下载文档原格式
基于改进的Camshift运动目标跟踪算法的研究赵文倩;匡逊君;李明富【期刊名称】《信息技术》【年(卷),期】2012(000)007【摘要】针对基于颜色概率分布的连续自适应均值漂移算法(Camshift)跟踪算法在背景中出现相同颜色干扰时容易致使跟踪目标失败的问题,提出了一种改进的Camshift跟踪算法.首先对Camshift跟踪目标前进行目标检测,通过帧差法、光流法、背景差分法三种检测算法对比,采用背景差分法得到的运动目标区域矩形特征参数作为Camshift的初始化参数,取代一般Camshift算法利用颜色特征的跟踪.最后对改进的算法和一般Camshift进行仿真对比实验.实验结果表明,结合背景差分法和连续Camshift算法的运动目标跟踪在一定程度上满足了实时性与稳定性的要求.%Camshift tracking algorithm based on probability distribution of color were susceptible to be interfered by the same color in thebackground ,that lead to the failure of tracking the target. To address this problem, it presented an improved Camshift tracking algorithm. Firstly detecting target before Camshift algorithm tracking,comparising three detection algorithms, the frame difference method, optical flow method, the background difference method getting the rectangular characteristic parameters of moving target area using background difference method as the Camshift initialization parameters, that had replaced the general Camshift tracking algorithm using color features. Finally, it makes comparative experiments between the improved algorithms and generalCamshift. The experimental results show that, combined with the background difference method and the continuous Camshift algorithm for tracking of moving objects, to some extent it can meet the real-time and stability requirements.【总页数】5页(P165-169)【作者】赵文倩;匡逊君;李明富【作者单位】湘潭大学机械工程学院,湖南湘潭411105;湘潭大学机械工程学院,湖南湘潭411105;湘潭大学机械工程学院,湖南湘潭411105【正文语种】中文【中图分类】TP391.41【相关文献】1.基于ORB特征点匹配的改进Camshift运动目标跟踪算法 [J], 谢红;原博;解武2.基于改进CAMShift的运动目标跟踪算法 [J], 刘超;惠晶3.基于改进Camshift的运动目标跟踪算法应用研究 [J], 刘艳丽;唐先琪;陈跃东4.基于改进Camshift的运动目标跟踪算法应用研究 [J], 刘艳丽;唐先琪;陈跃东5.基于Kalman算法改进的Camshift运动目标跟踪算法 [J], 杨军;汤全武;张昊楠因版权原因，仅展示原文概要，查看原文内容请购买。
基于CAMshift算法的目标跟踪研究目标跟踪是计算机视觉中的一个重要问题。
随着计算机技术的发展，目标跟踪技术得到了广泛的研究和应用。
其中，CAMshift 算法是一种经典的目标跟踪算法之一。
本文将介绍CAMshift算法的基本原理、优缺点以及应用。
一、CAMshift算法的基本原理CAMshift算法是一种基于颜色直方图的目标跟踪算法。
该算法擅长于跟踪颜色信息相对稳定的目标，如人脸、车辆等。
具体来说，CAMshift算法首先利用颜色直方图来描述目标的颜色信息。
然后，通过对直方图进行归一化，得到标准化的颜色直方图。
接下来，通过反向投影，计算图像中每个像素与目标颜色直方图之间的相似度。
将相似度最高的像素作为目标的中心点，并利用Meanshift算法进行目标的迭代更新。
最终，通过利用CAMshift算法实现目标的自适应缩放和旋转。
总结来说，CAMshift算法的基本原理可以归纳为：颜色直方图描述目标颜色信息，反向投影获取像素与目标颜色直方图的相似度，Meanshift算法进行迭代更新，CAMshift算法实现目标自适应缩放和旋转。
二、CAMshift算法的优缺点CAMshift算法具有如下的优点：1. 强鲁棒性。
CAMshift算法采用的颜色直方图具有很强的鲁棒性，能够适应环境光线变化、物体表面材质变化等情况。
2. 高速度。
CAMshift算法能够在实时性要求比较高的场合下实现目标跟踪，速度较快。
3. 自适应性。
CAMshift算法能够通过自适应缩放和旋转来适应目标尺度和方向的变化，能够有效地跟踪运动目标。
但是，CAMshift算法也存在一些缺点：1. 对光照和噪声比较敏感。
在光照和噪声较大的情况下，由于颜色直方图会受到影响，导致跟踪效果下降。
2. 不适用于多目标跟踪。
由于CAMshift算法只能根据单个颜色直方图进行目标跟踪，因此不适用于多目标的跟踪。
三、CAMshift算法的应用CAMshift算法已经在许多领域得到了广泛的应用。
基于Camshift和Kalman滤波结合的改进多目标跟踪算法吴良健;况璐;邓庆林;刘海华
【期刊名称】《现代科学仪器》
【年(卷),期】2010(000)001
【摘要】Camshift算法具有很好的实时性,但是存在遇到大面积与目标颜色相近的背景干扰、目标被严重遮挡时跟踪失效,只能对单目标进行跟踪等问题.针对这些问题,提出了Camshift结合Kalman滤波的改进算法,采用改进算法的跟踪器对每个检测出来的目标进行分别跟踪,从而实现多目标跟踪.实验表明本文提出的改进算法能有效地克服以上问题,并且能达到实时性要求.
【总页数】6页(P29-33,38)
【作者】吴良健;况璐;邓庆林;刘海华
【作者单位】中南民族大学生物医学工程学院,武汉,430074;中南民族大学生物医学工程学院,武汉,430074;中南民族大学生物医学工程学院,武汉,430074;中南民族大学生物医学工程学院,武汉,430074
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于改进Camshift和Kalman滤波的目标跟踪算法 [J], 李蕊岗;张明
2.一种结合Camshift和Kalman滤波的TLD目标跟踪算法 [J], 蔡亚南;李东兴;吴秀东;宋汝君;王迎
3.基于Kalman滤波的CAMShift目标跟踪算法 [J], 马洪涛; 吴赛敏
4.改进的Camshift与Kalman滤波联合跟踪算法 [J], 仇男豪;曹杰;马俊杰;韩玉洁
5.结合SURF与Kalman滤波的CAMShift跟踪算法 [J], 张磊;彭力
因版权原因，仅展示原文概要，查看原文内容请购买。
基于Camshift改进算法的视频目标跟踪方法王泽楷;吴黎明;蔡文;陈嘉源【期刊名称】《自动化与信息工程》【年(卷),期】2014(000)001【摘要】针对Camshift算法在目标跟踪中容易出现错误识别的情况，对Camshift算法加入最优阈值处理；对目标容易跟丢的情况，运用Camshift算法和Kalman滤波结合的方法进行跟踪。
基于OpenCV对比了双通道H， S分量加权情况下和单通道H分量情况下的反向投影图跟踪效果，验证了最优阈值下改进Camshift效果，实现了Camshift算法和Kalman滤波实时跟踪。
实验结果证明：对Camshift加入优化阈值处理能明显地改进错误识别的情况，加入Kalman滤波器能有效避免目标丢失。
%The Camshift algorithm is easy to identify wrong object in target tracking.The paperadds an optimal threshold value in Camshift algorithmandcombines the algorithmwithKalman filter to track target object.The effect of adding optimal threshold value to Camshift has been tested. Thepaperachievesseparate time target tracking by using Camshift algorithm and Kalman filter.The experiments provesthatthealgorithm can avoid identifying wrong object significantly. Meanwhile, adding Kalman filter can effectively avoid losing target.【总页数】5页(P27-31)【作者】王泽楷;吴黎明;蔡文;陈嘉源【作者单位】广东工业大学信息工程学院;广东工业大学信息工程学院;广东工业大学信息工程学院;广东工业大学信息工程学院【正文语种】中文【相关文献】1.基于CamShift与Kalman算法的抗遮挡目标跟踪方法研究 [J], 杨明雪;张颖;牛安东;雷朝毅;李扬铭;何振宇2.基于改进Camshift算法的视频对象跟踪方法 [J], 刘雪;常发亮;王华杰3.改进Camshift算法的DSP硬件实现目标跟踪方法 [J], 王立和4.改进Camshift算法的多行人目标跟踪方法 [J], 陈艺5.改进局部二值模式算法与Camshift结合的目标跟踪方法 [J], 李杰超;张潇宵;王凯因版权原因，仅展示原文概要，查看原文内容请购买。
自适应融合角点特征的Camshift目标跟踪陈丽君;马永杰【摘要】为了能够实时有效地跟踪运动目标，提出了一种新的自适应融合角点特征和颜色特征的Camshift目标跟踪算法。
该算法融合了角点的特征不变性，并采用Mean-Shift算法提供的非参数核密度估计的统计思想，计算各特征的概率密度函数，用Bhattacharyya系数作为相似性度量函数，利用相似性度量值之比自适应地融合角点特征和颜色特征，将得到的新的概率密度分布结合Camshift跟踪算法实现目标跟踪。
测试结果表明，该算法比传统的Camshift算法跟踪效果更好，更准确。
%In order to track moving targets in real time and effectively, in this paper, a new Camshift target tracking algo-rithm is proposed, in which corner features and color features are fused adaptively. The invariance of the corner is com-bined in this algorithm, and the kernel probability density estimation of the Mean-Shift algorithm is used to calculate the probability density function for each feature. Bhattacharyya coefficient is adopted as similarity measure function, then using the ratio of similarity to achieve adaptive fusion of corner and color features. The new probability density distribution and the Camshift tracking algorithm will be combined to achieve the target tracking. Simulation results show that the algo-rithm is better than traditional Camshift algorithm, and tracks object more accurately.【期刊名称】《计算机工程与应用》【年(卷),期】2014(000)024【总页数】5页(P178-182)【关键词】Camshift;特征融合;Harris角点;Bhattacharyya系数;自适应【作者】陈丽君;马永杰【作者单位】西北师范大学物理与电子工程学院，兰州 730070;西北师范大学物理与电子工程学院，兰州 730070【正文语种】中文【中图分类】TP391目标跟踪是计算机视觉重要的研究方向之一，被广泛应用于监控、视觉导航、军事制导、交通等领域[1]，但是，目标和背景的外观发生改变，或者目标的突然运动等因素都会加大目标跟踪的难度。
基于Camshift 方法的视觉目标跟踪技术综述作者：伍祥张晓荣潘涛朱文武来源：《电脑知识与技术》2024年第17期摘要：视觉目标跟踪技术是机器视觉、模式识别等相关领域中重要的研究内容之一。
受限于场景的复杂度、目标速度、目标的遮挡程度等状况，其相关研究具有一定的难度和挑战性，而均值漂移及其相关算法是解决该类问题的重要途径。
首先介绍视觉目标跟踪的研究方法和原理，然后介绍Camshift方法的前身Meanshift方法的原理和算法过程，并做出相应的分析和阐述。
再介绍针对Camshift算法的相关研究和改进方法，最后总结Camshift方法的应用情况以及后续可能的研究方向。
关键词：机器视觉；模式识别；目标跟踪；Meanshift；Camshift中图分类号：TP391 文献标识码：A文章编号：1009-3044（2024）17-0011-04 开放科学（资源服务）标识码（OSID）：0 引言实现视觉目标跟踪可能的前置步骤包括目标分类、物体检测以及图像分割。
目标分类是指根据目标在图像中呈现的特征，将不同类别的目标加以区分的图像处理方法。
物体检测是指在某张图像中，检测出目标出现的位置、尺度以及其對应的类别。
相较于目标分类，物体检测不仅需要指出其类别，还需返回该目标在图像中的物理坐标信息，其量化度得到了增强。
而图像分割在物体检测的基础上提出了更加精细的要求，即不仅需要指出物体在图像中的坐标位置信息，还要标注出目标在图像中的精准轮廓，其难度和复杂度进一步提升。
上述技术在图像处理过程中，存在一些共性化的技术难点，比如尺度变化、部分遮挡等[1-2]。
针对物体尺度变化，一种常规的方式是采用尺度不变特征变换（SIFT）技术[3]，通过尺度空间极值计算、关键点定位、方向和幅值计算以及关键点描述等步骤完成目标在尺度变化时的特征匹配。
针对目标部分区域被遮挡的问题，Wang B等[4]提出了一种通过网络流优化的轨迹片段（tracklet）关联中的在线目标特定度量来忽略目标被遮挡的时段，从而连续化目标运动轨迹；Fir⁃ouznia Marjan[5]提出了一种改进的粒子滤波方法，通过状态空间重构，在有遮挡的情况下提升目标跟踪的精度。
基于改进的Camshift算法的目标跟踪研究【摘要】研究了几种常用的目标跟踪算法，为了提高目标跟踪的准确率和鲁棒性，提出一种改进的Camshift目标跟踪算法。
将色彩空间由RGB空间转化为HSV空间，利用反向投影法把目标概率分布映射到目标图像上，构建跟踪窗口，采用改进的Camshift算法在视频中跟踪运动目标。
实验表明，改进的Camshift 算法跟踪目标准确率高、鲁棒性好。
【关键词】目标跟踪；Camshift；色彩空间；反向投影；均值漂移1.引言目标跟踪是图像处理领域的一个研究热点，在视频监控、公安安防、医疗诊断、人工智能等方面应用广泛。
目标跟踪是指提取视频序列中每帧图像中目标的位置，在跟踪过程中，目标的外观、运动参数等信息也同步更新，提高目标检测算法的稳定性、鲁棒性和准确性是当前该领域的研究热点。
由于目标检测研究的重要性和紧迫性，国内外众多学者围绕该课题进行了研究，提出了许多卓有成效的方法，主流的目标跟踪算法可分为如下三类：基于均值漂移的方法（Meanshift），基于Kalman滤波的方法和基于滤波理论的方法。
Meanshift算法[1]不需要参数，模式匹配速度快，但是该算法缺少必要的模板更新，当跟踪目标运动速度过快或者存在尺寸变化时，跟踪的准确率不高。
为了解决Meanshift算法在特殊情况下检测不准的问题，Bradski[2]将Meanshift扩展到整个连续的视频序列中，根据跟踪目标的大小自动调整跟踪窗口大小，提出了自适应的均值漂移方法，即Camshift算法。
该算法不易受目标形状、大小及光照等环境因素的影响，只要给定被跟踪目标，就可以对目标区域进行连续跟踪。
但Camshift算法仅在单一特征上检测，以此结果作为滤波器的观测值不可靠，造成跟踪准确率下降。
本文提出了一种改进的Camshift算法的目标跟踪算法，实验证明，提出的算法准确率显著提高，鲁棒性好。
2.改进的Camshift算法2.1 颜色空间转换为了用计算机来表示和处理颜色，必须采用定量的方法来描述颜色，即建立颜色彩空间。
70 第31卷 第12期 湖南科技学院学报 V ol.31 No.12 2010年12月 Journal of Hunan University of Science and Engineering Dec.2010基于改进Camshift 算法的多目标自适应跟踪曲巨宝(武夷学院 数学与计算机系，福建 武夷山 354300)摘 要：针对多目标跟踪中常因目标间遮挡、融合、分离等导致跟踪失败，提出了用动态背景建模技术和RGB 三通道色差法获取目标群组，然后利用Kalman 滤波器预测运动目标初始参量，再用改进的Camshift 算法逐步迭代逼近各个目标精确位置，实现了对多目标的自适应跟踪。
经大量实验证明，本算法目标识别能力强，抗噪声性能好，跟踪速度快。
关键词：Camshift ；多目标跟踪；自适应；kalman中图分类号：TP393 文献标识码：A 文章编号：1673-2219（2010）12-0070-03运动目标的检测、跟踪是计算机视觉研究的重要内容，被广泛用于智能视觉监控、视频检索等领域。
由于运动视频受光线、目标动态变化影响使目标检测和跟踪变得非常困难，尤其对多个运动目标进行同时跟踪，目标间发生遮挡、融合、分离导致跟踪变得异常艰难。
文献 [1]提出了基于MeanShift 的多目标粒子滤波跟踪算法设计，但MeanShift 算法不但对抗遮挡能力比较差，而且不具有搜索窗自适应功能；文献[2] 提出用水平集法对多运动目标进行分割；文献[3] 提出用多个摄像机构建系统来处理多个运动目标相互遮挡的问题，但这种系统造价较高且算法复杂，实时性差；本文在研究了多运动目标的颜色特征、运动规律后，使用背景差分法建立动态背景模型，将当前帧同背景帧做差分获得运动目标，通过Kalman 滤波方法对各目标在下一帧的初始位置进行预测后，再调用Camshift 逐次逼近各个目标的精确位置，经实际应用取得了较好的效果。
1 动态背景模型利用背景差分法建立动态背景模型，以帧间差分法为基础，通过当前帧帧差分的二值图像找到运动区域，对运动区域内的背景保持不变，而非运动区域的背景则用当前帧进行更新，经过一定次数的迭代便可提取出背景。
其步骤如下:(1)将序列图像的第一帧图像I 0作为初始背景图像。
(2)计算当前帧k 的帧间差分二值图像BW k ：⎪⎩⎪⎨⎧≤−=−otherwiseI I BW k k k k 1||01τ (1)其中,I k , I k-1分别为当前帧和上一帧图像，k τ是判断第k 帧是否有变化的阀值(实验中取25) (3)利用二值图像BW k 更新背景B k ：⎪⎩⎪⎨⎧⋅−+⋅==−otherwiseB I BW if BB k k k kk 1)1(1αα (2) 其中α为更新系数，取0.2(4)k=k+1返回到步骤(3)，进行迭代，经过一定次数的迭代后停止迭代，并将此时的Bk 作为背景图像B0收稿日期：2010－09－20资助项目：福建省教育厅科技项目（JA09240）、武夷学院智能计算网格科研团队（2009）作者简介：曲巨宝(1963－)，男，吉林乾安人，副教授，硕士，研究方向为计算机视觉、图形图像、人工智能。
712 运动目标获取将当前帧I k 与背景帧B k 做差分，就得到目标图像P k ，利用反向回溯法获取二值图像对应原图像中彩色RGB 目标的坐标点位。
用I.Rk 、I.Gk 、I.Bk, B.Rk 、B.Gk 、 B.Bk 分别表示目标图像I k 和背景模型B k 的R ，G 和B 三个通道的值。
⎪⎩⎪⎨⎧<<<=otherwise P RR R R R R k 10τδτδτδ且且 (3) 其中|..|k k R R B R I −=δ、|..|k k G G B G I −=δ、|..|k k B B B B I −=δ分别代表当前帧与背景帧间R 、G 、B 三通道色差，B G R τττ,,为R 、G 、B 阀值(实验中取===B G R τττ20)。
经过二值化的目标图像会有许多孤立点、孔洞和间隙，应进行数学形态学中的膨胀、腐蚀等滤波技术将噪声去除，再用δ-4连通区域分割法[4]，对分散的区域进行连通或分割，并用外接矩形和数字编号表明该目标块的顺序、位置、高度和宽度信息；而对于面积小于某个阀值(实验中设Ta=30)的孤立区域要删掉。
最后前景区域中余下了的就是最终获得的运动目标群{p k (i)}i=1…n .其中n 为目标个数。
图2是对运动车辆视频进行背景建模和目标提取截图。
图2(b)是将原图2(a)与背景帧做差后经数学形态学等处理后得到的3个车辆目标。
3 基于Kalman 滤波的运动目标预测运动目标群是一个不断变化的群体，如何确定不同的目标在下一帧中的位置，在分析了许多学者不同的研究后，本文提出了先利用卡尔曼滤波器进行多目标位置预测，然后再用改进的CamShift 算法进一步逼近目标精确位置，从而实现多目标的快速定位和跟踪。
Kalman 滤波器是一个对动态系统的状态序列进行线性最小方差误差估计的算法，它通过状态方程和观测方程来表示系统。
根据扩展Kalman 滤波器[5]预测目标i 在下一帧可能出现的区域为：)(ˆ1i pk ++)(1i p k +∆ (4)其中：2/)()()()(ˆ21t i a t i v i p i pk k k k ∆+∆+=+ (5) 2/)()()()(21t i a t i v i p i p k k k k ∆∆+∆∆+∆=∆+ (6)式中：)(i p k 是第i 个目标的质心位置，)(ˆ1i pk +是目标i 质心在下一帧中的预测位置，)(1i p k +∆是预测目标可能存在的区域，t i p i p i v k k k ∆−=−/)]()([)(1是目标质心的速度，t i v i v i a k k k ∆−=−/)]()([)(1是目标质心的加速度，△t为两帧时间间隔。
4 自适应改进的camshift 算法为充分利用目标的颜色信息实现目标精确定位，还需要利用CamShift 算法做进一步跟踪。
首先将RGB 颜色空间转化成HSV 颜色空间，以适应CamShift 算法，然后利用每个目标i 建立色度直方图，通过直方图归一化将直方图与每一色度级别对应的取值范围归一化到[0,255]区间中，得到每个目标的序列灰度值，在灰度投影图中越亮的像素表明该像素为目标像素的可能性越大[6]。
(a) 原图 (b) 运动目标群及直方图图2 多目标视频跟踪实验结果72 用Kalman 滤波后得到的预测目标位置)(ˆ1i pk +为起点，以255/)()(10i p i s k +∆=为搜索窗的初始大小，从i=0，开始进行自适应CamShift 跟踪：(1)设I(x,y)i 为目标i 在当前帧搜索窗口中的像素位置， I(x,y)i 是投影图中(x,y) i 处的像素值。
式中,I(x,y)是坐标为(x,y)的像素值,x 和y 的变化范围为搜索窗的范围。
则目标i 搜索窗口的零阶矩M 00、M 10分别如下：∑∑=xy ii y x I M ),(00，∑∑=xyiiy x xI M ),(10，∑∑=xyii y x yI M ),(01 (7)于是目标i 的搜索窗口内的质心位置为：⎟⎟⎠⎞⎜⎜⎝⎛=i i i i i c c M M M M y x 00010010,,）（ (8) (2)搜索窗更新256/2i00M s =(3)重复(1)和(2)过程,将搜索窗口的中心逐渐移向质心位置。
如果移动距离大于预设的固定阈值,则重新计算调整后的窗口质心,进行新一轮的窗口位置和尺寸调整。
直到窗口中心与质心间的移动距离小于预设的固定阈值,或者循环运算的次数达到某一最大值,认为收敛条件满足，此时的i c c y x ）（,就是该目标i 的质心坐标。
(4) i=i+1；返回(1)，继续搜索本帧中其他目标的质心，直到将本帧中所有目标都搜索完成后，再进行新帧图像搜索工作。
5 多目标搜索策略及模板更新由于背景图像的复杂性，目标在图像中可能随时都会发生进入、退出、遮挡、融合、分离等情况。
为此本文采取的搜索策略如下：将第k 帧的每个目标同第k+1帧中的每个目标经kalman 滤波后再进行Camshift 跟踪匹配，如果刚好匹配成功，说明目标没有发生变异；如果第k 帧或k+1帧中还有剩余目标时，表明目标发生变异，这时对剩余目标采取排列组合方式进行再次相似性比对跟踪；如果经过多次比对计算后，第k 帧依然有多余目标，则表明有目标离开或被完全遮挡，此时保留第k 帧中这些目标的信息，留待再次出现时使用；如果第k+1帧有多余目标时，表示有新目标进入，这时就增加新编号给新目标；并对现有模板进行更新。
6 实验结果及分析为了验证本文所提出的检测跟踪算法，利用Windows2003环境，以Visual C++6.0和OpenCV 为平台开发了实验程序，机器的配置为P4/3.0GHz/512M ，视频帧率为25 f/s 。
图2是利用本文算法对公园中多目标视频进行跟踪的部分截图。
在图2(1)中有两组目标群出现，到2(4)图后融合成一个目标群，在2(5)图又分离成3个目标群，尽管如此，本算法依然可以很好的跟踪到目标，并且自动分组编号。
（下转77页）图2 多目标视频跟踪实验结果参考文献：[1]琚生根,周激流,何坤,夏欣,王刚.频域光照归一化的人脸识别[J].电子科技大学学报,2009,38(6):1021-1025.[2]划敬,刘衍聪.局部归一化的人脸光照处理方法[J].郑两天学学报(理学版),2008,40(3):98-101.[3]章柏幸,苏光大.人脸成像特性研究及人脸归一化的目标[J].光电子激光,2003,14(4):406-410.[4]Zimmerman, John B. et al. An evaluation of theeffectiveness of adaptive histogram equalization for contrast enhancement[J]. IEEE Trans on Medical Imaging, 1988, 7(4):304-312. [5]白高峰. 一种基于平面拟合的图像恢复方法[J]. 计算机应用, 2004, 24(11):126-127.[6]王海涛,刘俊,王阳生. 自商图像[J]. 计算机工程, 2005, 31(18):179-179.[7]X.Tan and B.Triggs. Enhanced Local Texture Feature Setsfor Face Recognition under Difficult Lighting Conditions[A].In:Proceddings of the 2007 IEEE Internation- al Workshop on Analysis and Modeling of Faces and Gestures (AMFG'07) [C], LNCS 4778, pp.168-182, 2007.（责任编校：何俊华）（上接72页）7 结束语针对多目标跟踪中目标容易因遮挡、融合、分离等原因而导致跟踪失败，本文提出利用动态背景建模技术结合Kalman 滤波器对目标先预测，然后再使用CamShift算法进行精确定位的算法。
