下载文档原格式
基于模板匹配的目标跟踪算法研究1. 引言目标跟踪是计算机视觉领域的一个重要研究方向，它的主要任务是根据先前的观测结果，预测和追踪目标在接下来的时间内的位置、速度和方向等运动状态。
在很多应用中，如视频监控、无人机飞行、汽车驾驶辅助等领域，目标跟踪都扮演着至关重要的角色。
本文主要围绕基于模板匹配的目标跟踪算法展开研究，介绍模板匹配的基本原理和常见算法，分析现有算法的优缺点，并探讨未来的研究方向。
2. 模板匹配原理模板匹配是一种基于相似性度量的图像配准方法，它的基本思想是将已知目标模板与待跟踪的图像进行比对，找到最相似的位置，从而完成目标的定位和跟踪。
模板匹配方法通常包括以下步骤：（1）目标模板的构建：选择一张清晰、具有代表性的目标图像，根据需要对目标进行裁剪或预处理，得到目标模板。
（2）相似性度量：根据不同的相似性度量标准，计算目标模板与图像像素之间的相似度。
通常采用欧式距离、相关系数、相似性度量等方法。
（3）匹配策略：根据相似性度量值，选择最合适的匹配策略，如最小二乘法、局部分割法、马尔可夫随机场等方法。
（4）目标定位：根据匹配到的位置，完成目标的定位和跟踪。
3. 常见的模板匹配算法目前，关于模板匹配的研究方向主要分为两类：第一种是基于灰度信息的传统方法，第二种是基于深度学习的现代方法。
3.1 基于灰度信息的传统方法（1）均值漂移法（Mean Shift Algorithm）均值漂移法是一种典型的平滑直方图的无参数密度估计算法，它主要是通过将概率密度函数进行平滑化，寻找最大值对应的峰值位置作为目标区域的中心点。
优点是对目标尺寸、形状、颜色等参数不敏感，缺点是需要大量的计算量。
（2）相关滤波法（Correlation Filter）相关滤波法是一种基于相关性的滤波器，其主要思想是将目标模板和图像进行自适应的滤波处理，得到相应的响应图，然后通过最大响应值所对应的位置实现目标跟踪。
相较于均值漂移法，相关滤波法具有更高的计算效率和更好的跟踪精度。
结合Kalman滤波器的Mean摘要：本文首先简单分析了mean-shift算法的基本原理及mean-shift向量推导过程，接着通过多组实验的结果，分析和验证了算法的优劣。
然后，针对mean-shift算法本身所存在的缺陷，引入kalman滤波器，利用kalman滤波器来预测每帧mean-shift算法的初始搜索位置，然后再运行mean-shift算法获得目标位置，同时在跟踪过程中利用预测出的目标速度矢量更新kalman滤波器参数，实现了基于卡尔曼滤波框架的mean-shift算法，实验验证了本算法可以实现对快速运动目标的跟踪，并且对较大比例的目标遮挡也具有很好的鲁棒性。
关键词：mean-shift算法 kalman滤波器线性预测中图分类号：tp391.41 文献标识码：a 文章编号：1007-9416（2013）01-0109-011 算法基本思想为了增强mean-shift算法的适应性，针对算法的缺陷，本文对基本的mean-shift算法进行改进，引入kalman滤波器。
这种基于自适应滤波框架的mean-shift算法有效地减小了背景颜色和障碍物遮挡对跟踪的影响，提高了算法跟踪的鲁棒性。
2 卡尔曼滤波器建模卡尔曼滤波算法的主要思想是：利用前一帧图像的目标跟踪结果来预测当前帧图像中目标的大概位置，然后在该位置附近进行目标搜索，如果搜索区域内存在目标，则继续处理下一帧图像，否则，将搜索区域扩大，重新搜索当前帧图像，或者丢弃前一帧图像，直接处理下一帧图像。
算法的关键在于预测搜索区域的位置。
它不仅可以任意一点作为观测起点，而且具有计算量小，可实时计算的特点，因此本文采用kalman滤波器来估计目标运动参数，然后利用均值漂移算法搜寻目标在当前帧的真实位置。
卡尔曼滤波器包括两个模型：系统运动方程：（1）系统观测方程：（2）式中，状态向量xk=[x，y，dx，dy]t，测量向量zk=[x，y]t，x和dx分别是目标图像在水平方向的位置和运动速度；y和dy分别是目标图像在垂直方向的位置和运动速度。
均值漂移跟踪的双模板更新算法
覃剑;曾孝平;曾浩
【期刊名称】《计算机应用研究》
【年(卷),期】2009(026)007
【摘要】针对均值漂移算法缺少必要的模板更新方法的缺点,提出了一种基于双模板判定的更新算法.该算法首先通过分析目标特征与背景特征的相对大小,设计了加权函数分别对前景和背景特征进行加权;然后在此基础上引入背景模板并构造双模板,通过对候选目标与双模板相似度系数的综合分析,可以准确判定跟踪状态及干扰产生的原因,以采取相应的模板更新策略.实验表明,该算法可以有效地增强均值漂移算法在目标姿态变化、前景遮挡等复杂条件下的跟踪效果,具有较好的跟踪稳健性.【总页数】4页(P2771-2773,2795)
【作者】覃剑;曾孝平;曾浩
【作者单位】重庆大学,通信工程学院,重庆,400030;重庆大学,通信工程学院,重庆,400030;重庆大学,通信工程学院,重庆,400030
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种改进的基于双权值颜色直方图的均值漂移跟踪算法 [J], 金永;王振;王召巴;陈友兴
2.基于均值漂移算法和时空上下文算法的目标跟踪 [J], 周华争;马小虎
3.复杂背景下基于自适应模板更新的目标跟踪算法研究 [J], 韩锐;邓惠俊;徐静
4.基于自适应模板更新的改进孪生卷积网络目标跟踪算法 [J], 柳赟;孙淑艳
5.在线目标分类及自适应模板更新的孪生网络跟踪算法 [J], 陈志旺;张忠新;宋娟;雷海鹏;彭勇
因版权原因，仅展示原文概要，查看原文内容请购买。
学校代码***** 学号************ 分类号TP391 密级公开硕士学位论文基于稀疏表示的目标跟踪算法研究学位申请人邵豪指导教师张莹副教授学院名称信息工程学院学科专业控制科学与工程研究方向机器视觉与智能信息处理二○一八年六月四日Research on Target Tracking Algorithm Based on Sparse RepresentationCandidate Shao HaoSupervisor Associate Prof. Zhang YingCollege College of Information EngineeringProgram Control Science and EngineeringSpecialization Machine vision and intelligent information processing Degree Master of EngineeringUniversity Xiangtan UniversityDate Jun, 2018摘要目标跟踪就是在连续的视频序列中，建立所要跟踪物体的位置关系，得到物体完整的运动轨迹，目前广泛应用于军事导航、城市智能交通管控、视频监控以及人机交互等方面。
在目标运动的过程中，会出现姿态或形状的变化、尺度的变化、背景遮挡或光线亮度的变化等情况，降低了跟踪算法的准确率，构建一个性能高效、稳定的适应强的追踪算法是当前跟踪领域的一大难题。
为解决目标跟踪过程中出现的目标丢失及提高跟踪效率，本文做了以下研究：（1）为提高计算速率，减小背景信息的干扰并增强稀疏表示跟踪模型性能，提出了一种利用分段加权函数构建的反向稀疏跟踪算法，将跟踪问题转化为在贝叶斯框架下寻找概率最高的候选对象问题，通过构造不同的分段权重函数分别度量候选目标与正负模板的判别特征系数。
利用池化降低跟踪结果的不确定性干扰，选择正模板与负模板相减得到的最大差值系数所对应的候选表示作为当前跟踪结果。
基于多模板回归加权均值漂移的人体目标跟踪贾松敏;文林风;王丽佳【期刊名称】《光学精密工程》【年(卷),期】2016(024)009【摘要】针对移动机器人跟踪人体目标时目标因角度大幅变化引起外观改变造成的跟踪无效,提出了多模板回归加权均值漂移跟踪方法.该方法通过建立目标的多模板模型,应用均值漂移算法实现目标跟踪.首先,根据前一帧均值漂移结果和当前帧头肩粗定位结果确定目标模板集,使其包含目标人体的位姿和角度改变.然后,采用多模板回归加权均值漂移实现目标的精确定位.在多模板均值漂移中引入回归模型实现颜色纹理特征与目标模型相似度之间的映射,从而控制模板数量,保证目标检测的实时性.最后,分别在视频图像和机器人目标跟踪平台上对所提方法进行实验验证.结果显示,图像处理平均时间为86.4 s/frame,满足机器人跟踪的实时性要求.该方法解决了目标特征在跟踪过程中发生变化的问题,提高了机器人跟踪时对目标人体特征变化的鲁棒性.【总页数】8页(P2339-2346)【作者】贾松敏;文林风;王丽佳【作者单位】北京工业大学信息学部,北京100124;计算智能与智能系统北京市重点实验室,北京100124;北京工业大学信息学部,北京100124;计算智能与智能系统北京市重点实验室,北京100124;北京工业大学信息学部,北京100124;计算智能与智能系统北京市重点实验室,北京100124;河北工业职业技术学院信息工程与自动化系,河北石家庄050091【正文语种】中文【中图分类】TP391.4【相关文献】1.基于连续自适应均值漂移和立体视觉的无人机目标跟踪方法 [J], 张天翼;杨忠;韩家明;宋佳蓉;朱家远2.基于均值漂移的穿墙雷达多目标跟踪 [J], 孔令讲;陈国浩;崔国龙;杨晓波3.基于LRNP纹理特征的均值漂移目标跟踪 [J], 曾爱萍; 黄山4.基于均值漂移理论的机动单目标跟踪方法研究 [J], 张乐;赵心宇5.基于四通道不可分小波的均值漂移目标跟踪方法 [J], 刘斌;郑凯凯因版权原因，仅展示原文概要，查看原文内容请购买。
第２４卷第１期 ２０１４年１月
计算机技术与发展
ＣＯＭＰＵＴＥＲ ｒＥＣＨＮＯＬＯＧＹ ＡＮＤ ＤＥＶＥＬＯＰＭＥＮＴ Ｖｏ１．２４ Ｎｏ．１
Ｊａｎ． ２０１４
基于均值漂移和卡尔曼滤波的跟踪算法研究 吴佳家 ，高 珏 ，李敏 ，许华虎 （１．上海大学计算机工程与科学学院，上海２００４４４； ２．上海大学计算机中心，上海２００４４４； ３．上海大学上海上大海润信息系统有限公司，上海２００４４４．）
摘要：为了寻找一种可以实际运用到学校监控系统的目标跟踪算法，文中对基本Ｍｅａｎ Ｓｈｉｆｔ算法进行描述，并阐述算法 的实际意义。Ｍｅａｎ Ｓｈｉｆｔ虽然以其不需要参数、不需要穷尽搜索区域等特性可以较好地实现目标跟踪，但是同时其也有不 足，让其在某些跟踪条件下达不到很好的效果。为了使Ｍｅａｎ Ｓｈｉｆｔ目标跟踪算法满足实际应用需求，通过添加核函数和增 加权重的方式对基础Ｍｅａｎ Ｓｈｉｆｔ算法进行扩展，并在分析Ｍｅａｎ Ｓｈｉｆｔ算法的不足之后，提出一种Ｍｅａｎ Ｓｈｉｆｔ与Ｋａｌｍａｎ滤波 相结合的目标跟踪算法。通过学校的视频监控平台对提出算法进行验证，实验结果表明，该算法可以有效地对目标进行 跟踪。 关键词：Ｍｅａｎ Ｓｈｉｆｔ；目标跟踪；智能监控 中图分类号：ＴＰ３０１．６ 文献标识码：Ａ 文章编号：１６７３—６２９Ｘ（２０１４）０１—０００５—０４ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３—６２９Ｘ．２０１４．０１．００２
Ｒｅｓｅａｒｃｈ ｏｎ Ｔａｒｇｅｔ Ｔｒａｃｋｉｎｇ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｍｅａｎ Ｓｈｉｆｔ ａｎｄ Ｋａｌｍａｎ Ｆｉｌｔｅｒ
ＷＵ Ｊｉａ－ｊｉａ ，ＧＡＯ Ｊｕｅ ，ＬＩ Ｍｉｎ ，ＸＵ Ｈｕａ—ｈｕ （１．Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｓｃｉｅｎｃｅ，Ｓｈａｎｇｈａｉ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２００４４４，Ｃｈｉｎａ； ２．Ｃｏｍｐｕｔｅｒ Ｃｅｎｔｅｒ，Ｓｈａｎｇｈａｉ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２００４４４，Ｃｈｉｎａ； ３．Ｓｈａｎｇｄａ Ｈａｉｍｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ Ｃｏ．，Ｌｔｄ，Ｓｈａｎｇｈａｉ ２００４４４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔＯ ｆｉｎｄ ａ ｐｒａｃｔｉｃａｌ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ ａｌｇｏｒｉｔｈｍ ｕｓｉｎｇ ｉｎ ｓｃｈｏｏｌ ｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍ，ｔｈｅ ｏｒｉｇｉｎａｌ Ｍｅａｎ Ｓｈｉｆｔ ａｌｇｏｒｉｔｈｍ ｉｓ ｄｅ－ ｓｃｒｉｂｅｄ ｉｎ ｄｅｔａｉｌ，ａｎｄ ｔｈｅ ｐｒａｃｔｉｃａｌ ｓｉｇｎｉｆｉｃａｎｃｅ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｉｓ ｄｅｓｃｒｉｂｅｄ ｔｏｏ．Ｍｅａｎ Ｓｈｉｆｔ ａｌｇｏｒｉｔｈｍ Ｃａｎ ｇｅｔ ｂｅｔｔｅｒ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ ｗｉｔｈ— ｏｕｔ ａｒｇｕｍｅｎｔｓ ａｎｄ ｓｅａｒｃｈｉｎｇ ｎｏ ｅｘｈａｕｓｔｉｖｅ ａｒｅａ ｏｒ ｏｔｈｅｒ ｆｅａｔｕｒｅｓ，ｂｕｔ ａｔ ｔｈｅ ｓａｍｅ ｔｉｍｅ ｉｔ ｈａｓ ｓｈｏｒｔｃｏｍｉｎｇｓ，ＳＯ ｔｈａｔ ｉｔ ｃａｎｎｏｔ ｇｅｔ ｇｏｏｄ ｒｅ－ ｓｕｉｔｓ．Ｉｎ ｏｒｄｅｒ ｔｏ ｍｅｅｔ ｔｈｅ ａｃｔｕａｌ ａｐｐｌｉｃａｔｉｏｎ ｒｅｑｕｉｒｅｍｅｎｔｓ，ｔｈｅ Ｍｅａｎ Ｓｈｉｆｔ ａｌｇｏｒｉｔｈｍ ｉｓ ｅｘｔｅｎｄｅｄ ｂｙ ｋｅｒｎｅｌ ｆｕｎｃｔｉｏｎ ａｎｄ ｗｅｉｇｈｔ ａｎｄ ｔｈｅ ｍｅａｎｉｎｇ ｏｎ ｔｈｉｓ ｅｘｐａｎｓｉｏｎ ｉｓ ａｌｓｏ ｅｘｐｌａｉｎｅｄ，ａｎｄ ｉｎ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ ｌａｃｋ ｏｆ ｔｈｅ Ｍｅａｎ Ｓｈｉｆｔ ａｌｇｏｒｉｔｈｍ，ａｎ ａｌｇｏｒｉｔｈｍ ｃｏｍｂｉｎｅｄ Ｍｅａｎ Ｓｈｉｆｔ ａｎｄ Ｋａｌｍａｎ ｆｉｌｔｅｒ ｗａｓ ｐｒｏｐｏｓｅｄ．Ｔｈｒｏｕｇｈ ｔｈｅ ｓｃｈｏｏｌ’Ｓ ｖｉｄｅｏ ｓｕｒｖｅｉｌｌａｎｃｅ，ｔｈｅ ａｌｇｏｒｉｔｈｍ ｗａｓ ｖｅｒｉｆｉｅｄ，ａｎｄ ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｌｇｏｒｉｔｈｍ Ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙｔｒａｃｋｔｈｅｔａｒｇｅｔ． Ｋｅｙ ｗｏｒｄｓ：Ｍｅａｎ Ｓｈｉｆｔ；ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ；ｉｎｔｅｌｌｉｇｅｎｔ ｓｕｒｖｅｉｌｌａｎｃｅ
Ｏ 引 言 目前，智能视频监控涉及计算机视觉、图像视频处 理与分析、人工智能、数字信号处理等诸多学科。智能 视频监控已经在多个行业开始应用，例如交通领域中 的交通违章和流量控制等。 智能视频监控技术中涉及运动目标检测、目标识
别、运动目标跟踪及运动行为理解等关键技术。其中 运动目标跟踪属于运动目标检测和目标识别与运动行 为理解的中间处理部分。运动目标跟踪通过对运动目 标检测的结果进行处理，来支撑运动目标行为的理解 与分析。运动目标跟踪结果的好坏直接影响智能视频 监控系统的有效性，是智能视频监控系统的核心技术。
收稿日期：２０１３—０３—１１ 修回日期：２０１３—０６—１８ 网络出版时间：２０１３－１１－１２ 基金项目：上海市科技计划项目（１２１１１１０１００４） 作者简介：吴佳家（１９８７一），男，硕士，研究方向为多媒体；许华虎，教授，研究方向为多媒体。 网络出版地址：ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／６１．１４５０．ＴＰ．２０１３１１１２．１６５３．０５３．ｈｔｍｌ ・６・ 计算机技术与发展 第２４卷 所以对运动目标跟踪的研究，具有很实际的应用价 值…。
１运动目标跟踪技术 运动目标跟踪，就是利用视频图像处理等相关技 术，在连续的视频图像序列中找到目标位置和相关运 动信息，从而完成对特定目标的跟踪。 运动Ｅｔ标跟踪方法大致可以分为两种思路：一种 就是不依赖目标的先验知识，直接从视频图像序列中 检测并提取运动目标，紧接着对提取的目标进行识别 和判断，如果是要跟踪的目标，则对其继续进行跟踪， 否则重新进行检测和判断；另一种思路是依赖目标的 先验知识，首先对跟踪目标进行运动建模，然后再到视 频图像序列中寻找与之相匹配的跟踪目标。
２ Ｍｅａｎ Ｓｈｉｆｔ目标跟踪方法 Ｍｅａｎ Ｓｈｉｆｔ方法是一种最优的寻找概率密度极大 值的梯度上升算法，由于算法收敛速度快，而且不需要 先验知识，已经被广泛应用在聚类分析、图像分割、目 标跟踪等领域 。 ２．１ Ｍｅａｎ Ｓｈｉｆｔ方法 假设在给定的空间中有ｒｔ个样本点， ｉ＝１，…， ｒｔ，则在 点的Ｍｅａｎ Ｓｈｉｆｔ向量的基本形式定义为： １ Ｍ （ ）＝÷∑（ 一 ） （１）
。 Ｅ ５ｈ 其中，．ｓ 是一个半径为ｈ的高维球区域，它是满足
下面关系式的所有点的集合： Ｓ （ ）＝Ｐ｛Ｙ：（Ｙ—Ｘ） （Ｙ—Ｘ）≤ｈ ｝ （２） ｋ表示的是在上述的多个样本点中，有多少个样 本点落入了区域内。如图１所示，大圆所圈定的范围 是相关的区域，小球代表落入该区域内的样本点，圆心 代表Ｍｅａｎ Ｓｈｉｆｔ的基准偏移中心 ，箭头表示样本点 相对于基准点的偏移向量。
图１ Ｍｅａｎ Ｓｈｉｆｔ示意图 在式（１）中，（ 一 ）表示的是相关区域内的样本 点相对于中心的偏移向量。所以计算得到的Ｍｅａｎ Ｓｈｉｆｔ向量Ｍｈ（ ）是对落入区域内的所有样本点相对
于中心偏移向量的平均值。不过这是建立在一个假设 条件下，即所有的样本点是服从同一个概率密度分布。 由梯度的相关知识可知，非零概率密度函数的梯度总 是指向概率密度函数增加最快的方向。而相关区域内 的样本点会更倾向于落在了概率密度梯度的方向上。 因此，Ｍｅａｎ Ｓｈｉｆｔ向量指向概率密度函数增加最快的方 向，即梯度方向。如图１所示，Ｍｈ（ ）指向样本分布 相对较多的区域 。 ２．２对Ｍｅａｎ Ｓｈｉｆｔ算法的扩展 通过增加核函数和权重对Ｍｅａｎ Ｓｈｉｆｔ算法进行扩 展。核函数只是粗略限定了样本的重要性，不能确切 地反映各个样本的重要性。目标跟踪中，离中心点的 距离不能完全决定点的重要性，所以引入权重系数就 显得很有用。对于落人相关区域中的样本点，它们的 权重∞（ ）由各个样本点的特征来决定。特征不仅 仅是指样本点本身的特征，还可以是统计特征。 把核函数和权重添加进来，基本的Ｍｅａｎ Ｓｈｉｆｔ可 以扩展为：
∑Ｇ （ 一 ）∞（ 一 ） ｍ（ｘ）＝旦 ———————一
∑Ｇ （ — ）∞（ ） ｉ＝ｌ
（３）
其中，Ｇ （ 一 ）＝１日Ｉ一十Ｇ（日一中（ 一 ）），Ｇ（ ） 是高斯单位核函数；日是一个正定的ｄ×ｄ的矩阵，称 为带宽矩阵；ｔｏ（ ）表示样本点 的权重。 式（３）太过复杂，在实际应用中通过对其简化以 达到应用。在图像处理中，常把带宽矩阵限定为一个 对角矩阵，甚至单位矩阵。式（３）可以改写为： 一 ２ ∑ （１Ｉ ｌ１）∞（ ）
ｍ（ ）＝ ——＿ —一一 （４） ∑ｇ（１ｌ ＩＩ）∞（ ）
通过数学证明，知道在 点使用核函数Ｇ得到的 Ｍｅａｎ Ｓｈｉｆｔ矢量与归一化地用核函数Ｋ估计出来的概 率密度函数的梯度成正比，这里的归一化因子为在 处使用核函数Ｇ估计得到的概率密度函数。
ｍｈ 、： （５） ，ａ（ｘ） 一２ ）
其中， ． （ ）为概率密度函数的梯度；ｆｈ． （ ） 为以Ｇ为核函数的概率密度函数的估计。 因此，Ｍｅａｎ Ｓｈｉｆｔ矢量和移动相关区域就可以找到 概率密度分布的梯度为零的区域，也就是常说的稳态 点。所以寻求稳态点可以通过下述迭代过程得到： （１）计算偏移基准点的Ｍｅａｎ Ｓｈｉｆｔ向量； （２）将核函数移动到ｍ （ ）； （３）返回１，直至收敛到某个邻域点或者满足迭代 结束条件。
