秦 臻 ， 曹剑中

（1.中国科学院 西安光学精密机械研究所，陕西 西安710119；2.中国科学院研究生院 北京 100039）

目标的实时跟踪在计算机视觉跟踪领域有着非常重要的应用，近年来在目标跟踪领域提出了很多好的算法，然而很多算法由于计算复杂，都未能应用到对实时性要求较高的场合。Dorin Comaniciu将Mean shift算法引入到目标跟踪领域[1-2]，极大地减少了跟踪算法的计算量。Dorin Comaniciu提出的算法是以彩色直方图作为特征来实现目标的识别与定位，而灰度直方图所包含的图像信息单一，使得Mean shift算法很难应用于灰度图像，限制了Mean shift算法的适应环境。经典的Mean shift算法要求相邻两帧间目标模板区域必须重叠，在目标较快运动的情况下容易跟丢目标；在目标出现尺度变化的复杂条件下，其跟踪结果往往出现偏差，甚至跟踪失败。笔者提出了基于空间方向直方图的Mean shift跟踪算法，使用空间统计信息作为匹配信息，结合卡尔曼滤波预测目标位置。实验结果表明，该算法在目标运动较快，光照变化和尺度缩放等情况下可以对目标准确的跟踪，具有良好的鲁棒性和效率。

1 Mean shift算法概述

Mean shift算法是一种非参数概率密度估计算法[3]，可以通过迭代，快速地收敛于概率密度函数的局部极大值。算法的跟踪过程就是不断寻找概率密度局部最大值的过程，其步骤如下。

1.1 目标模型的描述

在首帧图像中确定被跟踪的目标区域，可通过手工选择矩形框的方式来确定目标区域。目标模型可以描述为在目标区域上的所有特征值的概率值，用目标模型的特征值估计的概率密度为：