简介:关于本文可作为Meanshift方面的大学硕士与本科毕业论文Meanshift论文开题报告范文和职称论文论文写作参考文献下载。
运动目标跟踪技术是视频图像研究中的重点研究之一[1_2].目标跟踪系统中,视频图像的场景是变化的,目标同时会受光照变化、背景、目标旋转的干扰,跟踪时常常会发生目标被遮挡时易丢失的现象；当视场中出现与目标的颜色、灰度分布接近的事物时,对跟踪算法的性能会受到比较大的影响[5-6],这就要求跟踪算法具有较高的鲁棒性.并且传统的图像采集设备,它的图像采集频率为25帧／s,那么就要求处理速度必须小于40 ms/帧.针对视频图像采集场景复杂、摄像条件限制以及运动目标跟踪过程对实时性、鲁棒性方面的要求,本文提出了一种基于Meanshift采样的辅助变量粒子滤波跟踪算法.1跟踪算法设计1.1问题描述
定义目标状态变量为1.2粒子初始化
首先拖动鼠标选择一个矩形框作为跟踪区域.将跟踪区域的颜色空间转换为HSV空间,并将其进行分离,提取出色调Hue平面,建立基于Hue平面的颜色直方图同模型,即为目标模型.建立目标模型后,由先验概率p (xo)采样得到Ⅳ个粒子.假设目标初始状态变量为xo-(Pxo,PYo,0,O)T,其中(Pxo,PYo)是目标在图像上的坐标,戈轴和y轴的初始速度为0.
初始化：在跟踪目标区域D的中心So(Pxo,PYo)处叠加随机噪声来采样粒子集
其中矩阵B根据经验值选取,届‘为服从Ⅳ(0,1)的随机数.初始时刻所有粒子速度均设为0,粒子权重均初始化为1／Ⅳ,所有粒子的权值之和为1,每个粒子表示一个目标的可能位置.1.3辅助粒子采样其中戈：一．为基于第k一1帧目标跟踪结果的状态采样粒子,届‘是服从Ⅳ(0,1)的随机数.1.4 Meanshift优化
Meanshift（均值偏移）算法[8]是通过将均值偏移矢量不断地进行迭代,从而得到局部最优解,它的特点是快速有效.
得到辅助粒子集{五：,西：）.：．后,以第i个采样粒子五：为例,Meanshift偏移的计算过程如下所示：
1.1确定初始搜索窗口
a．窗口的初始位置即为采样粒子五：所确定的初始候选目标区域或；
b．采用均匀核函数计算；
c．矩形候选目标区域即为核函数作用区域；
d．窗口大小为初始候选目标区域或的大小；
2.)计算带有核函数权重窗口的重心；
3.)将窗口的中心移动到计算出的重心处；
4.)返回第2步,设置Meanshift算法的阈值为1,迭代次数为10.
迭代计算结束之后,粒子所确定的初始候选区域或的中心就转移到DB：图像像素分布的重心位置,也就是局部最优位置,记该位置为确定大小与目标区域D相同的矩形区域即为目标候选区域D：(i等于l,2,等,m.1.5相似性度量
以第i个候选区域为D：例建立其核函数直方图模型[9]的候选区域模型,假设候选目标区域D,的中心点为s.,D,的Hue图像你素为{si, i等于l,2,等,nc),‰为候选区域D：的像素个数,每个点的
灰度为m级,D,的中心点为s.,则候选目标的核函数直方图g.为：
其中,^为核函数的窗宽,g.为候选目标直方图模型fg.）三．的第M个分量,m为分量个数,b (s0是s.处像素的量化值,常数C.为归一化值,
用Bhattachawva距离计算对目标区域D与候选区域D：进行相似性度量[10]
其中{p.）三．为跟踪目标区域D的核函数直方图,{g.）三．为候选目标D：的核函数直方图.同样的,将每个候选区域D：均与目标区域D进行相似性度量,得到相应的度量值dh (i等于l,2,等,册.1.6目标状态估计
按式(11)更新每个辅助粒子五：的权重面：：秽础,yxI)T就可获得目标在第五帧图像上的跟踪位置,即为P等于(成.,Pyh),俄.,耽为目标在图像上的空间坐标.2本文算法流程
算法详细流程图如图1所示.3仿真结果与分析
用于跟踪实验的视频图像分辨率为614x467,采用论文范文PF算法,Meanshift算法与本文算法来进行对比仿真实验,从而验证本文算法的跟踪效果.其中本文算法用10个粒子进行采样,论文范文PF算法用200个粒子进行采样.
仿真的环境为CPU:M390 2.67GHz,内存2G,Windows 32位操作系缆,编程平台为：VisualStudi0 2010,语言为OpenCV和C++.3.1鲁棒性
截取实拍的视频进行实验仿真,为了验证提出的跟踪算法,在初始视频帧上用鼠标手动选择跟踪窗口,300帧左右时,遮挡阴影开始出现在跟踪场景中,目标驶入遮挡区域,350帧左右时目标完全离开遮挡区域.
图2~图4中的(a)、(b)、(c)、(d)分别为具有旋
转、摄像头抖动、目标部分被遮挡、目标在离开遮挡区域后四种情况,矩形框为跟踪结果.由图2~图4各组仿真结果中的(a)、(b)图像对比显示可以看到,图像上的矩形框都能够准确的锁定跟踪目标；图2的fc）图中,目标行驶进入遮挡区域,可以看到在目标部分特征被遮挡时Meanshift跟踪算法出现轻微的目标丢失现象,到图2的(d)显示跟踪框已完全丢失目标；在图3(c)中,从目标进入遮挡区域,部分特征被遮挡,到目标驶出遮挡区域,如图3(d)所示,论文范文PF算法已丢失跟踪目标；图4中fc）、(d)为本文跟踪算法在目标被遮挡条件下的跟踪情况,由图中矩形框显示可知,该算法在目标被遮挡的情况下能够持续对目标进行准确的跟踪,表现出了比较高的鲁棒性.3.2实时性
选取第100-400帧图像进行时间统计.表1为以下三种算法进行目标跟踪时视频帧处理时间的统计结果.由表1可以看出,本文算法的平均处理时间为12.975 6 ms,略高于Meanshift算法平均每帧的处理时间,但是本文算法仅用了10个采样粒子远小于论文范文PF算法的200个粒子,因此相对于论文范文PF算法,极大地缩短了跟踪时间,满足视频图像跟踪系统的实时性要求,可以实觋实时跟踪.4结论
针对图像运动目标跟踪面临的实际问题和具体要求,从实时性和鲁棒性出发,采用论文范文PF算法作为本文跟踪算法的主体框架,对每个辅助采样粒子进行Meanshift转移,利用采样粒子确定候选目标区域,对候选目标模型与目标模型进行相似性度量,更新粒子权重,将粒子加权确定目标跟踪位置.仿真结果表明该方法具有良好的抗旋转性、抗机动性和抗遮挡性,
且鲁棒性和实时性均可满足目标跟踪系统的要求.但本文比较依赖于目标模型的选取和建立,后期可以选择更多的目标特征对目标进行建模,或者选用多特征融合来建立目标模型来进行下一步研究.
总结：本文关于Meanshift论文范文,可以做为相关论文参考文献,与写作提纲思路参考。
meanshift kmeans引用文献:
