camshift 目标跟踪算法设计论文

《camshift 目标跟踪算法设计论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、CamShift目标跟踪算法设计毕业论文目录使用系统自动生成目录摘要IABSTRACT21绪论21.1背景分析21.2研究现状31.2.1基于滤波和数据关联度的跟踪算法研究现状31.2.2基于目标建模和定位的跟踪算法研究现状41.3主要研究内容42MEANSHIFT跟踪器设计62.1引言62.2Mean-shift算法定义以及效率分析62.2.1Mean-shift算法核函数概述[1]62.22Mean-shift算法梯度函数82.2.3Mean-shift收敛定理证明以及算法综述102.3基于Meanshift

2、的视频跟踪原理以及应用132.3.1Meanshift视频跟踪算法132.3.2Meanshift视频跟踪应用以及优缺点分析173局部CAMSHIFT算法原理以及实践193.1Camshift跟踪器193.1.1Camshift算法原理193.1.2CamShift算法优缺点分析213.2局部Camshift算法223.2.1局部Camshift算法原理223.2.2局部Camshift算法的优缺点分析244局部CAMSHIFT算法与CAMSHIFT算法对比254.1局部Camshift算法的跟踪效果比较254.

3、2局部Camshift算法的迭代次数比较265总结与展望285.1论文总结285.2研究展望28II附录I源程序(OPENCVTEST.CPP)32致谢38II1绪论黑体小二，居左1.1背景分析黑体小三，居左实时跟踪算法一直在很多计算机视觉领域里是个难题，例如在监控系统，感知用户界面，基于目标的视频压缩算法，汽车驾驶辅助系统等等尖端领域里，都是一个没有被解决的难题。传统的视觉跟踪器可以分为两大派别，一种是目标的建模以及定位，是处理目标的现状和变化一种由下至上的过程。Meanshift算法[1]是该派别的主力算法之

4、一，该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[2]的方法。在离散的数据集上，meanshift能很快的找到数据分布最密集的点，并且Comaniciu等人[3]把Meanshift成功的运用在特征空间的分析，在图像平滑和图像分割中Meanshift都得到了很好的应用，取得了非常好的效果。同时Comaniciu等人[4]还把跟踪问题近似为一个meanshift最优化问题，使得跟踪可以实时的进行。之后，Bradski[5]针对meanshift算法提出了改进，使得跟踪更加有效快捷。另一种滤波和数据关联度是一

5、个处理目标动态变化，先验学习的由上至下的过程。两种方式结合在一个有效稳定的目标跟踪器中可以发挥着关键作用。例如，人群中的人脸更多的依靠目标的表现形式，而不是目标动态[6]，而在现场的目标监控系统里[7]，目标的移动和摄像机的自我移动是更关键的部分。在实时跟踪系统中，只有系统中的少量资源可以被用来做跟踪，其余部分可以用来做识别等预处理，因此，要将计算复杂度尽可能地降到最低。1.2研究现状黑体小三1.2.1基于滤波和数据关联度的跟踪算法研究现状黑体4号基于滤波和数据关联度的目标跟踪，可以归纳为对离散时间动态系统的状态

6、空间建模方法。描述目标特征的信息定义为，对应的时间更新的方程用来描述。可以利用的方法集合和相应的状态方程相关。概括的说，，都是非线性的向量，值都是随着时间变化的和都是噪声向量，并且假设为独立同分布的随机变量。当噪声向量是属于高斯分布，，都是线型算子的时候，最好的方法是用卡尔曼滤波法(KalmanFilter)[8,p.56]，当，都是非线性算子的时候，进行线型化就得到了扩展的卡尔曼滤波法(ExtendedKalmanFilter,EKF)[8]，两种方法的后验概率分布都是高斯型。有一个另类的卡尔曼滤波法叫做Uns

7、cented38KalmanFilter(UKF)[9],该方法根据一些离散的样本点求出后验概率的均值和方差。当状态空间是离散而且由有限个状态组成的时候，隐马尔科夫(HiddenMarkovModels,HMM)滤波[10]可以用来做跟踪。最一般的滤波族是粒子滤波[11]，也叫booststrap滤波，是基于蒙特卡罗积分法的滤波方式。当跟踪于一个多目标的混乱环境下，一些跟踪方法的有效性和关联性就产生了。最近邻居法(NearestNeighborFilter)和概率数据关联法(ProbabilisticDataAs

8、sociationFilter)对一个单目标都是有效的。这些做法的假设是，对于一个给定的目标来说，只有一种方法是有效的，其余的方法都是随机的干扰。这就是说，独立同分布的均匀分布量。连接数据关联度滤波(JointDataAssociationFilter(JPDAF)[8,p.222],于此同时，计算了方法和目标的关联度概率把所有目标都联系起来。一个与众不同的方法是多重假设