基于均值移动算法的视频物体跟踪系统设计开题报告

1. 研究目的与意义

计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。运动目标检测与跟踪是图像编码技术以及计算机视觉研究中的核心内容之一，在视频监控，视觉导航，智能交通以及视频图像压缩和传输等领域中都有重要的实用价值。

在计算机视觉中，跟踪是指通过计算其运动序列图像生成运动物体的轨迹。目标跟踪的方法有很多种，主要都是计算对象在连续帧间的变化，日常应用中使用最广泛的当属均值移动算法。均值移动(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。均值移动最早于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。均值移动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。随着时间的推移，均值移动也由最基本的形式得到了完善和发展。首先，YizongCheng定义了一族核函数，使得随着样本与被漂移点的不同，其漂移量对均值漂移向量的贡献也不同；其次又设定了一个权重系数，使得不同样本点的重要性不一样。因此均值移动的适用范围得到了扩大。接着Comaniciu等人将均值移动算法运用到了特征空间的分析之中，对图像进行平滑和分割处理，并把非刚体的跟踪问题近似为一个均值移动最优化问题，使得跟踪可以实时地进行。由于均值移动算法完全依靠特征空间中的样本点进行分析，不需要任何先验知识，收敛速度快，近年来在图像平滑、边缘检测以及目标跟踪等许多计算机视觉研究领域开始得到广泛的关注和应用。

2. 研究内容和预期目标

采用动态序列图像分析是运动目标检测和跟踪的主要手段，然而众多的因素导致图像的灰度和内容在相邻两帧图像之间发生变化，比如景物本身的变大变小，摄像机与景物的相对运动（频移，旋转等），照度的变化等，从而使得看似简单的相邻图像之间的差分运算变得非常复杂，一般认为目标跟踪的难题主要来自于以下几个方面：

1.运动目标的选取：目标的选取就是在跟踪的起始处选择要跟踪的目标。一个完整的目标跟踪系统包括：正确地检测出运动目标，运用合适的算法对目标进行跟踪。运动目标的检测和运动目标跟踪分别是两个研究课题，本文的算法主要是对运动目标的跟踪进行研究，因为目标的选取主要是通过人机交互的方式手工选取的，这样可以把主要精力放在跟踪算法的研究上。

2.复杂场景的干扰：当目标在复杂环境中，例如：当背景与目标特征（如颜色，边缘，纹理）极为相近时，往往很难稳定跟踪目标，当运动目标所处环境的光照亮度发生变化时，如果采用颜色信息作为跟踪算法的特征，同样会导致跟踪失败，此时应该选择不受光照变化影响的特征作为目标模板，减少背景光照变化对算法的影响。因此，在实际跟踪系统中根据背景的干扰情况采取相应措施剔除背景的干扰就显得尤为重要，这也是影响跟踪系统准确性和鲁棒性的重要因素。

3.目标形态的转变：在跟踪的过程中，目标相对于参考观察点常常会发生放大，缩小，旋转等情况，特别是当跟踪目标是非刚性物体，在目标跟踪过程中会发生形变，相对于初始分割的目标存在一定的差异。如何跟踪新目标模板是在跟踪过程中亟需解决的问题

3. 研究的方法与步骤

本课题的主要研究工作就是利用图像序列中被跟踪目标运动规律的信息来对目标进行跟踪。

对目标整体运动可用仿射模型，透射模型来描述，也可使用卡尔曼滤波器进行运动的估计和预测。

假设目标的运动轨迹是光滑的，或者目标运动速度或加速度是恒定的，即目标的运动是线性的，且图像噪声是高斯噪声，可以利用卡尔曼滤波器预测和估计目标下一帧的位置，完成对目标的跟踪。

4. 参考文献

[1] 陈侠.基于改进的meanshift的跟踪算法研究

[2] chinapub .《matlab5手册》

[3] 张浩 .基于特征的自适应滤波跟踪算法研究

5. 计划与进度安排

2022-3-5～2022-3-11 查阅资料，分析实施方案；

2022-3-12～2022-3-31完成立体视觉系统的标定；

2022-4-1～2022-4-30 完成立体图像匹配算法实现；