下载文档原格式
基于Mean-Shift优化的TLD视频长时间跟踪算法肖庆国;叶庆卫;周宇;王晓东【期刊名称】《计算机应用研究》【年(卷),期】2015(032)003【摘要】针对TLD(tracking learning detection)算法同时包含了跟踪、检测和学习三个部分,具有较高计算量的缺点,提出了采用Mean-Shift算法替换原TLD跟踪器部分的光流跟踪算法.该优化方法利用具有计算量小的Mean-Shift算法替换计算量较大的光流法进行跟踪,以通过目标模型和候选目标模型之间的巴氏系数与阈值的比较来判定跟踪失败的自检测,并通过计算Mean-Shift跟踪返回的目标框和上一帧TLD返回的目标框之间的相似度来进一步得到跟踪的有效性,在发生跟踪失败时由检测器重新初始化跟踪.实验结果表明,该优化方法在视频长时间跟踪算法中具有较高的鲁棒性和准确性,并且与原TLD算法相比,该优化方法在跟踪速度上得到了提升.【总页数】4页(P925-928)【作者】肖庆国;叶庆卫;周宇;王晓东【作者单位】宁波大学信息科学与工程学院,浙江宁波315211;宁波大学信息科学与工程学院,浙江宁波315211;宁波大学信息科学与工程学院,浙江宁波315211;宁波大学信息科学与工程学院,浙江宁波315211【正文语种】中文【中图分类】TP391.41;TP301.6【相关文献】1.基于Mean-Shift算子的多尺度视频跟踪算法研究 [J], 盛磊;刘旨春;于晓波2.基于PTLD的长时间视频跟踪算法 [J], 刘建;郝矿荣;丁永生;杨诗宇3.基于TLD改进框架的视频目标跟踪算法 [J], 史殊凡;孙光民4.基于TLD和fDSST的长时间目标跟踪算法 [J], 李轶锟;吴庆宪;丁晟辉;胡鲲5.基于改进TLD跟踪算法的生猪视频跟踪 [J], 何雨;刘星桥;刘超吉;李健因版权原因，仅展示原文概要，查看原文内容请购买。
结合Mean Shift的目标跟踪算法
秦凯;孙欢欢;胡齐俊
【期刊名称】《信息通信》
【年(卷),期】2014(000)008
【摘要】基于均值漂移（Mean Shift）的视频目标跟踪一般采用直方图对目标进
行建模，然后通过相似度度量，最终实现目标的匹配和跟踪。
这种方法具有很高的稳定性，能够适应目标的形状、大小的连续变化，能够保证系统的实时性和可靠性，近年来在目标跟踪领域得到了广泛应用。
Mean Shift算法已经成为目标跟踪领域
的一个研究热点。
【总页数】1页(P10-10)
【作者】秦凯;孙欢欢;胡齐俊
【作者单位】长安大学信息工程学院，陕西西安710064;长安大学信息工程学院，陕西西安710064;长安大学信息工程学院，陕西西安710064
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.Mean-Shift结合Kalman滤波的车辆目标跟踪算法 [J], 张开
2.基于Mean-shift与Kalman算法相结合的动态目标跟踪算法研究 [J], 梁广颖
3.基于目标运动信息的Mean Shift跟踪算法研究 [J], 王辉; 于立君; 郭涛; 原新;
陈虹丽
4.基于Mean-shift改进的自适应目标跟踪算法 [J], 张伟;李绍铭;王勇
5.基于多尺度空间的mean shift目标跟踪算法 [J], 于莹;毛盾
因版权原因，仅展示原文概要，查看原文内容请购买。
基于结合Mean-shift的Kalman多运动目标视频车辆检测器算法摘要：传统的车辆检测器算法虽然简单快速，但依然存在许多误触发的问题，在此背景下，本文首先介绍了传统的mean shift跟踪算法和kalman跟踪算法，然后提出了解决多目标跟踪问题的结合mean shift的kalman跟踪算法，最后将此算法和传统的算法进行了实验对比和优缺点的分析。
关键词：mean-shift；kalman；车辆检测器中图分类号：tp291 文献标识码：a 文章编号：1007-9599 (2011) 22-0000-02kalman multiple moving targets video vehicle detector algorithm based on mean-shiftkang nan(computer college,sichuan university,chengdu610064,china)abstract:conventional vehicle detection algorithm is simple and fast,but there are still many problems,in some condition it will make lots of mistakes.this paper firstly describes mean-shift tracking algorithm and kalman tracking algorithm,and then proposed to solve the problem ofmulti-target tracking with a method of merging bothmean-shift and kalman algorithm.at the end of this paper,icompare this algorithm with the traditional algorithm and give the comparative advantages for experimental analysis.keywords:mean-shift;kalman;vehicle detector目前，国内许多公司的车辆检测器的设计都比较简单，其核心算法只是对相邻图像帧做帧间差，一旦相邻帧之间的差值到一定的阈值，就认为有运动物体闯入，然后就向车牌识别器发送触发信号，这种车辆检测器检测速度快，但会出现大量的误触发现象，进而会大大增加车牌识别器、中心数据处理系统的数据处理负担和模块间的网络通信负担，浪费大量的系统资源。
湖南工学院（本科）毕业设计论文毕业设计说明书基于Mean-Shift算法的运动目标跟踪摘要作为计算机视觉的一个重要部分，智能视频监控技术不仅在政府和企业的广泛应用，随着社会的进步，家庭也在很大程度上离不开它，而智能视频监控方面的核心技术是运动目标的跟踪，从21世纪以来，伴随着信息科学技术的飞速发展，越来越多的研究者开始关注智能化视频监控系统中的移动目标跟踪算法的研究。
尽管人们在20世纪就已经提出了很多有效的运动目标跟踪算法，但事实上，运动目标的跟踪技术在实现的过程中仍然是困难重重，例如背景的不稳定、目标跟踪过程中被遮挡、目标跟背景颜色相似等因素，都会很大程度上破坏跟踪效果，因此，要想设计出跟踪效果好的均值漂移算法仍然具有很大挑战性。
在本篇论文中，简要的介绍了一下运动目标跟踪技术的发展史（从第一次被提出，一直到该项技术应用到各个领域），运动目标跟踪技术经历了一个漫长的过程。
本论文还提到了视频监控系统的结构框架，并分析了每一部分的原理；同时也研究了图像处理技术在智能化视频监控体系中的应用，主要包含数学形态学理论、图像的预处理和目标模型描述等。
对于智能化视频监控体系在实践中的应用，本论文采用的是Mean-Shift（均值漂移）跟踪算法，该算法是一项先进的运动目标跟踪技术。
还详细分析了基于均值漂移算法在运动目标跟踪方面的应用，而且验证了Mean-Shift算法在实际应用中的收敛性【1】。
对于均值漂移算法易出现的缺点，对其一一攻破，并且进行了多次仿真实验，结论表明:该算法的跟踪效果较好。
关键词：智能视频监控；视频图像处理；背景差分法；运动目标的跟踪；Mean-Shift 算法ABSTRACTAs an important part of computer vision, intelligent video surveillance technology, not only in government and enterprises a wide range of applications, with the progress of society, the family also largely inseparable from it, and intelligent video surveillance technology is a moving target core the track, from the 21st century, with the rapid development of information science and technology, more and more researchers began to focus on research in intelligent video surveillance system moving target tracking algorithm. Although people in the 20th century has been proposed many effective moving target tracking algorithm, but in fact, moving target tracking technology is still in the process of realization is difficult, such as unstable background, target tracking process is blocked, the target the background color is similar with other factors, will largely destroyed tracking results, therefore, in order to design a good effect mean shift tracking algorithm still has a great challenge.In this paper, a brief introduction about the history of the moving target tracking technology ( from the first to be made until the technology applied to various fields ), moving target tracking technology has gone through a long process. The paper also mentioned the structural frame of video surveillance systems, and analysis of the principle of each part; also studied image processing technology in intelligent video surveillance system consists mainly of mathematical morphology theory, image preprocessing and objectives model description.For the application of intelligent video surveillance system in practice, this thesis is the Mean-Shift (mean shift) tracking algorithm, which is an advanced motion tracking technology. Also a detailed analysis based on the mean shift algorithm in moving target tracking application, and verify the Mean-Shift algorithm in the practical application of the convergence [1]. For the mean shift algorithm prone shortcomings, its one break, and conducted a number of simulations, the conclusions show that : better tracking performance of the algorithm.Keywords : intelligent video surveillance; video image processing; background subtraction; tracking of moving targets; Mean-Shift algorithm目录1 绪论 (1)1.1 课题研究背景与意义 (1)1.2 国内外研究现状 (1)1.3 目标跟踪问题的困扰因素 (2)1.4 本章小结 (3)2 图像处理简介 (4)2.1 图像灰度化处理 (4)2.2 图像噪声处理 (4)2.3 目标表示 (5)2.4 数学形态学 (6)2.5 本章小结 (7)3 VC编程环境的搭建 (8)3.1 OpenCV简介 (8)3.2下载和安装OpenCV (8)3.3搭建OpenCV环境 (8)3.4 OpenCV中常用函数介绍 (10)3.4.1 数据结构 (10)3.4.2 常用函数 (12)3.5 本章小结 (14)4 基于Mean-Shift的目标跟踪算法 (15)4.1运动目标跟踪综述 (15)4.2 Mean-Shift算法研究 (15)4.2.1 基本Mean-Shift算法 (15)4.2.2 Mean-Shift算法工作原理分析 (16)4.3 程序运行结果 (19)4.3.1 图形界面 (19)4.3.2 目标跟踪效果 (20)4.4 本章小结 (22)结束语 (23)参考文献 (24)致谢 (25)附录 (1)1 绪论1.1 课题研究背景与意义运动目标跟踪技术是计算机视觉领域的核心研究课题之一，它涉及到各个科研领域。
Microcomputer Applications V ol.27,No.4,2011研究与设计微型电脑应用2011年第27卷第4期5文章编号：1007-757X(2011)04-0025-03基于像素级图像融合的Mean Shift 目标跟踪张国华，卜纪伟，薛雷，肖刚，潘汉摘要：针对可见光、红外单模图像序列进行Mean Shift 目标跟踪时存在的问题，提出了先对可见光、红外图像序列进行像素级动态图像融合，采用加权平均融合和基于区域目标检测的图像序列融合框架，再对融合结果进行Mean Shift 目标核函数直方图建模，然后进行匹配跟踪。
实验采用了实际图像序列。
实验结果表明，针对目标进行跨背景区域的运动，该方法较采用单模图像序列进行跟踪具有更好的鲁棒性，并且满足实时性的要求。
关键字：图像融合;动态图像融合;Mean Shift;目标跟踪;融合跟踪中图分类号：TP311文献标志码：A0引言目标跟踪一直是计算机视觉的一个重要组成部分和研究热点。
所谓目标跟踪就是在视频图像序列的每幅图像中找到感兴趣的运动目标所处的区域，并对这些目标和区域进行定位的过程。
一个好的视频跟踪算法一般须满足两个基本要求：实时性与鲁棒性。
而这两条通常难于同时满足，往往需要某种折中，以得到较好的综合性能。
自从Comaniciu [1]等人把Mean Shift 算法用于目标跟踪取得很大成功后，近年来研究者已经提出了许多改进算法，且具有计算简单、实时性好等特点，得到了广泛的应用。
然而不管是针对可见光图像还是红外图像，当目标特征不明显、存在很大背景杂波或目标从一背景区域运动到另一背景区域等情况下，这些问题使得目标跟踪变得困难起来。
图像融合正是对从同一场景得到的不同模态的图像进行智能的合并，得到该场景的单一的扩展了的景象描述。
目前基于红外与可见光双传感器的图像融合已经发展非常迅速，很多学者已提出了多种图像融合算法，并得到了很好的效果。
基于Men Shift算法的XX球运动视频目标跟踪研究XX：1004?373X（20XX）13?0073?04bstrct：Since the trcking effect of the trditionl Men Shift lgorithm is poor in the situtions tht the speed of the moving object is fst，nd the moving object is blocked out，n improved Men Shift lgorithm bsed video object trcking method of tennis sports is proposed. The process nd shortcomings of the Men Shift lgorithm to perform the video object trcking of the tennis sports re nlyzed. The lest squre method is used to improve the Men Shift lgorithm，nd predict the video object loction of tennis sports. The itertive trcking is crried out for this position. The Men Shift lgorithm is dopted to get the finl trget trcking position，solve the problems of fst trget movement speed nd interference shielding，reduce the distnce between the vector nd convergence point when ech frme is retrieved，nd improve the trcking efficiency. The experimentl results show tht the method hs high trcking performnce nd trcking efficiency.Keywords：Men Shift lgorithm；tennis sports；video object；trcking reserch0 引言随着计算机技术的快速进展，计算机视觉技术在人们的生产和生活中的应用价值也逐渐提升。
精品文档供您编辑修改使用专业品质权威编制人：______________审核人：______________审批人：______________编制单位：____________编制时间：____________序言下载提示：该文档是本团队精心编制而成，希望大家下载或复制使用后，能够解决实际问题。
文档全文可编辑，以便您下载后可定制修改，请根据实际需要进行调整和使用，谢谢!同时，本团队为大家提供各种类型的经典资料，如办公资料、职场资料、生活资料、学习资料、课堂资料、阅读资料、知识资料、党建资料、教育资料、其他资料等等，想学习、参考、使用不同格式和写法的资料，敬请关注!Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!And, this store provides various types of classic materials for everyone, such as office materials, workplace materials, lifestylematerials, learning materials, classroom materials, reading materials, knowledge materials, party building materials, educational materials, other materials, etc. If you want to learn about different data formats and writing methods, please pay attention!MeanShift及相关算法在视频跟踪中的探究摘要：随着计算机视觉和图像处理技术的进步，视频跟踪技术在监控、视频处理和智能驾驶等领域得到了广泛应用。
基于Mean Shift视频运动目标跟踪作者：魏保华来源：《计算机光盘软件与应用》2014年第01期摘要：视频监控是安全防范系统的重要组成部分，而视频运动目标检测和跟踪技术则是智能视频监控的关键技术。
Mean Shift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的方法，并因其它计算量小，简单易实现而广泛应用于实时跟踪场合。
在离散的数据集上，Mean Shift能很快的找到数据分布最密集的点，本文介绍了使用OpenCV实现Mean Shift的方法，分析其在跟踪方向的优势与不足。
关键词：目标跟踪；OpenCV；Mean；Shift；颜色直方图中图分类号：TP391.41视觉是人类从外界获取信息的主要途径。
运用摄影机和电脑代替人眼对目标进行识别、跟踪和测量，将三维环境信息储存为二维信息，并进一步做图像处理，合成为更适合人眼观察或传送给仪器检测的图像。
计算机视觉试图建立能够从图像或者多维数据中获取…信息‟的人工智能系统。
在这些应用领域中，如何利用计算机把运动目标从有干扰的背景中检测出来并对其进行识别、跟踪、管理等处理是需要研究的关键技术。
1 视频运动目标跟踪20世纪60年代后期，蒙特卡罗方法被引入自动控制领域。
1975年，Fukmaga等人在一篇关于概率密度梯度函数的估计中提出Mean shift。
1995年，Yizong Cheng在“Mean shift mode seeking and clustering”中定义了一族核函数，设定了一个权重系数，扩充了基本Mean Shift算法，扩大了其适用范围。
1999年，Intel公司在均值偏移理论的基础上建立了CAMSHIb'T算法，以及基于此算法的人脸跟踪系统，将均值偏移算法扩展到运动目标跟踪领域中。
基于Mean shift的研究有许多成果发表[1-3]。
2000年，Comaniciu[4-5]等人将Mean Shift作用于非刚性物体的实施跟踪。
他们用颜色直方图作为目标特征，使用Bhattacharyya系数来判别概率分布相似程度，利用均值迁移方法作为模式搜索方法。
2005年，S.T Birchfield在Mean Shift算法中引入包含空间信息的空间颜色直方图，增加了目标描述信息并增强跟踪的鲁棒性。
同年，Collins等人采用多特征选择机制用以提升目标与背景分离度从而改善跟踪效果。
2010年，王方林等人在文献提出有效融合多种空间分布片段的融合方案以解适应目标遮挡情况。
同年，李书晓等人提出的自适应pyramid Mean Shift 算法，改善了Mean Shift跟踪对于相邻帧目标位移过大时不灵敏的问题。
2 Meanshift算法2.1 用于跟踪的Mean Shift算法Mean-Shift算法是一种半自动跟踪算法.在跟踪序列的初始帧，通过人工或其他识别算法确定目标窗并构建目标模型；然后，在序列第N帧对应位置计算候选目标模型；比较两个模型的相似度，以相似度最大化为原则移动跟踪窗，从而定位目标的真实位置。
文献[6]中介绍其算法。
目标定位问题转化为最大化相似度函数ρ（Y）的问题.以前一帧的搜索窗中心Y0为起始点，将ρ（Y）在Y0附近Taylor展开，取前两项。
即：（1）因此要使得r（Y）向最大值迭代，只要Y的搜索方向与梯度方向一致即可，通过求导可得到Y0的梯度方向。
从而可以推导出Mean-Shift向量：（2）其中，Y1是目标的新中心坐标；g（x）=−k′（x），是函数k（x）的影子核。
通过反复迭代，当Mean-Shift向量mHh，g（Y0）的模值小于给定常量ε时，则认为完成了目标定位。
3 核函数带宽的作用及选择核函数带宽与跟踪目标空间尺度基本吻合，由此产生的Bhattacharyya系数在目标点附近基本上呈单峰模式，经Mean-Shift迭代后可以准确定位。
采用2倍带宽，引入了多余噪声，当目标附近存在具有相似特征的物体时，定位会偏向干扰物体。
采用0.5倍带宽，导致定位时会在该区域内“漫游”，具有很大的随机性。
Mean Shift算法使用核直方图描述目标，对目标的形变和旋转变化、部分遮挡等具有较强的鲁棒性，而且计算简单、速度快。
但是，算法假设了目标和背景各自对应的颜色非零部分的颜色直方图不相同，因此，在目标与背景颜色相近的情况下容易导致跟踪失败。
另外，Mean Shift算法的核函数窗口宽度固定，使得当目标的尺度变大超出搜索窗大小时，算法的效果同样受到影响。
核函数带宽在Mean-Shift算法中起着非常重要的作用，它决定了参与迭代的样本数量，反映了搜索窗的形状和大小.对同一个矩形目标，用不同带宽的同一核函数进行定位。
4 Mean Shift跟踪与OpenCV实现4.1 运行环境介绍OpenCV的全称是Open Source Computer Vision Library，是一个跨平台的开源计算机视觉库。
最早由英特尔公司于1999年启动并参与开发，OpenCV的一个目标是构建一个简单易用的计算机视觉框架，以帮助开发人员更便捷的设计更复杂的计算机视觉相关应用程序，例如实时的图像处理、计算机视觉以及模式识别程序。
该程序库也可以使用英特尔公司的IPP进行加速处理。
OpenCV的1.0版本于2006年发布。
2.0版本于2009年10月发布，该版本的主要更新在于其采用C++语言编写，它的主要接口也是C++语言，但是依然保留了大量的C语言接口。
4.2 颜色直方图HSV（Hue，Saturation，Value）色彩空间也称为色相、饱和度、亮度模型。
H表示色相，是色彩的基本属性；S表示饱和度，指色彩的纯度；V表示亮度。
这种色彩空间反应了人类观察色彩的方式，同时也有利于图像处理。
基于这一特性，Mean shift算法在候选目标的建模中，将采集的RGB彩色图像转换到HSV空间，采用HSV模型中的Hue分量进行跟踪，从而克服一部分的光照影响。
Mean Shift 基于模式匹配的机理建立颜色直方图。
反向投影图实际上是一张概率密度图。
输入一个目标图像的直方图，用某一位置上像素值（多维或灰度）对应在直方图的一个bin上的值来代替该像素值，输出图像象素点的值是观测数组在某个分布（直方图）下的概率，整个图像为单通道。
如果输入图像上的点越亮，就说明这个点属于物体的概率越大。
输出的反向投影图作为Mean Shift输入进行跟踪。
4.3 Mean Shift迭代OpenCV中提供的Mean Shift算法函数没有引入核函数与巴氏系数，只计算输入图像窗口的重心，通过不断迭代调整中心直到重心汇聚以实现跟踪。
具体实现如下。
（1）选择窗的大小和初始位置。
（2）计算此时窗口内的Mass Center。
（3）调整窗口的中心到Mass Center。
（4）重复2和3，直到窗口中心"会聚"，即每次窗口移动的距离小于一定的阈值。
4.4 实验结果分析Mean Shift算法对目标变形鲁棒性好，在跟踪目标发生形变时，不容易出现跟丢现象。
跟踪目标与背景颜色对比度大时，跟踪效果较好。
如果跟踪对象在跟踪过程中出现消失，跟踪窗口则停留在上一帧附近位置，在跟踪对象再次出现时，则继续跟踪Mean Shift算法采用颜色作为目标特征值的局限。
当目标与背景颜色相近时，无论是与移动物体还是静态背景相似，都容易在二者重叠时发生选择框跟随其他物体移动，从而导致跟丢现象。
a b图1图1所示跟踪目标因被遮挡而导致目标丢失现象，这也是算法需要改进之处。
5 总结与展望Mean Shift算法在跟踪领域有很多优点，比如：实时性好，对遮挡、目标变形鲁棒性好。
虽然Mean Shift算法不能跟踪快速目标，但相比那些和滤波以及数据关联度的跟踪算法，Meanshift算法的计算量已经大大降低了。
算法跟踪的准确度依然有待提高。
建立一个鲁棒性好的算法无论对于目标检测，还是目标跟踪的建立模型都大有裨益。
增加构建直方图的目标特征的个数，即在颜色特征以外加上空间信息描述或者对被跟踪目标的形状特征，有助于提高目标描述的准确性。
作为一个优化的算法，跟踪算法可能在计算过程中收敛到局部极值。
对于这个问题，最好的办法是尽量避免图像出现多个极值，也就是说最后只有一个最大值，这样就可以保证收敛总是处于正确位置。
跟踪算法应用广泛，无论在军事还是民用，经济生活还是社会公共安全方面都是有重要作用及巨大的商业潜力的。
如果有更多精确的跟踪算法问世，将使得虚拟与现实之间的距离进一步缩小。
参考文献：[1]Gary Bradski，Adrian Kaehler，学习OpenCV[M].北京：清华大学出版社，2009.[2]中文维基百科，2013.[3]刘毅.局部CamShift跟踪算法[D].武汉理工大学，2011.[4]Dorin Comaniciu，Visvanathan Ramesh，Peter Meer.Real-Time Tracking of Non-Rigid Objects Using Mean Shift.CVPR，2000.[5]Ido.Leichter.Mean Shift Trackers with Cross-Bin Metrics.TPAMI，2012.[6]袁广林，薛模根，韩裕生.基于自适应多特征融合的Mean Shift目标跟踪[J].计算机研究与发展，2010.作者简介：魏保华（1965-），男，山西人，工学博士，副教授，计算机应用方向。
作者单位：广东省农工商职业技术学院计算机系，广州 510507。
