟踪.本文基于OpenCV（英特尔开源计算机视觉库,以CAMShift算法为基础,实现对彩色序列图像的自动跟踪.8.学位论文张恒无人机平台运动目标检测与跟踪及其视觉辅助着陆系统研究2008无人机因其特有优势而一直备受各国军事专家的青睐。
特别是在最近几次局部战争中，无人机更因其赫赫战功，而成为各国军事发展的重要方向之一。
论文以无人机平台对运动目标检测跟踪和无人机辅助着落导航系统为背景，研究了图像角点特征提取、像机自运动消除、复杂背景下运动目标跟踪、目标尺度方向自适应跟踪、小目标实时高精度跟踪和无人机辅助着陆系统等方面的相关算法，系统总结了作者在攻读博士学位期间所做的研究和取得的成果。
论文创新点如下：
（1传统梯度算子抗噪性不好，而且在梯度方向计算准确性上存在一定误差，论文在分析Gabor小波的基础上，提出了一种新梯度算子。
新算子在抗噪性和梯度方向计算的准确性上优于传统梯度算子。
针对图像角点特征提取问题，本文提出一种基于Gabor梯度的角点检测算法。
新算法在定位精度、噪声抑制等方面比经典算法有一定的提高。
（2对于像机自身存在运动情况下对运动目标进行检测跟踪问题，常用的一类算法是先消除像机自身运动，然后再对目标进行检测跟踪。
论文针对像机运动消除问题，提出了一种基于Gabor特征描述的像机自运动消除方法。
实验结果表明，新算法可以有效地消除像机自身运动，检测出和像机存在相对运动的目标。
（3目标在复杂背景中运动时，变化的背景会在一定程度上影响跟踪算法的稳定性和可靠性，所以应尽量抑制背景。
对于目标跟踪而言，目标中和背景差异大的区域对于跟踪的有效性、稳定性贡献较大。
根据以上原则，论文提出了一种目标区域差异性权值计算方法。
实验结果表明，权值计算方法有效地抑制了背景，权值计算结果符合人类直观感受。
升级会员 