基于Mean-Shift算法的目标自动检测与跟踪

摘要

计算机视觉作为一门交叉学科，与图像处理、物理学、人工神经网络、模式识别等学科都有紧密的联系，而目标跟踪则是该领域重要的研究方向之一。Mean-Shift作为一种经典的跟踪算法，利用目标的颜色信息作为特征进行局部搜索，在实际中已经得到了广泛的应用。然而，该算法在出现遮挡或背景与目标颜色相似或背景发生较大幅度变化的情况下，跟踪性能将严重下降，并且该算法无法自动检测跟踪目标，这些问题的存在势必会影响其在实际中的应用。
　　本研究主要内容包括：⑴针对Mean-Shift需要人工标注跟踪目标的问题，提出了一种基于帧差的Mean-Shift自动检测与跟踪算法，采用帧差法自动确定跟踪目标，并在跟踪过程利用帧差来对跟踪结果进行修正，克服了经典Mean-Shift算法只利用颜色信息来进行跟踪从而极易受到干扰而导致跟踪失败的问题，实现了目标的自动检测与跟踪，并通过实验验证了所提算法的有效性。⑵提出了一种基于压缩的Mean-Shift自动检测与跟踪算法。该算法采用基于感知哈希的检测算法实现了目标的自动检测，提取跟踪目标的哈希序列并与被检测图像中所提取的哈希序列集进行比对，进而确定跟踪目标的位置，实现在多人运动的场景中对某一跟踪目标的定位。在跟踪算法中，通过利用样本的多尺度信息确定Mean-Shift候选区域选取时的初始位置的方式，改进了经典的Mean-Shift算法。实验结果表明，该算法克服了经典Mean-Shift算法只依赖颜色特征的问题，能够在发生遮挡、前景与背景颜色相似情况下取得较好的跟踪效果。

目录

声明

致谢

摘要

1 引言

1．1 课题的背景研究及其意义

1．2 国内外的研究现状

1．2．1 发展历史

1．2．2 相关算法研究现状

1．3 关于目标跟踪算法的干扰因素及其难点

1．4 论文的工作内容与结构安排

1．5 本章小结

2 Mean-Shift算法及其在目标跟踪中的应用

2．1 Mean-Shift理论

2．1．1 参数密度估计

2．1．2 无参密度估计

2．1．3 Mean-Shift理论

2．1．4 Mean-Shift向量

2．2 Mean-Shift算法在目标跟踪中的应用

2．2．1 目标模型的描述

2．2．2 候选模型的描述

2．2．3 相似性度量

2．2．4 定位跟踪目标

2．3 本章小结

3 一种基于帧差的Mean-Shift目标自动检测与跟踪算法

3．1 常用的目标检测算法

3．2 一种基于帧差的Mean-Shift的目标自动检测与跟踪算法

3．2．1 运动目标的自动检测

3．2．2 发生丢失时实现跟踪目标的修正

3．2．3 算法流程

3．3 实验结果及分析

3．3．1 帧差目标检测算法实验结果及分析

3．3．2 简单环境下算法FDMS跟踪性能

3．3．3 存在遮挡情况下算法跟踪性能

3．3．4 背景发生大幅度改变情况下算法跟踪性能

3．4 本章小结

4 一种基于压缩的Mean-Shift目标自动检测与跟踪算法

4．1 基于感知哈希的检测算法

4．2 一种基于压缩的Mean-Shift目标自动检测与跟踪算法

4．2．1 目标的自动检测

4．2．2 压缩Mean-Shift算法

4．2．3 算法流程

4．3 实验结果与分析

4．3．1 基于感知哈希的目标检测算法实验

4．3．2 简单环境下算法跟踪性能

4．3．3 存在遮挡情况下算法跟踪性能

4．3．4 目标与背景颜色相似情况下算法跟踪性能

4．4 本章小结

5 总结与展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集