张 良，郑世宝，杨 华

（上海交通大学电子工程系图像通信与信息处理研究所，上海 200240）

运动目标跟踪是当前计算机视觉在图像监控领域的一个研究热点，作为众多跟踪方法的一种，Mean Shift算法是一种基于核密度的无参密度估计算法。从1995年Yizhong Cheng［1］将该算法引入计算机视觉领域便引起了人们极大的关注。早期Comaniciu［2］提出计算目标区域和候选目标区域的颜色直方图特征最大相似度的Mean Shift跟踪算法，采用颜色特征的Mean Shift算法有着旋转不变性且对部分遮挡不敏感，所以Mean Shift算法对非刚体目标在部分遮挡下有着较好的跟踪效果，然而经典Mean Shift算法在目标颜色和背景颜色相近时容易丢失目标。近年来很多背景融合的算法被提出来［3-4］，它们综合考虑了颜色特征、边缘特征、纹理特征等。Mean Shift算法的另一个缺陷是核函数是固定的，当目标尺度发生变化时容易跟踪失败，改进的算法参见文献［5-6］。本文在前人的基础上针对Mean Shift这些缺陷提出一种特征融合的核函数带宽自适应算法，首先介绍Mean Shift算法原理，然后提出融合边缘特征、核函数带宽自适应更新算法，在此基础上对目标模型更新进行了相关研究，最后进行实验并给出相关结论及后续工作。

1 Mean Shift目标跟踪算法

Mean Shift目标跟踪算法首先需要确定目标区域，然后初始化目标模型，计算核函数加权的颜色直方图概率分布，以及每一帧中计算候选区域目标模型的直方图分布;计算目标模型和候选模型的Bhattacharyya相似性系数，求得最大相似度的Mean Shift向量，并不断迭代，最终收敛到目标的真实位置。……