近年来随着计算机技术的高速发展和人们对电子设备智能化愈加强烈的客观需求, 作为机器感知世界的重要来源的计算机视觉技术进步非常迅猛。而目标跟踪作为计算机视觉极为重要的一环, 成为国内外学者的研究热点, 并在愈来愈广泛的领域得到应用。

本文围绕目标跟踪中广受关注的Mean Shift跟踪算法, 对其来源发展和算法原理进行了详细介绍, 然后指出了经典Mean Shift跟踪算法存在的一些缺陷, 并对基于Mean Shift跟踪算法的衍生算法根据改进方向的不同进行了归类和介绍。同时本文也针对Mean Shift跟踪中两个重要的缺陷提出了基于特征区分度和区域生长的Mean Shift跟踪算法。

首先针对经典Mean Shift跟踪算法仅采用颜色直方图表征目标失去了大部分空间信息的缺陷, 先计算目标和背景的区分度, 然后利用区分度对目标模板过滤背景特征, 并在目标模板和候选目标进行匹配时, 同时利用当前帧候选目标的区分度同时对两者进行加权, 来突出目标中的显著特征。这样既能保留颜色直方图具有的旋转不变性、尺度不变性和具有一定形变适应性的优点, 又通过计算目标和背景的对比关系为颜色直方图引入空间信息, 因此增强了跟踪算法在相似背景下的鲁棒性和准确度。

其次, Mean Shift算法计算的相似度的极大值点与真实目标位置总是存在误差, 这是由于颜色直方图丢失空间信息和Bhattacharyya系数表征的相似度共同导致的。针对这个问题, 先根据区分度选取目标跟踪框中具有较独特特征的像素点作为种子点, 然后对这些种子点进行区域生长, 获得准确的目标区域, 再根据目标区域修正跟踪的最终位置和大小。对跟踪框的修正可以增加跟踪的准确度。

最后, 针对经典Mean Shift跟踪算法采用固定目标模板的缺陷, 加入了模板更新的策略, 其思想是只有当目标发生较大变化时才更新模板。同时也加入运动预测策略, 使得下一帧的初始位置更接近Mean Shift算法迭代终止的位置, 而且能够一定程度上避开错误的局部峰值, 对提高跟踪算法的鲁棒性和实时性有一定帮助。

本文对上述的改进算法进行了编程仿真, 并仿真了经典的Mean Shift跟踪算法和另外两种背景加权的Mean Shift跟踪算法。将四种算法在相同的实验环境下对不同的图像序列进行跟踪, 对比了四种算法在跟踪准确度和实时性的表现, 证明了本文改进算法在跟踪准确度上有所提升, 同时鲁棒性也有一定程度的加强。