CamShift 目标跟踪算法设计论文.docVIP

CamShift 目标跟踪算法设计毕业论文 目 录 摘 要 I Abstract 2 1 绪论 2 1.1 背景分析 2 1.2 研究现状 3 1.2.1基于滤波和数据关联度的跟踪算法研究现状 3 1.2.2 基于目标建模和定位的跟踪算法研究现状 4 1.3 主要研究内容 4 2 Mean Shift跟踪器设计 6 2.1 引言 6 2.2 Mean-shift 算法定义以及效率分析 6 2.2.1 Mean-shift 算法核函数概述[1] 6 2.22 Mean-shift 算法梯度函数 8 2.2.3 Mean-shift 收敛定理证明以及算法综述 10 2.3 基于Meanshift 的视频跟踪原理以及应用 13 2.3.1 Meanshift视频跟踪算法 13 2.3.2 Meanshift视频跟踪应用以及优缺点分析 17 3 局部Camshift算法原理以及实践 19 3.1 Camshift跟踪器 19 3.1.1 Camshift算法原理 19 3.1.2 CamShift算法优缺点分析 21 3.2 局部Camshift 算法 22 3.2.1 局部Camshift算法原理 22 3.2.2 局部Camshift算法的优缺点分析 24 4 局部Camshift算法与Camshift算法对比 25 4.1 局部Camshift算法的跟踪效果比较 25 4.2 局部Camshift算法的迭代次数比较 26 5 总结与展望 28 5.1 论文总结 28 5.2 研究展望 28 附录I 源程序(opencvtest.cpp) 32 致谢 38 1 绪论 1.1 背景分析 Meanshift 算法[1]是该派别的主力算法之一，该算法是一种在一组数据的密度分布中寻找局部极值的稳定[2]的方法。在离散的数据集上，meanshift能很快的找到数据分布最密集的点，并且Comaniciu等人[3]把Meanshift 成功的运用在特征空间的分析，在图像平滑和图像分割中Meanshift都得到了很好的应用，取得了非常好的效果。同时Comaniciu等人[4] 还把跟踪问题近似为一个meanshift最优化问题，使得跟踪可以实时的进行。之后，Bradski [5] 针对meanshift算法提出了改进，使得跟踪更加有效快捷。另一种滤波和数据关联度是一个处理目标动态变化，先验学习的由上至下的过程。两种方式结合在一个有效稳定的目标跟踪器中可以发挥着关键作用。例如，人群中的人脸更多的依靠目标的表现形式，而不是目标动态[6]，而在现场的目标监控系统里[7]，目标的移动和摄像机的自我移动是更关键的部分。在实时跟踪系统中，只有系统中的少量资源可以被用来做跟踪，其余部分可以用来做识别等预处理，因此，要将计算复杂度尽可能地降到最低。 1.2 研究现状1.2.1基于滤波和数据关联度的跟踪算法研究现状 ，对应的时间更新的方程用来描述。可以利用的方法集合和相应的状态方程 相关。概括的说，， 都是非线性的向量，值都是随着时间变化的 和 都是噪声向量，并且假设为独立同分布的随机变量。 当噪声向量是属于高斯分布，，都是线型算子的时候，最好的方法是用卡尔曼滤波法(Kalman Filter)[8, p.56]，当， 都是非线性算子的时候，进行线型化就得到了扩展的卡尔曼滤波法(Extended Kalman Filter, EKF)[8]，两种方法的后验概率分布都是高斯型。有一个另类的卡尔曼滤波法叫做Unscented Kalman Filter(UKF)[9], 该方法根据一些离散的样本点求出后验概率的均值和方差。当状态空间是离散而且由有限个状态组成的时候，隐马尔科夫(Hidden Markov Models, HMM)滤波[10]可以用来做跟踪。最一般的滤波族是粒子滤波[11]，也叫booststrap滤波，是基于蒙特卡罗积分法的滤波方式。 当跟踪于一个多目标的混乱环境下，一些跟踪方法的有效性和关联性就产生了。最近邻居法(Nearest Neighbor Filter)和概率数据关联法(Probabilistic Data Association Filter)对一个单目标都是有效的。这些做法的假设是，对于一个给定的目标来说，只有一种方法是有效的，其余的方法都是随机的干扰。这就是说，独立同分布的均匀分布量。连接数据关联度滤波(Joint Data Association Filter(JPDAF)[8, p.222], 于此同时，计算了方法和目标的关联度概率把所有目标都联系起来。一个与众不同的方法是多重假设滤波(Multiple Hypothesis Filter, MHF)[12]，通过计算给定的目标产生一系列方法的概率来适应目标的