李晖宙

（海军工程大学电子工程学院 武汉 430033）

1 引言

近几年，Mean-Shift算法以其优良的性能在目标跟踪中得到了很好的应用。然而传统的Mean-Shift算法存在以下缺点：当目标移动较快时易丢失目标；缺乏目标模型的更新方法；搜索窗口大小固定等等。许多学者和研究人员针对这些缺点进行了许多改进［1，3］。然而无论是最初的Mean-Shift算法还是改进后的 Mean-Shift算法大都采用Bhattacharyya系数或者Ln距离范数作为候选目标模型和目标模型之间的相似性度量。事实上，许多文献和实践证明它们并非最有效的比较方法［4］，An［5］证明 Bhattacharyya系数会降低Mean-Shift算法的准确度并建议用直方图交集（histogram intersection）取代Bhattacharyya系数作为新的相似度度量。然而他并没有给出优化直方图交集函数找到最相似的候选目标的方法。

另一方面，大多数基于 Mean-Shift的跟踪算法仅利用了颜色信息也造成了算法准确度的降低，例如在光照较弱时或者目标和背景颜色接近时等等。众所周知，人类的视觉系统综合利用了颜色、纹理、形状等信息，当某种信息无法单独完成任务时，其他信息可作为有效的补充。虽然颜色特征在目标跟踪中起着很重要的作用，但是纹理等其他类型的特征能提供与颜色特征完全不同的信息。将这些信息结合在一起可以提高目标跟踪的精度，包括颜色与形状特征的结合［6］，运动信息和颜色信息［7］的结合等等。文献［8］提出了一种采用联合直方图将颜色与纹理特征相结合并融入Mean-Shift算法的目标跟踪算法，但是他并没有考虑不同特征之间，甚至同类特征内部不同部分之间对目标和背景不同的区分能力。……