camshift 目標(biāo)跟蹤算法設(shè)計(jì)論文

《camshift 目標(biāo)跟蹤算法設(shè)計(jì)論文》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、CamShift目標(biāo)跟蹤算法設(shè)計(jì)畢業(yè)論文目錄使用系統(tǒng)自動生成目錄摘要IABSTRACT21緒論21.1背景分析21.2研究現(xiàn)狀31.2.1基于濾波和數(shù)據(jù)關(guān)聯(lián)度的跟蹤算法研究現(xiàn)狀31.2.2基于目標(biāo)建模和定位的跟蹤算法研究現(xiàn)狀41.3主要研究內(nèi)容42MEANSHIFT跟蹤器設(shè)計(jì)62.1引言62.2Mean-shift算法定義以及效率分析62.2.1Mean-shift算法核函數(shù)概述[1]62.22Mean-shift算法梯度函數(shù)82.2.3Mean-shift收斂定理證明以及算法綜述102.3基于Meanshift

2、的視頻跟蹤原理以及應(yīng)用132.3.1Meanshift視頻跟蹤算法132.3.2Meanshift視頻跟蹤應(yīng)用以及優(yōu)缺點(diǎn)分析173局部CAMSHIFT算法原理以及實(shí)踐193.1Camshift跟蹤器193.1.1Camshift算法原理193.1.2CamShift算法優(yōu)缺點(diǎn)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算法的優(yōu)缺點(diǎn)分析244局部CAMSHIFT算法與CAMSHIFT算法對比254.1局部Camshift算法的跟蹤效果比較254.

3、2局部Camshift算法的迭代次數(shù)比較265總結(jié)與展望285.1論文總結(jié)285.2研究展望28II附錄I源程序(OPENCVTEST.CPP)32致謝38II1緒論黑體小二，居左1.1背景分析黑體小三，居左實(shí)時(shí)跟蹤算法一直在很多計(jì)算機(jī)視覺領(lǐng)域里是個(gè)難題，例如在監(jiān)控系統(tǒng)，感知用戶界面，基于目標(biāo)的視頻壓縮算法，汽車駕駛輔助系統(tǒng)等等尖端領(lǐng)域里，都是一個(gè)沒有被解決的難題。傳統(tǒng)的視覺跟蹤器可以分為兩大派別，一種是目標(biāo)的建模以及定位，是處理目標(biāo)的現(xiàn)狀和變化一種由下至上的過程。Meanshift算法[1]是該派別的主力算法之

4、一，該算法是一種在一組數(shù)據(jù)的密度分布中尋找局部極值的穩(wěn)定[2]的方法。在離散的數(shù)據(jù)集上，meanshift能很快的找到數(shù)據(jù)分布最密集的點(diǎn)，并且Comaniciu等人[3]把Meanshift成功的運(yùn)用在特征空間的分析，在圖像平滑和圖像分割中Meanshift都得到了很好的應(yīng)用，取得了非常好的效果。同時(shí)Comaniciu等人[4]還把跟蹤問題近似為一個(gè)meanshift最優(yōu)化問題，使得跟蹤可以實(shí)時(shí)的進(jìn)行。之后，Bradski[5]針對meanshift算法提出了改進(jìn)，使得跟蹤更加有效快捷。另一種濾波和數(shù)據(jù)關(guān)聯(lián)度是一

5、個(gè)處理目標(biāo)動態(tài)變化，先驗(yàn)學(xué)習(xí)的由上至下的過程。兩種方式結(jié)合在一個(gè)有效穩(wěn)定的目標(biāo)跟蹤器中可以發(fā)揮著關(guān)鍵作用。例如，人群中的人臉更多的依靠目標(biāo)的表現(xiàn)形式，而不是目標(biāo)動態(tài)[6]，而在現(xiàn)場的目標(biāo)監(jiān)控系統(tǒng)里[7]，目標(biāo)的移動和攝像機(jī)的自我移動是更關(guān)鍵的部分。在實(shí)時(shí)跟蹤系統(tǒng)中，只有系統(tǒng)中的少量資源可以被用來做跟蹤，其余部分可以用來做識別等預(yù)處理，因此，要將計(jì)算復(fù)雜度盡可能地降到最低。1.2研究現(xiàn)狀黑體小三1.2.1基于濾波和數(shù)據(jù)關(guān)聯(lián)度的跟蹤算法研究現(xiàn)狀黑體4號基于濾波和數(shù)據(jù)關(guān)聯(lián)度的目標(biāo)跟蹤，可以歸納為對離散時(shí)間動態(tài)系統(tǒng)的狀態(tài)

6、空間建模方法。描述目標(biāo)特征的信息定義為，對應(yīng)的時(shí)間更新的方程用來描述?？梢岳玫姆椒虾拖鄳?yīng)的狀態(tài)方程相關(guān)。概括的說，，都是非線性的向量，值都是隨著時(shí)間變化的和都是噪聲向量，并且假設(shè)為獨(dú)立同分布的隨機(jī)變量。當(dāng)噪聲向量是屬于高斯分布，，都是線型算子的時(shí)候，最好的方法是用卡爾曼濾波法(KalmanFilter)[8,p.56]，當(dāng)，都是非線性算子的時(shí)候，進(jìn)行線型化就得到了擴(kuò)展的卡爾曼濾波法(ExtendedKalmanFilter,EKF)[8]，兩種方法的后驗(yàn)概率分布都是高斯型。有一個(gè)另類的卡爾曼濾波法叫做Uns

7、cented38KalmanFilter(UKF)[9],該方法根據(jù)一些離散的樣本點(diǎn)求出后驗(yàn)概率的均值和方差。當(dāng)狀態(tài)空間是離散而且由有限個(gè)狀態(tài)組成的時(shí)候，隱馬爾科夫(HiddenMarkovModels,HMM)濾波[10]可以用來做跟蹤。最一般的濾波族是粒子濾波[11]，也叫booststrap濾波，是基于蒙特卡羅積分法的濾波方式。當(dāng)跟蹤于一個(gè)多目標(biāo)的混亂環(huán)境下，一些跟蹤方法的有效性和關(guān)聯(lián)性就產(chǎn)生了。最近鄰居法(NearestNeighborFilter)和概率數(shù)據(jù)關(guān)聯(lián)法(ProbabilisticDataAs

8、sociationFilter)對一個(gè)單目標(biāo)都是有效的。這些做法的假設(shè)是，對于一個(gè)給定的目標(biāo)來說，只有一種方法是有效的，其余的方法都是隨機(jī)的干擾。這就是說，獨(dú)立同分布的均勻分布量。連接數(shù)據(jù)關(guān)聯(lián)度濾波(JointDataAssociationFilter(JPDAF)[8,p.222],于此同時(shí)，計(jì)算了方法和目標(biāo)的關(guān)聯(lián)度概率把所有目標(biāo)都聯(lián)系起來。一個(gè)與眾不同的方法是多重假設(shè)