基于mean-shift算法的目标跟踪技术的研究.docVIP

毕业论文（设计） 题 目基于mean-shift算法的目标跟踪技术的研究 院 系 专 业 电子信息工程 学生姓名 学 号 指导教师 职 称_________________ 二O 一 二 年 五 月 十 日 目录 摘 要 2 第一章 绪论 3 1.1 课题研究背景及意义 3 1.2 运动目标跟踪的国内外研究现状 4 1.3 课题研究的主要内容及章节安排 6 第2章 Mean Shift理论 7 2.1 引言 7 2.2 密度估计概述 8 2.3 参数密度估计 8 2.4 无参密度估计 8 2.4.1 无参密度估计的常用方法 8 2.4.2 核密度估计原理 9 2.4.3 核函数的选取 9 2.5 Mean Shift理论 10 2.5.1 多维空间下核密度估计理论 10 2.5.2 密度梯度估计和 Mean Shift 向量 12 2.5.3 Mean Shift 算法的收敛性 14 第3章 Mean Shift目标跟踪算法 16 3.1 引言 16 3.2 Mean Shift算法的步骤 17 3.2.1 目标模型描述 17 3.2.2 候选模型描述 17 3.2.3 目标相似性度量 18 3.2.4 目标定位 18 3.3 算法的具体实现 20 3.4 目标尺度的自适应更新 22 3.5 实验结果分析 22 3.6 本章小结 22 参考文献 23 结论 23 致谢 23 基于mean-shift算法的目标跟踪技术的研究 摘 要：基于视频的运动目标跟踪是计算机视觉研究领域的一项必不可少的关键技术。Mean Shift算法是众多优秀的运动目标跟踪算法之一。本文的主要研究内容为Mean Shift理论和传统的Mean Shift目标跟踪算法，Mean Shift算法采用核颜色直方图作为描述目标的模型，核函数的单峰性使得该算法对目标的部分遮挡或目标变形具有较好的鲁棒性，并且具有较好的实时性。 本文介绍了Mean Shift的一些相关理论，如核密度估计理论等，解释了Mean Shift向量的概念，并对Mean Shift算法的收敛性进行了证明。在Mean Shift理论的基础上，本文详细描述了Mean Shift应用于目标跟踪的具体方法和步骤，同时提出了尺度自适应的更新策略，以满足跟踪过程中目标尺度的变化要求，还列出了Mean Shift算法在各种不同情况下的实验结果及分析。 关键词：Mean Shift，密度估计，核函数 第一章 绪论 1.1 课题研究背景及意义 人类从外部世界获得的感官信息中，80%以上是来自于视觉。人们通过视觉能力从外界获取各种事物的图像信息，视觉系统将这些信息传递给大脑进行处理，产生含义异常丰富的视觉信息，然后大脑再理解这些视觉信息，从而指导人们进行各种相应的活动让机器人具有视觉是人类的一个梦想，机器拥有人类的视觉功能对世界产生的影响怎么估计大概都不为过。现实世界中的物体都是三维的，而人眼所获得的景物图像是二维的，人类的视觉系统能从二维图像中获得三维信息，从而感知三维世界。但是让机器拥有这样的能力却是非常困难的事情。随着信号处理理论的发展和计算机的出现，人们似乎发现了一条模拟人类视觉的可行之路:用摄像机获取环境图像并转换成数字信号，用计算机通过数字图像处理的方法模拟人类对视觉信息处理的全过程，这样，就形成了一门新兴的学科—计算机视觉。 计算机视觉是一门综合性和学科交叉性很强的学科，它涉及图像处理、人工智能、模式识别、人工神经网络和数学等。其研究目标是使计算机具有通过二维图像认知三维环境的能力，这种能力将不仅使机器能够感知三维环境中的形状、位置、姿势等物体的几何信息，而且更重要的是能够对这些信息进行描述、存储、识别和理解。计算机视觉的研究始于20世纪50年代末，到80年代，计算机视觉的基本研究中取得了重要进展，David Marr基于数学 和神经科学领域的背景提出了比较完善的计算机视觉理论，首次从信息处理的角度综合了图像处理、心理物理学和神经生理学等学科的研究成果，提出了第一个较为完善的视觉系统框架。20世纪50年代从统计模式识别开始的，当时的工作主要集中在二维图像的分析和识别上，如光学字符识别，工件表面、显微图片和航空图片的分析和解释等。60年代Robesrt(1965)通过计算机程序从数字图像中提取出诸如立方体、楔形体、棱柱体等多面体的三维结构，并对物体形状及物体的空间关系进行描述。Rboerts的研究工作开创了以理解三维场景为目的的三维计算机视觉的研究。Rboerts对积木世界的创造性研究给人们以极大的启发，许多人相信，一旦由白色积木玩具组成的三维世界