【正文】 編號： 　　　 本科畢業(yè)設計（論文）題目：（中文）基于Mean Shift算法的視頻球體目標 的跟蹤（英文）Mean Shiftbased Target Tracking for Moving Spherical Object in Video 分 院 信息科學與技術學院 專 業(yè) 計算機與技術學院 班 級 學 號 姓　名 指導教師 職稱　 完成日期 27 / 33誠 信 承 諾我謹在此承諾：本人所寫的畢業(yè)論文《基于Mean Shift視頻球體目標的跟蹤》均系本人獨立完成，沒有抄襲行為，凡涉及其他作者的觀點和材料，均作了注釋，若有不實，后果由本人承擔。 承諾人（簽名）： 年 月 日摘 要【摘要】在視覺跟蹤領域，Mean Shift算法以其實時性和魯棒性強而著稱，是一個非常優(yōu)秀的算法，近幾年來該算法發(fā)展迅速，有很大的發(fā)展前景。本論文主要研究基于核概率密度估計的Mean Shift理論在視頻序列圖像中運動目標的識別與跟蹤的應用。Mean Shift算法避免了全局搜索，因此有很好的滿足了實時性的要求。本文總結了核概率密度估計理論，并對Mean Shift理論做了研究，對基于Mean Shift理論的目標跟蹤算法進行了深入研究，分析了其在視頻跟蹤中的優(yōu)點，同時也指出了Mean Shift算法的不足。其中，第二章詳細介紹了Mean Shift理論，第三章研究了Mean Shift目標跟蹤算法并在第四章對基于Mean Shift算法的視頻球體跟蹤進行了試驗與結果分析。【關鍵詞】計算機視覺； 目標跟蹤； Mean Shift；核函數(shù)；Bhattacharyya系數(shù)Mean Shiftbased Target Tracking for Moving Spherical Object in Video Abstract【ABSTRACT】In the field of visual tracking, Mean Shift, which is famous for its strong realtime and robustness, is a very good algorithm. The algorithm developed rapidly in recent years, and have great development prospects. In this paper, I mainly research the use of Mean Shift Theory based on kernel estimation in the moving target. Mean Shift algorithm avoids the global search, so it can meet the requirement of realtime very well. This paper summarizes the theory of kernel estimation of probability density, and make a research of Mean Shift Theory. Then I analyzed its advantages in target tracking, and also pointed out its defects at the same time. In the second chapter, this paper introduced the Mean Shift Theory in detail. In the third chapter I researched the Mean Shift tracking algorithm and made an experiment of Mean Shift algorithm and a research of the result.【KEYWORDS】Computer Vision。 target tracking。 Mean Shift。 Bhattacharyya coefficient目　錄1 緒論 1 引言 1 2 目標跟蹤綜述 2 目標跟蹤算法的分類 2 特征的選擇及提取 3 論文內容安排 32 Mean Shift理論 4 引言 4 Mean Shift理論 4 Mean Shift算法定義 4 Mean Shift基本思想 4 擴展的Mean Shift 5 Mean Shift的物理意義 7 Mean Shift算法的迭代步驟 7 本章小結 83 Mean Shift 目標跟蹤算法 9 目標圖像的建模 9 9 9 10 Mean Shift目標跟蹤算法 11 系數(shù)最大化 11 算法描述 12 本章小結 124 Visual C++ 2008編程實現(xiàn)Mean shift目標跟蹤 13 基于可視化面向對象的visual c++ 2008 Express 13 OpenCV及其在目標跟蹤中的應用 13 基于Mean Shift的視頻球體的跟蹤的軟件設計 13 跟蹤算法流程 13 跟蹤算法的實現(xiàn) 14 算法的性能分析 15 本章小結 165 總結與展望 17 總結 17 展望 17參考文獻 18致謝 19附錄 201 緒論 引言計算機視覺(Machine Vision)是使用計算機及相關設備對生物視覺的一種模擬。它的主要任務就是通過對采集的圖片或視頻進行處理以獲得相應場景的三維信息，就像人類和許多其他類生物每天所做的那樣。計算機視覺既是工程領域，也是科學領域中的一個富有挑戰(zhàn)性重要研究領域。計算機視覺是一門綜合性的學科，它已經吸引了來自各個學科的研究者參加到對它的研究之中。其中包括計算機科學和工程、信號處理、物理學、應用數(shù)學和統(tǒng)計學，神經生理學和認知科學等。計算機視覺是在20世紀中葉從統(tǒng)計模式識別開始的，當時的工作主要集中在二維圖像的分析和識別上。60年代有人通過計算機程序從數(shù)字圖像中提取出立體圖形的三維結構，并對物體形狀及空間關系進行描述。1977年，David Marr教授提出了不同于“積木世界”分析方法[]的計算機視覺理論(Computational Vision)，該理論后來成為計算機視覺研究領域的一個十分重要的理論框架。在序列圖像中對運動目標進行跟蹤是計算機視覺領域的一個非常重要的應用和關鍵技術。它廣泛地應用在智能視頻監(jiān)控、醫(yī)學圖像、農業(yè)自動化、航空航天、軍事監(jiān)控[]等各個方面。所謂目標跟蹤就是在一段序列圖像（視頻）的每幅（幀）圖像中找出所感興趣的目標的所在的位置。不難看出，一個較好的目標跟蹤算法應該滿足以下兩個條件：1. 實時性好，一個算法能否對目標進行跟蹤，一個前提就是算法的耗時至少要比視頻采集系統(tǒng)中對每幀圖像的采集速率要快，否則就不能對目標進行有效的跟蹤。所以跟蹤算法的實時性是非常重要的。2. 魯棒性強，在實際的觀測中，運動目標的背景往往很復雜，還有光照、圖像噪聲和目標被遮擋情況的影響下，目標的跟蹤往往會非常困難，所以算法的魯棒性也是衡量一個算法優(yōu)劣的重要因素。但是兩個條件是矛盾的，往往很難同時滿足，所以在實際的跟蹤中，經常要進行折衷，以達到最佳的統(tǒng)合效果。計算機視覺是一門新的學科，涉及面很廣，包括圖像處理、計算機圖形學、人工智能、人工神經網絡、計算機、數(shù)學、物理學等多個學科。經過了多年的研究，近十多年來，才逐步應用在智能監(jiān)控系統(tǒng)、機器人視覺系統(tǒng)、地圖繪制、醫(yī)學輔助[]等領域。以軍事方面為例，在軍事方面圖像處理和識別主要用于導彈的精確制導，各種偵察照片的判斷，具有圖像傳輸、存儲和顯示的軍事自動化指揮系統(tǒng)，飛機、坦克和軍艦模擬訓練系統(tǒng)等；指紋識別、人臉識別、圖像復原，以及交通監(jiān)控、事故分析[]等。智能監(jiān)控：智能視頻監(jiān)控在交通、軍事上都有廣泛的應用，從而減少了對人工的依賴，系統(tǒng)會自動對感興趣的目標分析和研究，而對目標進行實時的檢測與跟蹤。自動導航：以汽車為例，若有了自動導航系統(tǒng)，汽車就能自動行駛并自動避開道路上的障礙物或其他汽車。同樣，自動導航在軍事偵察、監(jiān)視上也起到重要的作用。計算