当今科技日新月异，计算机视觉领域的研究更是异军突起。目标跟踪作为该领域研究的主要方面，智能监控、野外探索、军事安全等领域都有着深远影响。 本文采用颜色特征结合传统均值漂移算法实现目标跟踪。先通过手动选取或者区域自动检测，获取跟踪目标区域实现目标跟踪初始化；然后计算加权核函数下的HIS颜色特征直方图，以获得初始迭代信息；之后，在把当下获取的第N帧的加权核函数HIS颜色特征直方图与初始信息进行迭代判决，以更新基准信息。通过不断的迭代更新使得搜索方向沿着梯度方向进行，最终实现目标跟踪。 基于颜色特征的Mean-shift运动目标跟踪算法，不仅有效地减少了计算量，提高了运动目标跟踪的实时性；也通过选用双重颜色特征，有效克服了单颜色特征跟踪中的颜色、光线、遮挡等干扰。但是，当进行多目标跟踪或者背景颜色和目标相似时，跟踪效果会有所下降。 关键词 目标跟踪，颜色特征，色度，饱和度，颜色直方图，均值漂移算法 目 录
1 绪论 1
1.1 运动目标跟踪国外研究现状 1
1.2 运动目标跟踪国内研究现状 2
1.3 运动目标跟踪所面临的问题 2
1.4 目前主要的目标跟踪算法 3
1.5 改进的方法 4
1.6 内容安排 4
2 特征选取与颜色空间模型 5
2.1 目标表示 5
2.1.1 用点表示目标 5
2.1.2 规则的几何图形 5
2.1.3 目标轮廓 5
2.2 目标检测的方法 5
2.2.1 背景差分法 6
2.2.2 帧间差分法 6
2.2.3 光流法 7
2.3 目标图像的特征提 *景先生毕设|www.jxszl.com +Q: ^3^5^1^9^1^6^0^7^2^* 
取 7
2.3.1 灰度特征 8
2.3.2 边缘特征 8
2.3.3 颜色特征 9
2.4 颜色特征空间模型 9
2.5 HSI空间颜色直方图 10
3 基于颜色特征的Mean-shift运动目标跟踪算法 11
3.1 基本的Mean-shift算法 11
3.2 改进的Mean-shift算法 12
3.3 基于颜色特征的Mean-shift运动目标跟踪算法 14
3.4 调试与实验结果分析 19
3.4.1 传统的Mean-shift跟踪算法仿真结果与分析 19
3.4.2 基于颜色特征的Mean-shift目标跟踪算法仿真分析 19
4 ubuntu简介 20
4.1 ubuntu的安装 20
4.1.1 VMware软件的安装 204.1.2 ubuntu的安装 22
4.2 ubuntu的调试 24
结 论 25
参 考 文 献 26
1 绪论
随着社会的发展和科技的进步，计算机视觉领域的研究已经成为当代最热门的话题。计算机视觉领域研究是利用计算机对外界进行感知来模拟人类的眼睛和大脑。计算机视觉的基本思想是基于视频信息的图像序列进行分析，从而找出它们在空间和时间上的关联。并且，随着科学技术的日益深入，计算机视觉将发挥越来越重要的作用。
目标跟踪作为计算机视觉的研究热点，结合了目标鉴别、图像处理、智能控制等相关领域的先进处理方法及跟踪技术，一直是计算机视觉研究的主要方向。当下，运动目标跟踪已经引起了越来越多国家和科研机构的关注。许多国际顶级期刊和顶级会议，如 IEEE T PATTERN ANAL、INT J COMPUT VISION、IEEE TIMAGE PROCESS、ICCV，都把运动目标跟踪列入其主题内容。
1.1 运动目标跟踪国外研究现状
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[1-3]。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[4];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[5]；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。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 运动目标跟踪国内研究现状
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。
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，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，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；西安交通大学的人工智能与机器人研究所使用了光流和帧差两种算法，实现了复杂交通系统中对车辆的定位和跟踪。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 运动目标跟踪所面临的问题
如何设计具有鲁棒性的运动目标跟踪算法是目标跟踪技术不断努力发展的方向。在目标跟踪领域的研究中，虽然已经提出了许多提取目标特征方法和目标跟踪方法，但是目前目标跟踪技术依然面对着巨大的挑战，还有许多问题需要进一步有待解决。主要有以下几方面的难点需要突破：
（1）目标外观特征变化的复杂性：在实际跟踪过程中，由于光线变化、目标自身形变、信息采集角度都会导致目标外观特征发生变化。在进行迭代跟踪时，经常会发生目标跟踪丢失从而导致跟踪失败。
（2）背景的复杂性：运动目标所处的复杂背景通常会对跟踪的鲁棒性产生干扰。背景复杂性的干扰一般有以下几种原因：采集的背景信息与运动目标表观特征相同或相似；外界光照的变化可能导致背景颜色发生变化；运动目标自身的阴影干扰。
（3）遮挡问题：部分或全局遮挡问题是实际目标跟踪过程中经常会发生的现象。当发生部分遮挡时，由于部分表征信息的遮挡缺失，运动目标的外观采信息会发生了变化，进而会影响跟踪的鲁棒性；而全局遮挡时，由于目标的短暂或长时间消失而容易导致目标跟丢。


图3.2（c） 目标饱和度图像

原文链接：http://www.jxszl.com/dzxx/dzkxyjs/32314.html