基于Mean-Shift的目标跟踪算法研究

目标跟踪是指在一段视频图像序列中找到与感兴趣的目标最相似的部分，是计算机视觉领域中的一个研究热点问题。它在自动控制、人机界面、医学图像识别和视频压缩等众多领域中都有着广泛的应用。在众多目标跟踪算法中，Mean-Shift目标跟踪算法由于其理论严谨，简单易实现，跟踪性能较好等优势，近年来受到广泛的关注。 论文的主要研究内容是基于Mean-Shift的目标跟踪算法。Mean-Shift算法是一种基于密度梯度的无参数估计方法，采用核函数直方图的建模方式。通常在视频序列的第一帧中由用户手动选择感兴趣的目标区域，并对目标进行直方图建模，采用Bhattacharyya系数进行相似性度量，然后在后续视频序列帧中迭代地搜索与目标模型最相似的区域。Mean-Shift算法因其计算量小，对部分遮挡、目标的旋转、变形以及背景的运动都不敏感等优点，被广泛的应用于目标跟踪领域。但是Mean-Shift算法也存在着一些缺陷，比如当跟踪目标的尺寸发生变化时，其核窗宽不能自适应的进行调整；当目标和背景过于相似的时候，灰度直方图建模的方式已经不能完全满足目标特征的描述需求，从而导致了跟踪算法的性能下降。 文中首先选用了不同的视频序列对传统Mean-Shift目标跟踪算法进行了分析和实现，验证了其性能中的优势和不足。针对传统的Mean-Shift跟踪算法核窗宽不能自适应改变的问题，提出了两种改变的思路，即基于Canny边缘检测的方法和基于比较Bhattacharyya相似性系数的方法，并通过实验证明了前者只适用于目标和背景区分度大且背景干扰小的情况，而后者在背景存在干扰的情况下仍然有效和可靠。 针对目标与背景灰度过于相似的情况，仅仅采用灰度特征对目标进行直方图建模已经不能满足目标特征描述的需要，本文提出了多特征融合的Mean-Shift目标跟踪算法。引入了LBP算子，提取出目标的纹理特征，采用灰度和纹理特征融合的目标建模方式，提高了跟踪算法的准确性和鲁棒性。