融合卡尔曼滤波和Mean Shift的尺度自适应运动目标跟踪算法的研究与实现

摘要

当今世界是一个信息急剧膨胀的时代，人们随时随地都会接收到海量的信息，其中视觉信息尤为重要，所以对这些视觉信息的处理逐渐成为人们日益关注的焦点。基于运动目标跟踪的视频分析技术是当今社会研究的热点，其中Mean Shift算法是常用优秀的运动目标跟踪算法之一，本文针对传统Mean Shift算法的不足，即目标跟踪框的大小不能变化，以及目标在快速运动或者被遮挡时跟踪效果较差的情况，对算法进行了相应的改进。
　　Mean Shift算法采用RGB核颜色直方图作为目标模型的描述，同时在Mean Shift算法框架下提取目标的几何特征，根据目标的型心坐标和面积对跟踪框的位置和大小做实时的更新，并按实际情况更新Mean Shift的目标模板。
　　针对Mean Shift算法对快速运动目标以及目标被遮挡时跟踪效果不佳的情况，本文结合卡尔曼滤波器对运动目标的预测功能，将卡尔曼滤波器与Mean Shift相结合，在每次执行Mean Shift算法时先以卡尔曼滤波器来预测目标的位置信息，然后再执行Mean Shift算法对目标位置做进一步修正，增强了目标位置信息的判断机制，使得目标跟踪更加有效。
　　本文算法实现所采用的硬件平台以 DM8168多核处理器为核心，同时处理系统以McFW为视频处理系统框架。由DSP核来运行目标跟踪算法，M3 VPSS负责视频的捕获和显示，M3 Video负责视频的编解码，由ARM核负责控制多个核之间的协同工作。
　　基于以上研究，本文通过与传统Mean Shift算法进行实验对比，证明改进后的算法在目标尺寸变化明显时具有更好的跟踪效果，同时对于目标快速运动以及被遮挡情况下也具有更佳地跟踪效果。

目录

封面

声明

中文摘要

英文摘要

目录

缩略词表

第一章 绪论

1.1课题研究背景及意义

1.2国内外研究现状及发展态势

1.3目标跟踪算法概述

1.4本文的主要研究内容

第二章 算法仿真与实现的软硬件平台

2.1流程划分

2.2算法仿真

2.3算法实现

2.4算法优化

2.5算法集成的软硬件平台

2.6本章小结

第三章尺度自适应Mean Shift目标跟踪算法

3.1 Mean Shift算法原理

3.2尺度自适应Mean Shift在运动物体跟踪中的应用

3.3系统运行结果分析

3.4尺度自适应Mean Shift与传统Mean Shift算法效果比较

3.5本章小结

第四章卡尔曼滤波器与Mean Shift相结合的运动目标跟踪算法

4.1递归贝叶斯与状态空间方法

4.2卡尔曼滤波器跟踪算法

4.3融合卡尔曼滤波和Mean Shift的目标跟踪算法

4.4目标遮挡情况下的跟踪

4.5本章小结

第五章 总结与展望

致谢

参考文献

攻读硕士学位期间的研究成果