韓濤　鄒強(qiáng)　吳衡　張虎龍　侯海嘯

摘 要 目標(biāo)跟蹤中，目標(biāo)跟蹤的實(shí)時(shí)性和精度是首先要考慮的問題，同時(shí)背景變化、形狀改變、目標(biāo)遮擋，往往會導(dǎo)致跟蹤失敗。針對此問題，首先優(yōu)化了Mean Shift算法迭代權(quán)值，優(yōu)化后主要灰度貢獻(xiàn)更加突出，次要灰度受到抑制，提高了跟蹤的精度、避免了開方的繁瑣運(yùn)算。然后提出目標(biāo)模板更新算法，解決了背景劇烈變化和目標(biāo)形狀改變時(shí)跟蹤失敗的問題。最后將優(yōu)化Mean Shift算法與Kalman濾波融合，通過殘差判定目標(biāo)運(yùn)動狀態(tài)。仿真實(shí)驗(yàn)和分析表明，Kalman濾波融合優(yōu)化Mean shift算法在目標(biāo)遮擋，目標(biāo)形狀改變，背景變化時(shí)具有更高的跟蹤精度和實(shí)時(shí)性。

關(guān)鍵詞 Kalman濾波；Mean Shift算法；目標(biāo)跟蹤；模板更新

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-7597（2014）06-0032-02

在飛行試驗(yàn)中，光電跟蹤測量設(shè)備主要用于獲取被測目標(biāo)的運(yùn)動參數(shù)，其跟蹤性能的穩(wěn)定性和魯棒性直接決定了測量任務(wù)的成敗和最終的測量精度。而在實(shí)際跟蹤應(yīng)用中，常常會由于復(fù)雜背景、目標(biāo)遮擋、光線變化、目標(biāo)跟蹤失敗等方面影響，造成跟蹤目標(biāo)的丟失。

本文針對Mean Shift算法的不足，提出了Kalman濾波融合優(yōu)化Mean Shift目標(biāo)跟蹤算法：①對Mean Shift算法迭代權(quán)值進(jìn)行修正，修正后主要特征貢獻(xiàn)更加突出，次要特征受到抑制，提高了跟蹤的有效性，同時(shí)降低了運(yùn)算的復(fù)雜度，提高了跟蹤的實(shí)時(shí)性；②對跟蹤模板進(jìn)行及時(shí)的更新，以適應(yīng)背景的變化和目標(biāo)的遮擋；③將優(yōu)化Mean Shift算法與Kalman濾波融合，通過計(jì)算Kalman濾波器對目標(biāo)中心的估計(jì)值和優(yōu)化Mean Shift算法得到的觀測值之間的殘差大小來判斷是否出現(xiàn)了跟蹤丟失。如果跟蹤失敗則用卡爾曼預(yù)測值作為初值進(jìn)行Mean Shift迭代，迭代結(jié)果再與卡爾曼預(yù)測值求取歐氏距離，如果歐式距離小于閾值則發(fā)生了目標(biāo)運(yùn)動過快的問題，此時(shí)使用迭代結(jié)果作為初值進(jìn)行迭代；如果大于閾值則發(fā)生了目標(biāo)完全遮擋問題，此時(shí)使用Kalman濾波結(jié)果作為迭代初值。

1 優(yōu)化Mean Shift目標(biāo)跟蹤算法

設(shè)是目標(biāo)區(qū)域的像素坐標(biāo)集合，目標(biāo)區(qū)域的中心坐標(biāo)為。則目標(biāo)模型的灰度直方圖可以描述為：

（1）

，為灰度級數(shù)，為核函數(shù)。是處像素的量化值，為判斷函數(shù)，判斷的值是否等于當(dāng)前的量化值，相等則函數(shù)為1，不等則為0。為搜索窗口的帶寬，距離目標(biāo)中心越近的像素越小則對灰度直方圖的貢獻(xiàn)越大，反之越小。同理候選模型的特征值的灰度直方圖為：

（2）

其中為歸一化常數(shù)，使得成立。

（3）

上式為Bhattacharyya系數(shù)，表示維單位矢量和之間夾角的余弦。兩向量夾角越小，余弦值越大，相似度越大，當(dāng)夾角為0時(shí)，相似度為1。

一般情況下，相鄰兩幅圖像灰度差別不大，，對（3）式在處進(jìn)行泰勒展開，Bhattacharyya系數(shù)可近似為：

（4）

（5）

得到候選區(qū)域中心偏向真實(shí)目標(biāo)中心的向量：

（6）

如果則進(jìn)行下一幀的運(yùn)算，否則繼續(xù)根據(jù)新坐標(biāo)計(jì)算候選區(qū)域直方圖重新計(jì)算Mean Shift向量。

用代替，對于灰度值，當(dāng)時(shí)，特征出現(xiàn)的概率較大，灰度為主要的特征顏色信息，此時(shí)，則改進(jìn)后主要特征被賦予較高的權(quán)重。當(dāng)時(shí)，出現(xiàn)的概率較小，灰度為次要的顏色特征，此時(shí)，則修正后次要特征被賦予較小的權(quán)重。因此修正后主要信息貢獻(xiàn)更加突出，次要信息受到抑制，提高了跟蹤的有效性。同時(shí)避免了開方的繁瑣運(yùn)算，降低了運(yùn)算復(fù)雜度。

2 Kalman濾波融合優(yōu)化Mean shift目標(biāo)跟蹤

假設(shè)通過優(yōu)化Mean Shift算法求得第幀的位置為，卡爾曼濾波求得第幀預(yù)測位置為。定義，表征卡爾曼預(yù)測位置和優(yōu)化算法位置的誤差，定義一個閾值。分析如下。

1）如果，說明優(yōu)化Mean Shift算法迭代位置與卡爾曼預(yù)測位置相差很小，目標(biāo)沒有被遮擋，也沒有出現(xiàn)目標(biāo)運(yùn)動尺度大于一幀圖像尺寸的問題。故采用優(yōu)化Mean Shift算法結(jié)果作為下一幀迭代的初值進(jìn)行圖像跟蹤。

2）如果，則發(fā)生了跟蹤失敗問題。用卡爾曼預(yù)測的結(jié)果作為初值進(jìn)行優(yōu)化算法迭代，得到新的優(yōu)化位置，求得新的位置誤差距離，分兩種情況：

①如果則說明由于目標(biāo)運(yùn)動速度太快，前一幀矩形窗口已經(jīng)不包含目標(biāo)信息，從而導(dǎo)致跟蹤失敗，此時(shí)應(yīng)以作為下一幀初值進(jìn)行目標(biāo)跟蹤。

②如果則說明由于目標(biāo)全部被遮擋，卡爾曼預(yù)測位置的矩形窗口也不包含目標(biāo)信息，導(dǎo)致跟蹤失敗，此時(shí)以卡爾曼濾波結(jié)果作為下一幀初值進(jìn)行目標(biāo)跟蹤。

3 實(shí)驗(yàn)仿真

圖1 復(fù)雜背景下運(yùn)動目標(biāo)的檢測和跟蹤

圖2 遠(yuǎn)距離運(yùn)動目標(biāo)的檢測和跟蹤

4 性能分析

對于圖1和圖2，當(dāng)多個目標(biāo)同時(shí)出現(xiàn)時(shí)，尤其灰度分布相似的情況下Mean shift會出現(xiàn)跟蹤漂移的情況，而融合了Kalman濾波Mean shift算法跟蹤穩(wěn)定。

5 結(jié)論

針對現(xiàn)有Mean shift算法不能適應(yīng)背景變化﹑目標(biāo)遮擋﹑目標(biāo)變形﹑迭代權(quán)值運(yùn)算復(fù)雜等問題，本文提出Kalman濾波融合優(yōu)化Mean shift跟蹤算法，更新跟蹤模板，并對權(quán)值修正，解決目標(biāo)背景變化﹑目標(biāo)遮擋﹑目標(biāo)變形時(shí)跟蹤失敗問題。

基金項(xiàng)目

航空基金（2010ZD30004）。

參考文獻(xiàn)

[1]孫偉，郭寶龍，等.一種新的層次粒子濾波的目標(biāo)跟蹤算法[J].電子學(xué)報(bào)，2010，5（39）：945-948.

[2]T. Kim， S. Lee， J. Paik. Combined shape and feature-based video analysis and its application to non-rigid object tracking.IET Image Process， 2011， vol. 5， lss. 1， pp. 87-100.

[3]齊立峰，馮新喜，等.一種新的目標(biāo)跟蹤算法[J].光電工程，2009，3（36）：22-27.

[4]高世偉，郭雷，等.一種新的粒子濾波目標(biāo)跟蹤算法[J].上海交通大學(xué)學(xué)報(bào)，2009，3（43）：485-489.

作者簡介

韓濤（1985-），男，漢族，陜西漢中人，碩士學(xué)歷，從事光電跟蹤理論研究工作。endprint

摘 要 目標(biāo)跟蹤中，目標(biāo)跟蹤的實(shí)時(shí)性和精度是首先要考慮的問題，同時(shí)背景變化、形狀改變、目標(biāo)遮擋，往往會導(dǎo)致跟蹤失敗。針對此問題，首先優(yōu)化了Mean Shift算法迭代權(quán)值，優(yōu)化后主要灰度貢獻(xiàn)更加突出，次要灰度受到抑制，提高了跟蹤的精度、避免了開方的繁瑣運(yùn)算。然后提出目標(biāo)模板更新算法，解決了背景劇烈變化和目標(biāo)形狀改變時(shí)跟蹤失敗的問題。最后將優(yōu)化Mean Shift算法與Kalman濾波融合，通過殘差判定目標(biāo)運(yùn)動狀態(tài)。仿真實(shí)驗(yàn)和分析表明，Kalman濾波融合優(yōu)化Mean shift算法在目標(biāo)遮擋，目標(biāo)形狀改變，背景變化時(shí)具有更高的跟蹤精度和實(shí)時(shí)性。

關(guān)鍵詞 Kalman濾波；Mean Shift算法；目標(biāo)跟蹤；模板更新

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-7597（2014）06-0032-02

在飛行試驗(yàn)中，光電跟蹤測量設(shè)備主要用于獲取被測目標(biāo)的運(yùn)動參數(shù)，其跟蹤性能的穩(wěn)定性和魯棒性直接決定了測量任務(wù)的成敗和最終的測量精度。而在實(shí)際跟蹤應(yīng)用中，常常會由于復(fù)雜背景、目標(biāo)遮擋、光線變化、目標(biāo)跟蹤失敗等方面影響，造成跟蹤目標(biāo)的丟失。

本文針對Mean Shift算法的不足，提出了Kalman濾波融合優(yōu)化Mean Shift目標(biāo)跟蹤算法：①對Mean Shift算法迭代權(quán)值進(jìn)行修正，修正后主要特征貢獻(xiàn)更加突出，次要特征受到抑制，提高了跟蹤的有效性，同時(shí)降低了運(yùn)算的復(fù)雜度，提高了跟蹤的實(shí)時(shí)性；②對跟蹤模板進(jìn)行及時(shí)的更新，以適應(yīng)背景的變化和目標(biāo)的遮擋；③將優(yōu)化Mean Shift算法與Kalman濾波融合，通過計(jì)算Kalman濾波器對目標(biāo)中心的估計(jì)值和優(yōu)化Mean Shift算法得到的觀測值之間的殘差大小來判斷是否出現(xiàn)了跟蹤丟失。如果跟蹤失敗則用卡爾曼預(yù)測值作為初值進(jìn)行Mean Shift迭代，迭代結(jié)果再與卡爾曼預(yù)測值求取歐氏距離，如果歐式距離小于閾值則發(fā)生了目標(biāo)運(yùn)動過快的問題，此時(shí)使用迭代結(jié)果作為初值進(jìn)行迭代；如果大于閾值則發(fā)生了目標(biāo)完全遮擋問題，此時(shí)使用Kalman濾波結(jié)果作為迭代初值。

1 優(yōu)化Mean Shift目標(biāo)跟蹤算法

設(shè)是目標(biāo)區(qū)域的像素坐標(biāo)集合，目標(biāo)區(qū)域的中心坐標(biāo)為。則目標(biāo)模型的灰度直方圖可以描述為：

（1）

，為灰度級數(shù)，為核函數(shù)。是處像素的量化值，為判斷函數(shù)，判斷的值是否等于當(dāng)前的量化值，相等則函數(shù)為1，不等則為0。為搜索窗口的帶寬，距離目標(biāo)中心越近的像素越小則對灰度直方圖的貢獻(xiàn)越大，反之越小。同理候選模型的特征值的灰度直方圖為：

（2）

其中為歸一化常數(shù)，使得成立。

（3）

上式為Bhattacharyya系數(shù)，表示維單位矢量和之間夾角的余弦。兩向量夾角越小，余弦值越大，相似度越大，當(dāng)夾角為0時(shí)，相似度為1。

一般情況下，相鄰兩幅圖像灰度差別不大，，對（3）式在處進(jìn)行泰勒展開，Bhattacharyya系數(shù)可近似為：

（4）

（5）

得到候選區(qū)域中心偏向真實(shí)目標(biāo)中心的向量：

（6）

如果則進(jìn)行下一幀的運(yùn)算，否則繼續(xù)根據(jù)新坐標(biāo)計(jì)算候選區(qū)域直方圖重新計(jì)算Mean Shift向量。

用代替，對于灰度值，當(dāng)時(shí)，特征出現(xiàn)的概率較大，灰度為主要的特征顏色信息，此時(shí)，則改進(jìn)后主要特征被賦予較高的權(quán)重。當(dāng)時(shí)，出現(xiàn)的概率較小，灰度為次要的顏色特征，此時(shí)，則修正后次要特征被賦予較小的權(quán)重。因此修正后主要信息貢獻(xiàn)更加突出，次要信息受到抑制，提高了跟蹤的有效性。同時(shí)避免了開方的繁瑣運(yùn)算，降低了運(yùn)算復(fù)雜度。

2 Kalman濾波融合優(yōu)化Mean shift目標(biāo)跟蹤

假設(shè)通過優(yōu)化Mean Shift算法求得第幀的位置為，卡爾曼濾波求得第幀預(yù)測位置為。定義，表征卡爾曼預(yù)測位置和優(yōu)化算法位置的誤差，定義一個閾值。分析如下。

1）如果，說明優(yōu)化Mean Shift算法迭代位置與卡爾曼預(yù)測位置相差很小，目標(biāo)沒有被遮擋，也沒有出現(xiàn)目標(biāo)運(yùn)動尺度大于一幀圖像尺寸的問題。故采用優(yōu)化Mean Shift算法結(jié)果作為下一幀迭代的初值進(jìn)行圖像跟蹤。

2）如果，則發(fā)生了跟蹤失敗問題。用卡爾曼預(yù)測的結(jié)果作為初值進(jìn)行優(yōu)化算法迭代，得到新的優(yōu)化位置，求得新的位置誤差距離，分兩種情況：

①如果則說明由于目標(biāo)運(yùn)動速度太快，前一幀矩形窗口已經(jīng)不包含目標(biāo)信息，從而導(dǎo)致跟蹤失敗，此時(shí)應(yīng)以作為下一幀初值進(jìn)行目標(biāo)跟蹤。

②如果則說明由于目標(biāo)全部被遮擋，卡爾曼預(yù)測位置的矩形窗口也不包含目標(biāo)信息，導(dǎo)致跟蹤失敗，此時(shí)以卡爾曼濾波結(jié)果作為下一幀初值進(jìn)行目標(biāo)跟蹤。

3 實(shí)驗(yàn)仿真

圖1 復(fù)雜背景下運(yùn)動目標(biāo)的檢測和跟蹤

圖2 遠(yuǎn)距離運(yùn)動目標(biāo)的檢測和跟蹤

4 性能分析

對于圖1和圖2，當(dāng)多個目標(biāo)同時(shí)出現(xiàn)時(shí)，尤其灰度分布相似的情況下Mean shift會出現(xiàn)跟蹤漂移的情況，而融合了Kalman濾波Mean shift算法跟蹤穩(wěn)定。

5 結(jié)論

針對現(xiàn)有Mean shift算法不能適應(yīng)背景變化﹑目標(biāo)遮擋﹑目標(biāo)變形﹑迭代權(quán)值運(yùn)算復(fù)雜等問題，本文提出Kalman濾波融合優(yōu)化Mean shift跟蹤算法，更新跟蹤模板，并對權(quán)值修正，解決目標(biāo)背景變化﹑目標(biāo)遮擋﹑目標(biāo)變形時(shí)跟蹤失敗問題。

基金項(xiàng)目

航空基金（2010ZD30004）。

參考文獻(xiàn)

[1]孫偉，郭寶龍，等.一種新的層次粒子濾波的目標(biāo)跟蹤算法[J].電子學(xué)報(bào)，2010，5（39）：945-948.

[2]T. Kim， S. Lee， J. Paik. Combined shape and feature-based video analysis and its application to non-rigid object tracking.IET Image Process， 2011， vol. 5， lss. 1， pp. 87-100.

[3]齊立峰，馮新喜，等.一種新的目標(biāo)跟蹤算法[J].光電工程，2009，3（36）：22-27.

[4]高世偉，郭雷，等.一種新的粒子濾波目標(biāo)跟蹤算法[J].上海交通大學(xué)學(xué)報(bào)，2009，3（43）：485-489.

作者簡介

韓濤（1985-），男，漢族，陜西漢中人，碩士學(xué)歷，從事光電跟蹤理論研究工作。endprint

摘 要 目標(biāo)跟蹤中，目標(biāo)跟蹤的實(shí)時(shí)性和精度是首先要考慮的問題，同時(shí)背景變化、形狀改變、目標(biāo)遮擋，往往會導(dǎo)致跟蹤失敗。針對此問題，首先優(yōu)化了Mean Shift算法迭代權(quán)值，優(yōu)化后主要灰度貢獻(xiàn)更加突出，次要灰度受到抑制，提高了跟蹤的精度、避免了開方的繁瑣運(yùn)算。然后提出目標(biāo)模板更新算法，解決了背景劇烈變化和目標(biāo)形狀改變時(shí)跟蹤失敗的問題。最后將優(yōu)化Mean Shift算法與Kalman濾波融合，通過殘差判定目標(biāo)運(yùn)動狀態(tài)。仿真實(shí)驗(yàn)和分析表明，Kalman濾波融合優(yōu)化Mean shift算法在目標(biāo)遮擋，目標(biāo)形狀改變，背景變化時(shí)具有更高的跟蹤精度和實(shí)時(shí)性。

關(guān)鍵詞 Kalman濾波；Mean Shift算法；目標(biāo)跟蹤；模板更新

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-7597（2014）06-0032-02

在飛行試驗(yàn)中，光電跟蹤測量設(shè)備主要用于獲取被測目標(biāo)的運(yùn)動參數(shù)，其跟蹤性能的穩(wěn)定性和魯棒性直接決定了測量任務(wù)的成敗和最終的測量精度。而在實(shí)際跟蹤應(yīng)用中，常常會由于復(fù)雜背景、目標(biāo)遮擋、光線變化、目標(biāo)跟蹤失敗等方面影響，造成跟蹤目標(biāo)的丟失。

本文針對Mean Shift算法的不足，提出了Kalman濾波融合優(yōu)化Mean Shift目標(biāo)跟蹤算法：①對Mean Shift算法迭代權(quán)值進(jìn)行修正，修正后主要特征貢獻(xiàn)更加突出，次要特征受到抑制，提高了跟蹤的有效性，同時(shí)降低了運(yùn)算的復(fù)雜度，提高了跟蹤的實(shí)時(shí)性；②對跟蹤模板進(jìn)行及時(shí)的更新，以適應(yīng)背景的變化和目標(biāo)的遮擋；③將優(yōu)化Mean Shift算法與Kalman濾波融合，通過計(jì)算Kalman濾波器對目標(biāo)中心的估計(jì)值和優(yōu)化Mean Shift算法得到的觀測值之間的殘差大小來判斷是否出現(xiàn)了跟蹤丟失。如果跟蹤失敗則用卡爾曼預(yù)測值作為初值進(jìn)行Mean Shift迭代，迭代結(jié)果再與卡爾曼預(yù)測值求取歐氏距離，如果歐式距離小于閾值則發(fā)生了目標(biāo)運(yùn)動過快的問題，此時(shí)使用迭代結(jié)果作為初值進(jìn)行迭代；如果大于閾值則發(fā)生了目標(biāo)完全遮擋問題，此時(shí)使用Kalman濾波結(jié)果作為迭代初值。

1 優(yōu)化Mean Shift目標(biāo)跟蹤算法

設(shè)是目標(biāo)區(qū)域的像素坐標(biāo)集合，目標(biāo)區(qū)域的中心坐標(biāo)為。則目標(biāo)模型的灰度直方圖可以描述為：

（1）

，為灰度級數(shù)，為核函數(shù)。是處像素的量化值，為判斷函數(shù)，判斷的值是否等于當(dāng)前的量化值，相等則函數(shù)為1，不等則為0。為搜索窗口的帶寬，距離目標(biāo)中心越近的像素越小則對灰度直方圖的貢獻(xiàn)越大，反之越小。同理候選模型的特征值的灰度直方圖為：

（2）

其中為歸一化常數(shù)，使得成立。

（3）

上式為Bhattacharyya系數(shù)，表示維單位矢量和之間夾角的余弦。兩向量夾角越小，余弦值越大，相似度越大，當(dāng)夾角為0時(shí)，相似度為1。

一般情況下，相鄰兩幅圖像灰度差別不大，，對（3）式在處進(jìn)行泰勒展開，Bhattacharyya系數(shù)可近似為：

（4）

（5）

得到候選區(qū)域中心偏向真實(shí)目標(biāo)中心的向量：

（6）

如果則進(jìn)行下一幀的運(yùn)算，否則繼續(xù)根據(jù)新坐標(biāo)計(jì)算候選區(qū)域直方圖重新計(jì)算Mean Shift向量。

用代替，對于灰度值，當(dāng)時(shí)，特征出現(xiàn)的概率較大，灰度為主要的特征顏色信息，此時(shí)，則改進(jìn)后主要特征被賦予較高的權(quán)重。當(dāng)時(shí)，出現(xiàn)的概率較小，灰度為次要的顏色特征，此時(shí)，則修正后次要特征被賦予較小的權(quán)重。因此修正后主要信息貢獻(xiàn)更加突出，次要信息受到抑制，提高了跟蹤的有效性。同時(shí)避免了開方的繁瑣運(yùn)算，降低了運(yùn)算復(fù)雜度。

2 Kalman濾波融合優(yōu)化Mean shift目標(biāo)跟蹤

假設(shè)通過優(yōu)化Mean Shift算法求得第幀的位置為，卡爾曼濾波求得第幀預(yù)測位置為。定義，表征卡爾曼預(yù)測位置和優(yōu)化算法位置的誤差，定義一個閾值。分析如下。

1）如果，說明優(yōu)化Mean Shift算法迭代位置與卡爾曼預(yù)測位置相差很小，目標(biāo)沒有被遮擋，也沒有出現(xiàn)目標(biāo)運(yùn)動尺度大于一幀圖像尺寸的問題。故采用優(yōu)化Mean Shift算法結(jié)果作為下一幀迭代的初值進(jìn)行圖像跟蹤。

2）如果，則發(fā)生了跟蹤失敗問題。用卡爾曼預(yù)測的結(jié)果作為初值進(jìn)行優(yōu)化算法迭代，得到新的優(yōu)化位置，求得新的位置誤差距離，分兩種情況：

①如果則說明由于目標(biāo)運(yùn)動速度太快，前一幀矩形窗口已經(jīng)不包含目標(biāo)信息，從而導(dǎo)致跟蹤失敗，此時(shí)應(yīng)以作為下一幀初值進(jìn)行目標(biāo)跟蹤。

②如果則說明由于目標(biāo)全部被遮擋，卡爾曼預(yù)測位置的矩形窗口也不包含目標(biāo)信息，導(dǎo)致跟蹤失敗，此時(shí)以卡爾曼濾波結(jié)果作為下一幀初值進(jìn)行目標(biāo)跟蹤。

3 實(shí)驗(yàn)仿真

圖1 復(fù)雜背景下運(yùn)動目標(biāo)的檢測和跟蹤

圖2 遠(yuǎn)距離運(yùn)動目標(biāo)的檢測和跟蹤

4 性能分析

對于圖1和圖2，當(dāng)多個目標(biāo)同時(shí)出現(xiàn)時(shí)，尤其灰度分布相似的情況下Mean shift會出現(xiàn)跟蹤漂移的情況，而融合了Kalman濾波Mean shift算法跟蹤穩(wěn)定。

5 結(jié)論

針對現(xiàn)有Mean shift算法不能適應(yīng)背景變化﹑目標(biāo)遮擋﹑目標(biāo)變形﹑迭代權(quán)值運(yùn)算復(fù)雜等問題，本文提出Kalman濾波融合優(yōu)化Mean shift跟蹤算法，更新跟蹤模板，并對權(quán)值修正，解決目標(biāo)背景變化﹑目標(biāo)遮擋﹑目標(biāo)變形時(shí)跟蹤失敗問題。

基金項(xiàng)目

航空基金（2010ZD30004）。

參考文獻(xiàn)

[1]孫偉，郭寶龍，等.一種新的層次粒子濾波的目標(biāo)跟蹤算法[J].電子學(xué)報(bào)，2010，5（39）：945-948.

[2]T. Kim， S. Lee， J. Paik. Combined shape and feature-based video analysis and its application to non-rigid object tracking.IET Image Process， 2011， vol. 5， lss. 1， pp. 87-100.

[3]齊立峰，馮新喜，等.一種新的目標(biāo)跟蹤算法[J].光電工程，2009，3（36）：22-27.

[4]高世偉，郭雷，等.一種新的粒子濾波目標(biāo)跟蹤算法[J].上海交通大學(xué)學(xué)報(bào)，2009，3（43）：485-489.

作者簡介

韓濤（1985-），男，漢族，陜西漢中人，碩士學(xué)歷，從事光電跟蹤理論研究工作。endprint