王建华， 王春平， 梁 伟， 王惠萍

(1.白求恩军医学院计算机教研室，石家庄 050081; 2.军械工程学院光学与电子工程系，石家庄 050003)

0 引言

随着计算机视觉的快速发展，目标跟踪已成为视觉领域的一个重要研究方向，广泛应用于视频监控、人工智能、运动分析等领域［1］。其中的一类算法是基于目标表达和定位的方法，Mean Shift则属于这类算法中比较成功的算法之一，它是一种基于最优梯度下降的方法，通过迭代来寻找目标，从而实现对目标的跟踪。自从1995年被Yizong Cheng［2］引入到计算机视频，就由于具有计算量小、跟踪效果好、实时性强等特点，被广泛应用于目标跟踪的各个领域。但传统的Mean Shift算法存在以下缺点:1)背景像素的参与容易带来定位偏差;2)缺乏相应的动态分析方法;3)对于目标的刚性形变和严重遮挡比较敏感。为了解决这些问题，许多专家和学者给出过不尽相同的改进方法，例如:文献［3］将 SIFT(Scale Invariant Feature Transform)与Mean Shift结合;文献［4］用联合颜色纹理直方图表示目标特征计算目标模型;文献［5］通过自适应调整核函数宽度实现对大小变化的目标跟踪;文献［6］利用分块的方法实现目标在遮挡情况下的跟踪;文献［7］中将粒子滤波与Mean Shift相结合的算法。综合考虑以上算法的优缺点，针对Mean Shift算法在目标快速运动且目标大小变化较大、存在严重遮挡情况下容易丢失目标的问题，本文提出两方面的改进措施:1)将跟踪窗口内的区域区分为目标和背景两部分，通过减少背景像素在概率密度函数(PDF)中的权重来对背景……