1、哈尔滨工程大学硕士学位论文基于均值移位的运动目标跟踪研究姓名：王晶申请学位级别：硕士专业：信号与信息处理指导教师：冯驰20060301唆自滨一：鼷大学联圭学位论文瓶。魏巍委魏圭（啦主主鳓嚣鼓鑫酝鑫捌西鑫羚熊。糙粥矗：，鑫斑拄 嚣。辆嘲攫端勰嬲醣函鞋。氆 嚣培糟魅，烈扭豁。建。，胁撅娃驰，芏妇龇“龇啼虢啪曲聪巧益拽媳，啦文砧群：；丘戤嘲螽哈尔滨工程大学学位论文原创性声明本人郑重声瞬：本论文的所有工作，是在导师的指静下，由作者本人独立完成的。有关观点、方法、数据和文献的引用已在文中指出，并与参考文献相对应。除文中已注明引用的内容外，本论文不包含任何其他个入或集体已经公开发表的作晶成果。对本文魄研究
2、傲盘燕要贾献的个人和集体，均汪在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。作者（签字）：参弦日期：厶多年；月；目啥尔滨工程大学硕士学位论文第章绪论选题背景和研究意义人体运动视觉分析簿介人运动的视觉分析是近年来计算机视觉领域中器受关波的翦沿方向，是计舞机视觉领域中最活跃的研究主磁之一。其核心照利用计算梳视觉技术扶图像序列中检测、跟踪、识别 人并对其行为进行理解与描述，属于图像分析和瀵解的范踌。大体上这个过程可分为底层视觉模浃（一）、数据融合模块（一）和高层视觉模块（一）。英中，底联视觉模块主要瓴捂运动检测、霹 标 鼹踩等运动分析方法；数据融合模块主要解决多摄像机数据进行融合处
3、理问题；离层视觉模块主要龟攒霾标静识副秘裔关于运动信意的语义琏解与攒述等。麸技术角度雨言，人运动分析的研究内容相当丰富，主要涉及到模式识别、图像处理、计算机裰鬣、天工餐缝等攀辩翔谈。霞簿，动态场景中运韵熬分害、天体貉剐浚运动、人体囱遮挡和目标之间互相遮挡的处理等也为人的运动分析研究带来了一定熬援竣。由于人的运动在高级人机交互、安全监控、 视频会议、医疗诊断及基于内容的圈缳磐德与羧索等方覆吴毫广泛戆瘦瘸蘸景释潜在豹经济徐篷，疑露激发了世界上广大科研工作者及相关商家的浓厚兴趣，尤其在美国、英国等国家已经开耀了穗美顼晷黪磅究。锻鲡，年美瓣 莺茨豢级簪突项嚣署设立了以卡内凝梅隆大学为首，麻省理工学院等
4、高校参与的视觉监控麓大项目醛脒（￥矗懿蘩）主要磁宠了蠲予战场及普通民用场景进行监控的自动视频理解技术：实时视觉监控系统【不仅能够定位人秘分割出入熬身体部分，恧虽遴过建立终觋模型寒实瑰多人豹鞭踪，并可以检测人是否携带物体等简单行为；与等公司也雁啥乐滨工程大学硕士学位论文逐步将基于视觉的手势识别接口应阁于商业领域中。当前，国际上一些权威期程女霹疆（激缒。蕊璐圭撼啦碱）、（辙鑫寥躐）、（）和爨要熬学术会议如（畦豫旌珏灸摊黯豫鄹捻。）、袋（辨张）等烽人蛉运动分撬研究终为圭题内容之一，为该领域翁磺究人员掇供了更多的交流机会。典型应用人体运动的视觉分析具有广泛的应用前景，总结了它的一些主要应用领域，下面掇
5、对其典粼应用做出进一步的分绍。（）智能监控（）一个应用是在访问控制（）场食识别个人的身份。通避进行人脸的识剐、多态的分析等，决定来人是否有 进入该安全区域的权利。另外一个应用则更关注于人在该场蒙下的动作（而不是仅仅识别人的身份），主簧来自那黧对于安全要求敏感的场合，如停车场、超市、囱动贩卖机、和交通管理等。当场景里出现可疑行为时，能及 时起保安人员发出警报，从两避免犯罪鹣发生。（）感知接口（）在离级掰户接翻应用镁域中，我们希望求来静机器能像入一样与我们爨加容易和便捷地交流，如手势驱动控制、手 语翻译等。人与人之间的信息交流主溪是蔹靠语言，并适当结合手势、身体 签势帮稀部表情等，困魏视觉信息可以
6、作为语音和自然语言瑷解的有效补充米完成更加智能的人机交互。这蘸簧袋未寒豹诗葬撬毖须具备感知外部环境瀚麓力，帮代替传统豹键盘或鼠标输入模式，独立地提取周阐环境的重要信息（如检测到人的存在等）；更进一步瓣麓力怒进行瓣疆爨翻季亍鸯毽解，结合西部表清、身体姿势帮手势等的分析来与人进行商层次的人机交互。运 动分撰（滟勉￥）分割图像中的人体部分并在图像序列中跟踪分析感兴趣的运动，对于建哙零滨工疆大掌硬掌稼论文立人体的几何模型、解释人体的运动行为机制从而提离它的运行性能蠢赘积掇豹接动作翔。遴韵分褥主要是在三个方霭麓痘褥：一是敲体育遥渤箱数攒库中避行錾于内容的图像搜索。二怒在舞蹈、运 动等训练中，用视觉的方法
7、建立人体黪凡褥模型，透避关莓熬逶动分耩来捂嚣、 鲻燕训练者静韵律，哥阻达到非常赢观的效柒。三是在医攀步态分析中的应用。目前的医学步态分砉嗜怒一个骚褒提供诊黪积治疗支持的瓣究镁域，它霹戳掇供人髂正常步态建稹的线索。（）虚羧现实（）寝拟现实瀚裔的就是为人提供一个虚薹的交甄徽界。而在这个虚拟世雾中，我们想要爵域一个月户骢动镶姿态，藏必 须蓠必获褥媳在粪实物理空阕中懿天体姿态，然厝馥鸯孛到瘫熬空漓中去， 这魂就怒需黉丽翻人体运动视觉分析的缀邈。增效用户的手势、 头部运动释甄郝表壤等方蔼的表达，凌掩圣；给雳户菱翔广瓣懿交互蹙阕。舅 辩，入韵运韵分 擀 程虚拟游戏、褫颓会议、人赞动莓制佟等虚拟现实场合瞧育
8、誊桶当广泛的应用。（）纂予模型的图像编褥（翔酣鑫）在运躐离数字图像的传送中，人脍稻入髂姿势蹩我们魄较关心龅，也蔻出现比较多弱内容。魇鞋，我粕霹戬辩久脸秘人体滋嚣参数诧建模，躅像 传输潜，发送方缀将这蹙参数遴行编璃佟输，接受方蒜通过收到驰参数後复密原来的入黢藏入谚姿势。这转可以达裂太大减少俦瓣斡数据譬瀚强煞。褥究现状人体运动的视獭分橱主装怒舒对包含人麴运动匿缀序列避霉亍分辨姓理，通常涉及到遴动检测、曩栋分类、人熟跟踪及行必理群与描述凡个：；篷稷。遴常祷况下，钟对特定沥爨下的运动检测是缀赖予场景模型躲，因露运动检测和环境模型可阻放褒一起讨沦。如傅镬系绞爨遮应予环境，楚场景建模芝三及更新翁核心游题。
9、有了溺豢模型，旒可以遴行运动检测，然矮对检测劐鲍运动区域进行舅标分类与跟踪，这鼹个问题又是曩楣竞螅。霆标分类的结暴凌是了赛跟踩韵对壤，疆踩籍静物体又有助予改进分类的缡莱。接下来是雾摄像机数据融合问题，魑个摄像机的视野鸯鼹，一个完饕的照褪系绞缎难只睦承滨工程大学硬士学位论文依靠一个摄像机完成所有的监控任务。各种不同类型的摄像机功能、适用场合不围，为了镬警缝监控系绞其各多静囊麓，霉要挺多秘摄像极黪数据融会在一起。最后步鼹事件检测和行为理解与描述，通 过对前面处理得到的人体运动售患进行分糖及理瓣，最终鲶爨我鲷霉要憨语义鼗攘滚。羹基零楚瑗框架如图所示。，、蓬，雇臻麟觉熊瑚、鏊，、 影影玮境建樾环壤糍禳
10、逡渤搬测运动捻测搿酥分毽器禄分樊人体鲸体 蕊、厂”数搬融食懿壤、，褥瓣攒撩触礁、攀律梭溅毒抒为静壤角摹行鸯鲢糖然基銎。人体逡动努爨耱基本攘黎（）环境建模要进章亍场景戆横觉鉴控，环凌缓型静麓态蘩建鞠更薪莛必不对少的。麴果摄像机静止，环境建模的作就怒从一个动态图像序列中获取并囱动更新哈尔滨工程大学硕士学位论文背景模型。其中最为关键的问题，在于怎 样消除场景中的各种干扰因素，如光照变化、阴影、屏幕闪烁、缓慢移动的人体以及新加入的或被移走的物体等的影响。目前具有代表性的方法有图像序列时序平均法和基于像素过程的参数估计法。【 】等利用图像序列时序平均法进行交通情况的分析；等【】利用基于像素 过程的 单高
11、斯模型对环境建模进行室内 单人体的跟踪；等提出了基于像素过程进行背景图恢复与更新的理论框架，混合高斯模型被用来对每一个像素过程进行建模。（二）运动检测运动检测的目的是从序列图像中将变化区域从背景图像中提取出来。运动区域的有效分割对于目标分类、跟踪和行为理解等后期处理是非常重要的，因为以后的处理过程仅仅考虑图像中对应于运动区域的像素。根据摄像头与背景之间是否有相对运动，将视频检测分为静止背景和运动背景的目标检测两个类别。（）静止背景下的运动目标检测当视频监视中背景与摄像头位置保持相对不变，那么背景图像的大小和位置在不同帧中将保持不变。目前对于这种情况下的运动目标检测，常用的有两种方法。背景减除（
12、）背景减除方法是目前运动分割中最常用的一种方法。它是利用当前图像与背景图像的差分来检测运动区域的一种技术。首先选取背景中的一幅或几幅图像的平均作为背景图像，然后把以后的序列图像当前帧和背景图像相减，进行背景消去。若所得到的像素数大于某一 闽值，则 判定场景中有运动物体，从而得到运动目标。这种方法原理和算法设计简单，根据 实际情况确定闽值进行处理后，所得结果直接反映了运动目标的位置、大小、形状等信息，能够得到比较精确的运动目标信息。缺点是 对于动态场景的变化，如光照和外来无关事件的干扰等特别敏感。最简单的背景模型是事件平均图像，大部分的研究人员目前都致力于开发不同的背景模型，以期减少动态场景变化
13、对于运动分割的影响。时间差分（）时间差分【方法又称相邻帧差法、 帧间差法。利用 连续 的图像序列中两晗笨滨工程大学壤士学位论文个或三个相邻帧间采用基于像素的时间差分并且阚德化来掇取出图像中的邋动嚣域。当场景中瞧凌异豢物钵运麓辩， 枣奏奄峻之阉会出瑗较为爨鬟装差别，两帧相减，褥到两帧图像亮度差的绝对值，判断它鼹否大于阈僮来分析视频图像痔列懿运动特攘，确定圈像彦裂中毒纛物褡运凌。己论琏等裂惩嚣枣爽差分方法从实际视频图像中检测出运动目标，进而用于目标的分类与跟踪；一个改进的方法是裂矮三喹爽蒺分代蘩两鞍差分，熟开发了一秘蠡遁应背景减除与三帧蓑分相结合的混合算法，能够快德有效地从背景中检测出运动曩标。黠
14、闻差分运动检测方法实现簿单， 设计复杂度低， 对于幼态环壤具肖较强的自适应性，但一般不能提取出所有相关的特征像素点，在运动物体安体内部褰易产生空洞现象，并依赖于选择的帧阅时闻阀隔。对于快速邀动的物体，需要选择较小的时间间隔，若 选择不合遁，当物体在前后两帧中没露重叠时，会被梭测为鼹个分开的物体丽对慢速运动的物体，皮该选辑较大的时间差，如粜选择不适当，物体在前后两帧中几乎完全重叠，则检测不到物体。（）运动背豢下的运 动目标检测在实际皮用中，由于摄像机视场有限，固定 摄像机也就限制了视场，豳毙邋常需要摄像视运动以扩大摄像梳的蕊浆范围。溺莓标运动的同时，摄像机也由于运栽平台的姿势或位置改变雨发生运动
15、时，运动目标在图像上造成的变亿与背景自身的交伍混淆在一怒，实蠛运动蘑称鲍实辩检涌、跟踪是一项极具挑战性的课磁。由于摄像机和目标都有运动，因此通常使用的背景棚减、桢闻差分算法都无法将运动嚣标及鸷囊中分离滋来。缀常篌蔫瓣遣有两类方法。鹜豢匹配（堍黼馥遮）为了能够沿用静态背景下的检测思想，人们想到了先将背景稳住的方法，瑟将连续死颧凌豫秘耱溺鸷袭稳定巍同一藕强稼翡糖嗣位鬣上，麒褥傻运动目标“暴露”出来，配准就悬完成图像稳定的过程。 图像配准的方法有多种，逶瘦弱场合氇蔷不稳燕，锈籍当嚣秧图豫熬背景其祷平移交馥蠡季，计算出稳们的平移量即可实现配准。实验观察发现，只要 摄像机的运动速度不至于过毫，在适当瓣速
16、疫藏霞瘫（糍潢是实际豹纛簧）， 净期嚣像犊与辏之淹强像鹣背嫩变化不大，可以近似认为是背景的平移。 为此，提出了一种背景匹配结哈尔滨工程大学硕士学位论文合帧间差分算法】以解决在 摄像机运动一目标运动情况下的运动目标检测问题。背景匹配的方法有多种，比如特征块匹配方法、相位相关的匹配方法等。光流法（）基于光流方法【的运动检测采用了运动目标随时间变化的光流特征，在光流场中，不同的物体会有不同的速度，大面积背景的运动会在图像上产生较为均匀的速度矢量区域，这为具有不同速度的其他运动物体的检测提供了方便。值得注意的是，有些光流计算结果只在物体边缘与背景有较明显的速度差，而在比较均匀的物体的内部则差别不明显。
17、所以简单的速度分割后，还需要一定的后处理工作才能完整地检测运动物体。如等通过计算位移向量光流场来初始化基于轮廓的跟踪算法，从而有效地提取和跟踪运动目标。该方法的优点是在摄像机运动存在的前提下也能检测出独立的运动目标。然而，大多数的光流计算方法相当复 杂，且抗噪性能差，如果没有特别的硬件装置则不能被应用于全帧视频流的实时处理。当然，在运动变化检测中还有些其他的方法，如与利用扩展的（）算法，为每个像素建立了混合高斯分类模型，该模型可以自动更新，并能白适 应地将每个像素分类为背景、影子或者运动前景，在目标运动速度缓慢的情况下也能较好地完成运动区域的分割，并可以有效地消除影子的影响：另外，也提出了一种
18、新颖的基于数学形态学的场景变化检测算法，在变化的环境条件下获得了相对稳定的分割效果。（三）目标分类对于人体监控系统而言，在得到了运动区域的信息之后，下面一个重要的问题就是如何将人体目标从所有运动目标中分类出来。目标分类的目的是从检测到的运动区域中将对应于人的运动区域提取出来。不同的运动区域可能对应于不同的运动目标，为了便于进一步对人进行跟踪和行为分析，运动目标的正确分类是完全必要的。但是，如果已经知道场景中仅仅存在人的运动时（比如在室内环境下），这个步骤就是不必要的了。目标分类方法最常用的有两种，一种是基于形状信息的分类（），它是利用检测出的运动区域的形状特征进行目晗尔滨工程大学颈士学健论文标
19、分类的方法【】。例如 】采用区域的分数度、 颟积 、宽裹比簿作为特经，剩髑三器享率经溺络方法将运动鹫标戋分为入、入群、车鞠背豢干扰；魄等利用分散度和面积信息对二维运动区域进行分类，主要是区分人、车及混魏扰动。第二种怒纂子遮动特性的分类（山 谕 ），利用人体运动的周期牲避行鼷掭分类。捌姆溺与运遴过爨踪感兴趣翡运动目标，计葬出蠲标随着时间变化的自相关特性，而入的周期往运动使得其自袒关也是瘸期憋的，因监通过蹲频豫方法分提囊掭蹩凳存程躅期性熬遂动黪往丽将入识剃出采；渊通 过计算运动鹾域的残余光流（）来分耩运动实髂的剐性靼髑期性，非剐性瓣人麴运动耀毙予刚健鼹率辆运动两言最有较鬻的平均残余光流，同辩它也譬
20、凝了髑嬲佼的运动特征，攒诧可以将入区分融来。上述掰尊串常用熬甏标分类方法脊辩可戳结合越来傻蔫，甚至黻考虑避动物体色彩竣速度等特征，戳期褥至更加准确的分类缝栗。（巍）人钵躐黥入体餐甍客满予安时运动秘标躐踩磷究领域中酶个类剜。实辩遴动豆标跟嫁是模式识别、图像处理、诗冀辍橇觉、戴器副等等矮域瓣蓬要谦戆。它把图像处瑾、警动控涮、僚意科学者枫结合起来，形戚了稀自跌鬻德信号中实时媳窦动识裂嚣撩，提取爨拣链登信惠，鑫 动躞踪星标运动豹投拳。运动鐾拣跟踪遴遘对转熊嚣拍摄到豹鹜缘净列送行分析，诗算密鼙标在每帧黼像上的位置，绘瞧强标遽度麴继谚。运 动曩橡躐踪葵法赡钱劣煮接影响瀵运动韪撼爨踪豹穗定黢葶爨糕确发，显然
21、澍运动爨拣鼹踩疆论韵错究已经进行了疆多颦，值至今它仍然燕计算税视觉等领域鲍磅突热点润爨之一。下恧援要性地总缕一下现枣的主要几裳霹撂鼹黥方法。这释分炎瓣界隈并不绝对，缩合凡静懑想于体韵髓褥跟踪方法也簧遮存在。基予姆，征（撞瓣也）嬲鼹橼蹑黥方法为了实蠛躐踪，没肖必饕躐踩商标的每一点，只 嚣跟踪鹾标上的慕一特征点，就可以窳现对整个耳撂的跟踪。 这个特缎点弼以是爨标的矮心，也 掰瞄怒强栎上静彳善意点，餐前撬条件燕磐须傺诞这一意其商商淀的稳定性，即不翳受外界因素如光照强魔的变化、噪声等因素的于扰。为了提藏跟踪的窘哈尔滨工程大学硕士学位论文鲁棒性，这种方法往往不是只选一个特征，而是 选一组特征，即首先在
22、帧图像中选取一些特征，然后在以后各帧中利用一些约束条件例如平滑性约束来寻找对那些特征的匹配。其主要思想是抽取图像中足以表示目标信息的一组特征序列，与标准特征序列相配准，来确定目 标及其在图像中的位置。重要的是选择合适的特征序列，这一组特征序列对目标的大小、位置、方位和照度变化不敏感，图像的特征可以是幅度分布、 频谱、几何特征，如点、线、面、边缘、纹理等。常见的方法有不 变矩特征匹配，线条、面特征匹配。基于相关（）的目标跟踪方法它的主要思想，简单地说，就是在当前帧中寻找与上一帧中目标区域相关性（）最大的区域。具体做法就是将系统的基准图像在实时图像上以不同的偏移值位移，然后根据一定的相似性度量准则
23、对每一个偏移值下重叠的两个图像一基准图像及与基准图像同样大小的实时图像进行相关处理，根据判别准则和相关处理结果判断目标在实时图像中的位置。这种方法在很多应用系统中被采用，一是因为它的简单性，二是其具有很好的识别能力，可以跟踪复杂背景的目标，能在低信噪比条件下提供较好的跟踪性能，可靠性较高。但是它对于目标姿态变化的适应能力较差，且运算量较大，一般用于跟踪低速运动的目标，对于高速运动的目标，由于运算量大，它般满足不了实时跟踪的要求。基于模型（）的目标跟踪方法该方法利用点、线、区域把被跟踪的目标拟合成一个几何模型，运动目标的跟踪变成了目标识别问题。这种方法含有高层的语义描述知识，因此与其它跟踪方法相
24、比，它的可靠性更强。模型空 间可以是真实的世界，也可以是投影。由于能够充分利用目标的特殊性质，因此与只能利用目标的一般特征的其它方法相比，这种方法具有更大的优势。这种优势在复杂环境下显得尤为突出，比如多物体， 帧间的运动幅度较大等。它的缺点是计算量比较大，因为它需要耗费大量的时间来计算复杂的模型，以处理模型的平移、旋转和变形等，而且需要知道大量关于所要跟踪目标的先验知识。 这种跟踪方法较适合于跟踪多面体的人造物体，因为这种物体存在线框模型。基于运动（）的目标跟踪方法该方法利用图像序列中目标的运动信息来对目标进行跟踪的一种方法。睛尔滨工程大学硕士学位论文对于获度图像而言，运动信息又称为光流，基于
25、光流的方法利用了敷度的变纯信息，通常可分为两步；第一步扶图像序列的荻度变化中计算速度场，这一步一般需要计算灰度的一阶导数和二阶导数。第二步利用一些约束条件从速度场中估计运动参数和物体结构。由于实际景物中的速度场不一定总是与图像中的瀛观速度场有唯对应关系且偏导数计算会加重噪芦葶水平，使得基予光流的方法在实际虚用中常常不稳定。（五）多摄像机数据融合苹个摄豫棍的褫胬是有敲酶，个完善的蓝控系统缀难只依靠个摄像祝究成所肖的益控任务；备种不同类翟的摄像机功能、适用场合不一样，为了使餐髭簸控系绫其镰多释功髓，需要把多稀摄像梳的数据融合在一起；需要像笺三维倍意，需鬻立体税觉，也必然用到多个 摄像机。纰夕，多个
26、掇像撬也窍裁予瓣决遮挡润题。等心疆凄了森不瀚壤像梳之 阀逶行西标区配酶穰攀方法，并鱼对稳邻摄像橇之溺晌自动讶换溺题进行了研究。产利用多摄像娥澍人进行跟黥，逶霆选择最好豹褪蠢采孵决人与久之滴静遮挡帮入爨身懿遴挡溺怒。不遗，蟊窬有关多 摄像辊耩究翁文章并不怒狠多。（六）嚣必理解每接述运魂捻溅、嚣标分类、瓣标鼹黥燕入运动分褥中研究较多静蕊遂，雨入的行为理勰与撼透是避年来被广泛关注鲍掰究热点。宅是撰对人豹运动模式进孬分撰翻浚烈，并溺鸯然谣言等热淤接述，藩予入 髂运穗分析中离层次静内容。舒为壤孵露以麓謦邀认为是霹交数撂瓣分类润髭，爨褥测试廖刭与琰宠标定的代表典型行为的参考序列进行甄配。行为理解的关键阅题
27、是始舞从学习榉零中获取参考行为彦捌。对于人戆行为毽解露富，星魏主要鸯下述嚣释方法：一种是模板旺醚方法（蹴 垴埋） ，另尊申是状态窆耀方法（瑚）。人的行为的语义描述近来得到了一定的研究，它是应用自然语富的概念，选撵一组运动调语残艇旬卷缀告场豢中运动爨标的行巍。翔款。鞋撤簿援出了一种新的方法，用于产生实时视频图像中人的行为的自然语言描述。总的采说，图像膨列中入豹运动蠼解和撼述是非镬复杂鹪，关予行秀、事件、状态有稽不同的概念，因此如何 选择有效充分的表达方式来传达场娥哈尔滨工程大学硕士学位论文的内容是很困难的。另外，运 动理解和描述的实现，是建立在前面环境建模、运动检测、人体跟踪等步骤的结果的基础上
28、，各个步 骤的结果误差都会直接影响运动理解和描述。目前人的行为描述还只局限于简单的语义解释，对复杂场景中人的行为的语义描述工作还相当艰巨。本人的主要工作和成果本人针对近几年兴起的均值移位算法进行了较深入地讨论与研究，并将精力主要放在运用均值移位思想进行有效的运动目标跟踪问题上。主要工作有以下几个方面：（）总结了人体 视觉分析的研究背景和研究 现状；总结了静止背景下和运 动背景下的运动目标检测与跟踪的各类方法及各类方法的优缺点和适用场景。（）深入研究了统计学中的非参数密度估 计理论，总结了现有非参数密度估计的各类方法及适用条件，并在此基础上深入探讨了基于非参数技术的一个简单直观的统计迭代方法一均
29、值移位算法。研究了它的收敛性，给出了严谨的收敛性证明。（）讨论了基于均 值移位过 程的目标跟踪方法，并在此传统跟踪算法基础上探索了几种运动目标跟踪方案：均值移位算法与运动预测相结合进行有效跟踪的方案；使用带宽矩阵的跟踪方案；均值移位思想与质心跟踪算法相结合的方案。仿真实现了将质心跟踪算法与均值移位算法相结合进行运动目标的有效跟踪。实验结果表明，此改进跟踪算法不受目标的形状变化、尺度大小变化的影响，具有较好的鲁棒性并且进一步简化了运算量，易于实现实时跟踪。各章简介第一章着重阐述课题的背景、研究意义和研究现状，概述了运动目标检测和跟踪的一些常用方法以及本人所做的工作。第二章详细深入地论述了非参数密
30、度估计的理论，并由此详细的推导了均值移位算法，最后给出了严谨的收敛性证明，从而 为进一步的应用奠定了哈尔滨工程大学硕士学位论文深厚的理论根基。第三章详细叙述了运用均值移位过程进行实时运动目标跟踪的方法，详细分析了健壮的跟踪算法对目标特征的要求，匹配准则的选用，给出了均值移位跟踪算法的详细推导过程。针对不同的应用情况提出了不同的跟踪实现方案，包括与运动预测相结合的方案和对窗宽矩阵的使用等。第四章详细地介绍了一种将质心跟踪算法与均值移位思想相结合的跟踪方案，给出了此改进算法的仿真结果。仿真 结果表明，此改进算法在保证一定的跟踪精度下进一步减小了计算量，提高了跟踪实时性和鲁棒性，适应了目标复杂的运动
31、情况。第五章总结了本文所做的工作和研究成果，指出了研究中的不足之处以及今后的研究方向，并引入了一种可用于测试发展各类目标跟踪算法的框架的理念。哙尔滨王瑕大攀鞭士学位论文第寨均值移位算法均壤移锭濑黼鼹）羧拳熬摇絮藏纂爨囊两秘。掇滋鹈靼淤，餐纛戮每它翡绫蘸拣缝方被浚意弼弘“。它稳瘸绫嚣攀中臻参数密痰镳计技术，一陡逮蠢效圭蠡滚蘩寮发攥凌方怒隧秀戮蜜痰熬模式患。零蘩主要余绥雾浚深簿熬遐谂缀簇，雾法戆接等遵穗瑗及舞法豹严灌彀皴镶溅瑟。意霉参数密凌蠢诗，雩蠢壤率密疫旗诗方法蠢参数法秘嚣参数法舞类。模式谖剩懿谗多蠲惩粼嚣鼷戮黉条释襁搴瓷度蕊数，绘定这魏嚣数纛，魏霹汲震纭然鲍柬决定释零疲该麴潺予獭一类。寮发襞
32、诗翦参数方法燕麓纂遗骰霆蜜发灏数懿澎姣，绷麴霹良程寇它餐楚覆态躐聂态滤会澎式，葳数据采梅中穰诗滋摇遽密发嚣数熬参数。毽怒怼 予诲多蜜瓣熬模式专哭澍阕瓣，鼗翻对穰搴寮发爨羧熬凭验戆谖熟乏藜少，一黢我们缀设翁壤零密畿缮姣缓少簿含实舔馕嚣。特掰建， 耱凑瓣经典豹寝痰爨数戆参数形式郝燕零模瓣，壤藏蔻滋，哭菇纂个鲻郝辍大壤。愆褒实爨壤嚣中，掰遴至熬鬻露怒多模懿蘩援。憩瓣我粥妊缳袋纛密度镁诗熬参数方法，靼不察瓷蠖霆密度疑鼗黥缀羧澎残，在萦透续点戆寮囊灏数蕊爵以凌藻入菇点痪壤孛熬磐予氍零轰镰诗爨吲。参数方法黠惫验熬圣炅袋黎爨少，囊全寝纛溺练数摆遴嚣髅诗，露燕霹以筏予鼍慧澎浚糍澎瓣镳诗，鬻戴它褥戮了广泛瓣癍蘩
33、。瞧谤统毒卡密寝懿嚣参数方法蠢多耱，童装露豢方霾法、蠢邻法、竣溱羧滚等。冀中蒸予核丞数戆寮泼魏诗楚最鬻麓戆嚣参数臻诗方法。莴先，考虑参数麓发蠢诗爨豹一藏纂本熬壤。（一）无赣瞧啥承滨王程大学硬掌健论文如果五，瓦是独立版同分布的维随机变照，且具有连续的密度）：（），（）出（）如果估计童声（）满足式（），那么它不魁无偏的（，）。遂就楚说，查爨暴通过强加条传使继诗爨皂麦成为满足式（一）的密度豳数，那么它是有偏的：占【壹（）】（）其中，压【（）】（）（。）（）嘲出。照所有随机变量五，蜀上的期望。尽管可以导出渐进无偏的估计鬣，当珂呻。，占（）卜（），但在实际应用中往往受到样本数量的隈制。（二）点态一数性可
34、以用均方误麓（，黼）来度量真实密度与传计密度之闯的差异，定义为；媛（多）暑多（）一尹（）其中下标袭示腻蛾是的函数。如果对所有的工 ，螋斗，那么是在平方均篷肉静点态一致缝估计 （三）全局一致性全藩静一致洼发蓬由瓢分平方谖差（ 嚣，擎雠牲）砸舻讧）一（）皿和均值积分平方误差（，）脚石【（）一（）】出绘整，其中表示在掰蠢可麓数据集上瓣 误差逡氆 。哈嚣滨工程大学疆圭学整论文直方图密度估计非参数密度估计方法避免了参数密度估计方法中对密度形状的假设限铡，赢接跌数据样本点中债计“。非参数储计中一种知名静方法就燕盏方瀚估计，它是用一 组样本构造概率密魔的经典方法。一维情况下，实轴划分成一垫大小穗辞静攀元格，
35、点娃豹密度售诗可诀惫燕：甩多（）；寺（）己，蹴其中，是跨越点，宽度为，的单元格内的样本数，是单元格数，出是单元赣大枣。褥其箍广刭多维鼷测窆淘，有；炭加南 （）其中矗是繁歹令艇薅戆薅积。单元格出大小的选择对估计出的（）的形状和性质有者重要的影响。圈。必三秽不目 单元揍尺寸下兹壹方耀售计。虻。驾厂。臣乓寻，坳址乏蕊拈】始柏工￥张：砖， 辩圈不同单元格尺寸下的直方图估计注意这三种嵇计均为分段连续（。）的，其形状由单元格大蹬衣滨工程大学鹾士学位论文小的选取决定。从圈中可以滑出直方图单元格尺寸越宽，所估计出的密度越平游，麸纛缀节部分不够明显；据炭，擎元糖足 专越窄，绥节部分嚣为突出。右下方的第四幅图熄核
36、密度估计图，对比可以看出核函数方法估计出的效槊更为平潺，媳更接邀予真实密度。直方图估计方法概念简单且易于使用，同时具肖不需要保留采样点的优点，僵基本匏壹方嬲法蔹然荐在以下闽题。蔫走，它缺少密度售诗戆连续瞧，在区域的边界处密魔估计值套突降为。从图中可以肴出直方图估计的密度函数均为分段连续，势不是全蹋连续驰图形。第二，它在离维窆阗缦少有实效性。一维空间的单元格数为，二 绒空间为（假定每个变量被划分为个单元格），那么若数据样本（维扁爨），则共有，个 单元格。这种单元格数的指数增长意味着在高维空间估计密度需蔡大量的数据。窗方法和近邻方法。引言一个随机样本落入特征空间中莱一区域中的概率为（）出（）因逡尹
37、是概率密度函数（）平滑了的（或者取了平均的）激本。因此可以通过估计概率，来估计概率密度函数（）。假设聆个样本，矗都怒根据檄率密度丞数（）独立蔺分布（。）籀取褥到的。其中”个祥本中商七个样本落在区域尺中的概率只服从离散随机变量的二项分布：的期望值为蟊：（一）”（。）（）女静二矮式形式酌分布在鹭餐辩近裔菲常显薷豹渡潦。困魏，可以憨像鄹眈值就是概率尸的一个很好的估计。这个估计当样本个数常大的时候将嚣霉壤确。籁设）是 连续瀚，著煮区壤震怒 够枣，滋至子遮个送域中（茗）几乎没有变化，则有：（力商“（曲（）埝尔滨工程大学硕士学位论文其中并为个点，而则是区域胄所包含的体积。 设）是（）的估计，由以上公式商：
38、衫嚣户算（）威多）矿（）于是荫鼬）警（）式（母）瓶麓（）的基本估计式，它与，有关， 显 然（）和（石）有定酌误差。腻理论主讲，癸傻多积）熊子（，就必 须让积分域震无限小，即让箕体载矿远于零，同时谊囊无穷大。在 实际绩诗霹体积矿不跫任意的，、，雨鱼群本惫数魂楚有戳鹣，衙强（并）慈是存在误夔。帮使霆的俸襁靛达到希望熬那襻小，霪予撵本数妥蕊楚有鞭的，当憋予零瓣，会使嚣蠛震不断缩，、滋至予可锈不整合经褥样本，这样会褥毽烈）；黧莱洽巧肖几个样本重合于爨现农詹中，会 锼售诗发 数，甚歪无 穷大。遗嚣糖舂诗络果都是毫无意义瓣。为了掇裹处的概率枣度爱数（）戆饿诗精度， 摄摄援 黢理论，母鞋慕雳躲下步骤激尽量满
39、怒理论簧求：（）构造一包含的区域序列匙，是，纂一个隧域使熙个姆本，第二个嚣域馕爱个 撵零。器区域我戆薅积艺滚是：鞋越圪（）相对区域足取 ”个样本 进行估计实验，设霄镌个撵本辫入爆中，榉零数曩成瀵足：（黻鼠则旗计序到处处收敛于（）。瓣蕺如 躲警刚吒，（瑚哈尔滨工程大学硕士学位论文只要区域平稳地缩小， 卢（）在点 处连续，条件 可使空间平均密糜影矿收敛予凑实验密度（功。条俸仅怼碜熬点才鸯意义，曝蒌了频率之比能够收敛到概率户。条件对于保诫式（。）的收敛性是需要的，它攒述了聪瓣增长速度要大予羲的增长速度，使氛加必无穷小，两砍加邸圪为同阶的无穷小，使二者比值为非汽穷大的有界数，避免了西（）叶。这个螯佟也
40、说嬲了虽然嫒后落农小区域怒中榉本个数嚣誊大，德这么多榉本在全体样本中所占的比例仍然是非常小的。原理上满足上述三个祭睾鲍区域序列莘鞋样本选取可以露嚣秘方法，从藤形成了两种总体概率密度估计。窑法使区域序列的体积圪按”的菜个函数随雄的增大不断地缩小，例如匕，在这时应对稚和砖加都要加以适当地限制，以使是（）收敛予（）。 媛邻法让颤为”的菜个函数翔屯，随行的增大而嶷大。的选取使相应的最豫好是只包含工的个：垃邻点的最小区域，该区域的体积可以用作点密度储计的圪。阳密法假设区域是一个维的超立方体，令表示超立方体一条边的长度，巅冀体积珞鹭。为麓焉瑟数描述嚣城曩耨落入焉豹样本数，定义基本鬻函数（“）：伊“， 型忽
41、，这样，妒（“）就表示一个中心在原点的单位超立方体。如果一个样本置落入以善戈中心，以为羧长匏越立方髂怒悫嚣诗数麦，秀裂诗数为。可戳利用窗函数缈（“）实现这个约定，即（一）丸），因此落入该立方体的样本数必哙尔滨工程大学硬士学位论文奴宝妒孚（）、 代入公式（）可得点处概率密度估计：觚，言喜谢等 沼式（一）谈踞了琴孛更一般 鲍售诗摄率密度菡数瓣方法，郎不必援定区闽必须是超立方体，而是可以为某种甄加一般化的形斌。上式实际上悬一个遗如躐数，窗缀数作迭妇基函数，每个样本点处作为迭刍节点。使用匙个以榉本为中心的窗函数迭加 对 处的概率密度进行估计。样本较密集的区域上必然概率密度估计（迭如番数）值较大。对窗宽垃（或圪）的选择将很大程度上影响鼠（）。如果太大，那么估计结果蜷变得平滂且细节将趋于平均，分辨率就低；如果太小，那么饿计结果有可能出现尖峰，统计稳定性就不够。如何 选择
