基于Meanshift和粒子滤波的目标跟踪方法

６６MeanShift算法和粒子滤波相结合的运动目标视频跟踪技术

缪鑫

（中国电子科技集团公司第二十八研究所，江苏南京210007）

摘要：基于帧间视频图像的运动目标跟踪技术，已经成为计算机视觉领域的一个研究热点，在很多领域被越来越广泛使用，特别在航空航天、医药卫生、国防建设以及国民经济的实用性逐渐被人们重视，具有良好的发展前景。文章结合Mean

Shift算法、粒子滤波算法两种算法的优缺点，提出了将MeanShift算法与粒子滤波算法相结合，利用MeanShift算法的

聚类作用，将粒子样本收敛在更接近目标的真实位置的区域，满足鲁棒性、实时性和抗遮挡的要求，能够应用于高实时性的视频图像处理领域。

关键词：目标视频跟踪；遮挡；MeanShift算法；粒子滤波算法中图分类号：TP274.2文献标识码：A文章编号：1673-1131（2015）01-0066-02

运动目标视频跟踪技术，目的是用计算机代替人，对视频

图像中的目标物体进行判别和感知，该项技术在很多领域被越来越广泛的使用，特别在航空航天、医药卫生、国防建设以及国民经济的实用性逐渐被人们重视，具有良好的发展前景。

目标跟踪是很多计算机视觉应用的关键技术，好的算法必须要解决目标在遮挡情况下的跟踪问题。为解决目标遮挡

问题，大致可有如下四类算法：（1）基于目标特征匹配算法。（2）基于动态贝叶斯网络模型来精确地对遮挡过程建模。

（3）基于颜色分布的粒子滤波。（4）多子范本匹配方法[1]。在目标的变形、旋转的情况下，MeanShift算法的表现较

好，因其利用梯度优化的方法，实现快速的定位目标，而能够实时地跟踪非刚性目标。但是在目标被严重遮挡的特殊情况

下，如：多个目标被同一物体遮挡，单个目标对应状态可能不是局部极值点，逐渐丢失目标，达不到目标跟踪的要求。而粒子滤波算法，通常可用来解决非线性问题，采用多个

粒子，对跟踪的不确定性有了判别，从而保证算法的鲁棒性。但该算法由于粒子数量多，带来了较大的计算量，使得实时性下降。

均值漂移 Mean Shift

均值漂移(Mean Shift)

00

均值漂移是一种有效的统计迭代算法。

均值漂移算法是一种基于密度梯度上升的非参数方法，通过迭代运算

找到目标位置，实现目标跟踪。它显著的优点是算法计算量小，简单易实现,很适合于实时跟踪场合；但是跟踪小目标和快速移动目标时常常失败，而且在全

部遮挡情况下不能自我恢复跟踪。通过实验提出应用核直方图来计算目标分布，

证明了均值漂移算法具有很好的实时性特点。

Mean Shift 简介

Mean Shift 这个概念最早是由Fukunaga等人[1]于1975年在一篇关

于概率密度梯度函数的估计中提出来的,其最初含义正如其名,就是偏移的均值向量,在这里Mean Shift是一个名词,它指代的是一个向量,但随着Mean Shift

理论的发展,Mean Shift的含义也发生了变化,如果我们说Mean Shift算法,一

般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然

后以此为新的起始点,继续移动,直到满足一定的条件结束.

然而在以后的很长一段时间内Mean Shift并没有引起人们的注意,直到20年以后,也就是1995年,另外一篇关于Mean Shift的重要文献[2]才发表.

在这篇重要的文献中,Yizong Cheng对基本的Mean Shift算法在以下两个方面

做了推广,首先Yizong Cheng定义了一族核函数,使得随着样本与被偏移点的距

离不同,其偏移量对均值偏移向量的贡献也不同,其次Yizong Cheng还设定了一个权重系数,使得不同的样本点重要性不一样,这大大扩大了Mean Shift的适用

范围.另外Yizong Cheng指出了Mean Shift可能应用的领域,并给出了具体的

例子.

Comaniciu等人[3][4]把Mean Shift成功的运用的特征空间的分析,

在图像平滑和图像分割中Mean Shift都得到了很好的应用. Comaniciu等在文

轨迹跟踪方法总结 -回复

轨迹跟踪是计算机视觉领域中的重要研究方向，它涉及到识别、跟踪和预测目标在连续帧中的位置。随着计算机技术的发展和硬件的升级，轨迹跟踪方法得到了广泛的应用。本文将以轨迹跟踪方法为主题，对其进行总结和回答一些相关问题。

一、轨迹跟踪方法的分类

轨迹跟踪方法可以分为传统方法和深度学习方法两大类。

1. 传统方法

传统的轨迹跟踪方法通常基于特征工程和机器学习方法。其中，特征工程指的是从图像或视频帧中提取有用的特征，如颜色、纹理、形状等。机器学习方法包括分类器、回归器等，其主要作用是通过学习已有的轨迹样本，预测目标的位置。

常见的传统方法包括基于卡尔曼滤波器的轨迹跟踪方法、粒子滤波器、CAMShift、Meanshift等。这些方法在不同的场景和任务中有着各自的优势和适用性。

2. 深度学习方法

近年来，深度学习方法在计算机视觉领域取得了巨大的进展，也在轨迹跟踪中得到了广泛的应用。深度学习方法通过神经网络模型学习图像的特征表示，从而实现轨迹跟踪任务。

深度学习方法可以分为两类：基于框架的方法和端到端的方法。基于框架的方法包括Faster R-CNN、YOLO等，其主要思想是通过在图像中检测出目标的位置，再进行跟踪。端到端的方法则是直接学习目标的轨迹，如Siamese网络、MDNet等。

二、轨迹跟踪方法的关键技术

无论是传统方法还是深度学习方法，轨迹跟踪中都涉及到一些关键技术。

1. 目标检测

目标检测是轨迹跟踪的第一步，其作用是在图像或视频帧中准确定位目标的位置。常用的目标检测方法包括基于特征的方法（如HOG、SIFT等）和基于深度学习的方法（如Faster R-CNN、YOLO等）。

2. 特征提取

特征提取是轨迹跟踪中的关键步骤，其目标是将图像或视频帧中的目标转换为具有区分性的特征表示。常用的特征提取方法包括传统的手工设计特征和深度学习方法。

3. 目标跟踪

目标跟踪是轨迹跟踪的核心任务，其主要目标是在连续帧中预测目标的位置。在传统方法中，常用的目标跟踪方法包括基于卡尔曼滤波器的方法、粒子滤波器、CAMShift和Meanshift等。而在深度学习方法中，常用的目标跟踪方法包括Siamese网络和MDNet等。

第３９卷第４期　２ｏ１３年８月　兰州理工大学学报　Ｊｏｕｒｎａｌ　ｏｆ　Ｌａｎｚｈｏｕ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ　ＶｏＬ　３９　Ｎｏ．４　Ａｕｇ．２０１３　

文章编号：１６７３－５１９６（２０１３）０４４９０８９－０５　

基于灰度共生矩阵和Ｍｅａｎ　Ｓｈｉｆｔ的目标跟踪算法　

张永，刘巧玲　

（兰州理工大学计算机与通信学院，甘肃兰州　７３００５０）　

摘要：针对运用单一颜色特征描述运动目标时抗干扰性较差的问题，提出一种融合灰度共生矩阵和颜色特征的　Ｍｅａｎ－Ｓｈｉｆｔ目标跟踪算法．采用灰度共生矩阵推导的６个纹理特征参数和颜色特征分别表征跟踪目标，引入马氏　距离计算纹理特征的相似度，并结合Ｂｈａｔｔａｅｈａｒｙｙａ系数计算颜色特征的相似度，同时利用Ｍｅａｎ　Ｓｈｉｆｔ算法进行目　标定位．实验表明，改进算法能在复杂背景下，有效、准确地实现目标跟踪．　关键词：灰度共生矩阵；目标跟踪；ＭｅａｎＳｈｉｆｔ；纹理；马氏距离　中图分类号：ＴＰ３９１　文献标识码：Ａ　

Ｔａｒｇｅｔ　ｔｒａｃｋｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｇｒａｙ　ｓｃａｌｅ　ｃｏｅｘｉｓｔｅｎｃｅ　ｍａｔｒｉｘ　ａｎｄ　Ｍｅａｎ　Ｓｈｉｆｔ　

ＺＨＡＮＧ　Ｙｏｎｇ，ＬＩＵ　Ｑｉａｏ－ｌｉｎｇ　

（Ｃｏｌｌｅｇｅ　ｏｆ　Ｃｏｍｐｕｔｅｒ　ａｎｄ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ，Ｌａｍｈｏｕ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｌａｎｚｈｏｕ　７３００５０，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ａｉｍｅｄ　ａｔ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｔｈａｔ　ｔｈｅｒｅ　ｉｓ　ｐｏｏｒ　ａｎｔｉ－ｊａｍｍｉｎｇ　ａｂｉｌｉｔｙ　ｗｈｅｎ　ｔｈｅ　ｓｉｎｇｌｅ　ｃｏｌｏｒ　ｆｅａｔｕｒｅ　ｉｓ　

ｕｓｅｄ　ｔｏ　ｄｅｓｃｒｉｂｅ　ｔｈｅ　ｍｏｖｉｎｇ　ｔａｒｇｅｔ，ａ　ｔａｒｇｅｔ　ｔｒａｃｋｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｗａｓ　ｐｒｏｐｏｓｅｄ　ｂａｓｅｄ　ｏｎ　Ｍｅａｎ　Ｓｈｉｆｔ　ｗｈｉｃｈ　ｍｉｘｅｄ　ｇｒａｙ　ｌｅｖｅ１　ｃｏ－ｏｃｃｕｒｒｅｎｃｅ　ｍａｔｒｉｘ（ＧＬＣＭ）ａｎｄ　ｃｏｌｏｒ　ｆｅａｔｕｒｅ　ｔｏｇｅｔｈｅｒ．Ｓｉｘ　ｐａｒａｍｅｔｅｒｓ　ｏｆ　ｔｅｘｔｕｒｅ　ｄｅ—　ｄｕｃｅｄ　ｗｉｔｈ　ＧＬＣＭ　ａｎｄ　ｃｏｌｏｒ　ｆｅａｔｕｒｅ　ｐａｒａｍｅｔｅｒｓ　ｗｅｒｅ　ｕｓｅｄ　ｔｏ　ｃｈａｒａｃｔｅｒｉｚｅ　ｔｈｅ　ｔｒａｃｋｉｎｇ　ｔａｒｇｅｔ．Ｔｈｅ　ｓｉｍｉｌａｒｉ—　ｔｙ　ｏｆ　ｔｅｘｔｕｒｅ　ｆｅａｔｕｒｅ　ｗａｓ　ｃａｌｃｕｌａｔｅｄ　ｂｙ　ｉｎｔｒｏｄｕｃｉｎｇ　Ｍａｈａｌａｎｏｂｉｓ　ｄｉｓｔａｎｃｅ，ａｎｄ　ｔｈｅ　Ｂｈａｔｔａｃｈａｒｙｙａ　ｃｏｅｆｆｉｃｉｅｎｔ