目录
1 绪论 1
1．1 运动目标跟踪研究背景 1
1.2 目标跟踪的研究现状 2
1.2.1 国外研究现状 2
1.2.2 国内研究现状 2
1.3 目标跟踪的基本方法 3
1.3.1 基于识别的跟踪 3
1.3.2 基于检测的跟踪 3
1.4 运动目标跟踪技术的研究难点 4
1.5 拟采用的目标跟踪方法 4
1.6 本文主要任务和章节安排 5
2 Ubuntu简介 5
2.1 Ubuntu的安装 5
2.1.1 VMware的安装 5
2.1.2 Ubuntu的搭建 6
3 特征选取及颜色特征空间模型 7
3.1 目标图像的特征提取 7
3.1.1 灰度特征 8
3.1.2 边缘特征 8
3.1.3 颜色特征 9
3.2 颜色特征的空间模型 9
3.3 HSI颜色空间直方图 10
4. 基于颜色特征的Mean-shift跟踪方法 11
4.1 基本的Mean-shift算法 11
4.1.1 基本的Mean-shift算法 11
4.1.2 扩展的Mean-shift算法 12
4.2 基于颜色特征的Mean-shift跟踪算法 14
4.3 结果分析 17
4.3.1 传统的Mean-shift跟踪算法仿真结果与分析 17
4.3.2 基于颜色特征的Mean-shift目标跟踪算法仿真分析 18
结论 19
致 *景先生毕设|www.jxszl.com +Q: %3^5`1^9`1^6^0`7^2# 
谢 20
参 考 文 献 21
1 绪论
目标跟踪是计算机视觉的典型问题，它融合了一系列相关领域的先进技术如图像处理、模式识别、自动控制等。为了研究出实时性、稳健性、适应性更好的目标跟踪算法，研究者们提出了很多新思路和新方法。
实时性的实质是如何在序列图像中的当前帧位置快速地锁定目标，要求跟踪算法具有较高的搜索效率。稳定性的实质是如何在后续帧中稳定地跟踪目标，克服复杂坏境等因素的干扰。
本章首先介绍目标跟踪的研究背景和现状；然后分析运动目标跟踪所面临的问题，讨论基本的跟踪方法；最后给出论文的总体安排。
1．1 运动目标跟踪研究背景
在计算机视觉领域，运动目标跟踪技术是关键的研究课题之一。它的主要目的是对序列图像中的每一帧进行计算分析，确定目标在该帧图像上的二维坐标信息，选出最能体现目标的一个或多个特征值进行跟踪，即能确定每帧图像上具有同一特征的位置就是该目标[1]。简言之，运动目标跟踪技术就是在序列图像中的初始帧中找到目标二维坐标位置，然后把特征信息反馈给目标跟踪系统，为下一帧跟踪运动目标提供依据。
由于计算机技术发展迅速，运动目标跟踪技术广泛地应用于各个领域，在智能交通、安全监控、军工等方面都有很好的发展。
(1)智能监控方面：能够自动分析场景，对采集的数据进行判断，检测出异常行为，即在无需人为干预时，就能够自行执行报警和调度等操作[2]。
(2)智能人机交互方面：通过操作鼠标、触摸屏和键盘等能够识别和执行人类的一些行为动作，完成复杂的操作。
(3)军事方面：目标跟踪被用于导弹制导、雷达检测、飞行器控制等方面，在军事技术领域是一个重要的研究方向。
由此看出目标跟踪技术涉及到方方面面的领域，几乎所有涉及到图像和视频的地方，都会使用到目标跟踪相关技术。因此对目标跟踪技术的研究具有非常重要的意义和价值。
1.2 目标跟踪的研究现状
1.2.1 国外研究现状
国外目标跟踪的研究起步较早。到目前为止，由于国外硬件领域的不断发展和创新，超大、盛大规模集成电路技术水平的成熟与完善，国外的目标跟踪技术不仅实现了在处理速度上的飞速提升，也完善了在复杂多变背景下和运动目标自我变更情况下的跟踪理论系统。从传统的均值漂移算法的提出，再到卡尔曼滤波算法、粒子群跟踪算法以及粒子滤波跟踪算法提出，运动目标跟踪的算法理论不断得到发展和改善，更加注重融合各相关领域的识别跟踪算法[3-5]。迄今为止，国外的目标跟踪技术在智能机器人、军工领域和安全监控领域一直走在我国前面，在智能监控、野外探索、视频分析等领域也有深远的影响。
美国众多高校和科研机构联合开发的重大项目VSAM，主要应用于战场探索跟踪以及对普通民用生活场景的智能监控[6];美国马里兰开大学研发的W4实时视频监控系统, 不仅能够有效实现移动人员的定位，并对采集到的人体图像进行分割[7]；而且可以建立跟踪算法和动态目标模型，来实现对多目标的同时跟踪，也能够通过目标模型来对检测目标进行简单的判断。此外，欧美一些国家一直致力于将智能视频处理的理论系统向实用的监控系统进行转化，并且取得了突破，也实现了在复杂多变背景下对个体较为准确的实时跟踪。美国ObjectVideo公司研发的视频分析系统，不仅可以用于边境安检和入侵检测，也可以对可疑人员进行实时侦测，包括统计人流量，显示人群聚集，对可疑的行李和包裹进行检查识别、对闯入者和可疑车辆进行定位和跟踪等等[8]。此外，在国际上享有盛名的大型软件公司如IBM、Intel和Microsoft已经在视觉图像跟踪检索等方面开拓了商业领域。
1.2.2 国内研究现状
国内的机器视觉研究较晚。我国为了促进国内机器视觉的研究能够与国际水平接轨、提高科研人员的综合科研水平,开展了许多有关机器视觉的科研会展、学术会议和建设国家重点实验室研究所[9]。
由清华大学研发的野外自然环境视觉侦查系统，具有运动检测、目标跟踪和全景图生成等功能[10]，为我国的野外探索做出来贡献；中国科学院国家重点实验室研究开发了人体运动分析系统、智能轮椅视觉导航系统、交通场景监控系统和交通行为事件分析系统[11]，实现了我国在运动目标跟踪领域的突破和发展，并实现了目标跟踪技术的多领域应用。此外，我国有关模式识别方面杰出的科研人员提供了相关的技术研讨方案和跨国项目；与此同时，很多国内的高校和科研所等研究机构如航天模式识别研究所、人工智能控制研究所、西北工业大学、上海交大等都在该领域有着卓越的研究成果。
1.3 目标跟踪的基本方法
对于目标跟踪技术的研究已经有很多年而且已经研究出许多算法。这些算法进行跟踪时既有适合刚性目标的，也有适合非刚性目标的；不仅有提高目标跟踪准确性的算法，还有为了增加跟踪的实时性来缩小目标搜索范围的算法。总体来说，目标跟踪算法分为两大类：基于识别的跟踪和基于检测的跟踪。
1.3.1 基于识别的跟踪
首先对选定的目标提取相关信息进行特征表示，在之后的每帧序列图像中选用相同的方法来确定候选目标的特征，来进行特征匹配，即计算已知目标和候选目标之间的相似度，来确定当前图像中的候选区域来选定目标。基于识别的跟踪主要是通过相关算法计算已知目标和候选目标之间的相似度，来选定每帧图像上的目标区域，这种方法又称之为相关跟踪[12]。
相关跟踪的前提条件是确定已知目标，在后续图像中对其检测。其基本步骤是：通过手动选择或者区域检测的方法利用“跟踪窗”选中目标，然后对跟踪窗内的目标进行特征提取，提取出目标的特征向量作为特征信息。在整个跟踪过程中，不断地对候选的目标位置进行搜索，通过与目标模板的特征向量进行匹配，找到最相似的位置，进行跟踪。

原文链接：http://www.jxszl.com/dzxx/dzkxyjs/28966.html