Mean Shift算法在目标跟踪领域的应用研究

目标跟踪物在运动过程不断移动以及在运动过程中被遮挡的问题一直是研究的一个焦点和重点问题。本文通过阐述Mean Shift算法原理，研究了Mean Shift算法对目标物的快速跟踪过程。并通过两组实验分别对运动目标物及在遮挡条件下运动目标物进行跟踪。第一组实验中，选取移动的物体篮球为目标物，并通过Mean Shift算法，不断迭代跟踪新的篮球位置，实现对篮球的跟踪。第二个实验中，选取移动的 *通讯作者。

目标跟踪在计算机视觉领域有着非常重要的应用[1]。

对于目标物的跟踪， 如果单纯靠人眼识别观察， 不仅耗费大量时间，而且可能会出现差错。视频目标跟踪，就是确定视频序列中每幅图像运动目标的位置[2]。随着科学技术的发展，视频目标跟踪技术已经被广泛应用于智能视频监控[3]、现代化军事[4]、航空航天[5]、智能交通系统[6]、人机交互[7]以及工业生产、检测诊断等众多领域[8]。

在进行目标跟踪时，目标速度过快，跟踪的实时性问题是跟踪技术的难点[9]，运动跟踪算法的优劣极大影响跟踪结果的好坏。Mean Shift 算法是一种基于迭代收敛到概率密度的局部极大的非参数估计算法，减少了跟踪算法的计算量[10]，具有实时性好，对目标的旋转、变形、以及边缘状态遮挡不敏感的优点[11]。

而在复杂的运动环境下， 物体被遮挡等其他因素干扰对目标的区分与跟踪就显得困难[12]。

通过KCF算法可将灰度特征换成多通道的彩色特征，即可实现在跟踪过程中利用颜色特征，实现对目标物运动甚至遮挡条件下的跟踪。

本文通过对Mean Shift 算法的研究，将算法应用到目标跟踪技术中。通过两组实验，分别对运动物体以及运动物体在遮挡条件下进行目标跟踪。

2. Mean Shift 目标跟踪算法 2.1. Mean Shift 算法介绍 Mean Shift (均值漂移)是一种非参数概率密度估计的方法， 一种最优的寻找概率密度极大值的梯度上升法，在解决计算机视觉底层过程中表现出了良好的鲁棒性和较高的处理速度。Mean Shift 最早于1975年由Fukunaga 等人在关于概率密度梯度函数的估计一文中提出[13]。Mean Shift 算法一般指的是一个迭代的步骤，即先算出当前点的漂移均值，移动该点到其漂移均值，然后以此为新的起始点，继续移动， 直到满足一定的条件结束。

2.2. Mean Shift 算法原理 假设在给定的空间中有n 个样本点，ix ， 1, , in=， 则在x 点的Mean Shift 向量的基本形式定义为： ( )()1hhix SMxxxk∈=−∑ (1) 其中， hS 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：