论文部分内容阅读
运动目标的检测和跟踪一直是计算机视觉领域的重要研究课题。它在人工智能系统、数字影像监控、军事视觉制导、安全检测、医学生物领域等都有广泛的应用。Mean-shift跟踪算法实时性好，对遮挡和目标变形具有一定的适应性，是一个比较优秀的跟踪方法。但它也存在不足。传统的Mean-shift算法当背景的直方图分布和目标的直方图分布类似时，或者目标受到光照、阴影等影响，或有干扰物体靠近目标时，很容易发生跟踪错误。
本文对Mean-shift算法在视频跟踪中的鲁棒性进行了研究，针对上述几个跟踪难点，在以下几个方面对Mean．shifl算法进行了改进。
1) 用目标的色彩融合特征取代灰度特征，使目标更有效地从背景中区分出来，增强Mean-shift算法中目标特征建立的鲁棒性。
2) 利用Kalman滤波对目标位置进行预测，在预测位置的邻域内进行Mean-shift搜索，降低Mean-shift跟踪在相似物体靠近或目标受遮挡等情况下发生定位错误的概率。
3) 利用非参数背景建模的方法进行运动目标检测，能自动检测出运动的前景目标，进行目标定位；目标丢失时也能重新获取目标。
最后，建立了改进的Mean-shifl跟踪算法的总体框架，并对大量的视频流进行仿真，验证了算法的有效性。