２０１０年第２９卷第３期 传感器与微系统（Ｔｒａｎｓｄｕｃｅｒ ａｎｄ Ｍ）ｃｒｏｓｙｓｔｅｍ Ｔｅｃｈｎｏｌｏｇｉｅｓ） ２３ 复杂场景下动态目标视觉跟踪方法 毛建国，柏方超，沈 垣，周华鹏，李芳培，卢文玉 （南京航空航天大学能源与动力学院。江苏南京２１００１６） 摘要：当跟踪目标与背景颜色相近或跟踪目标被遮挡时，传统的均值平移算法失效。提出了一种改进 的均值平移算法，将ＲＧＢ颜色空间转换成ＨＳＩ颜色空间，克服背景颜色与跟踪目标颜色相近时带来的干 扰。当发生遮挡时，在较短时间内将目标的运动看作是不变系统，利用Ｋａｌｍａｎ滤波器进行参数辨识使得 发生遮挡后的跟踪系统具有后续状态预测的能力。实验结果证明：提出的算法能在复杂场景下准确地跟 踪目标，在Ｉｎｔｅｌ １．７３ ＧＨｚ处理器上的处理速率达３９帧／Ｓ。 关键词：均值平移；ＨＳＩ颜色空间；卡尔曼滤波；状态预测 中图分类号：Ｕ ２７３．９９ 文献标识码：Ａ 文章编号：１０００－－９７８７（２０１０）０３－００２３－０３ Ｖｉｓｉｏｎ ｂａｓｅｄ ｄｙｎａｍｉｃ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ ｕｎｄｅｒ ｃｏｍｐｌｉｃａｔｅｄ ｓｃｅｎｅｓ ＭＡＯ Ｊｉａｎ－ｇｕｏ，ＢＡＩ Ｆａｎｇ—ｃｈａｏ，ＳＨＥＮ Ｈｕａｎ，ＺＨＯＵ Ｈｕａ－ｐｅｎｇ，ＬＩ Ｆａｎｇ—ｐｅｉ，ＬＵ Ｗｅｎ—ｙｕ （Ｃｏｌｌｅｇｅ ｏｆ Ｅｎｅｒｇｙ＆Ｐｏｗｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ ａｎｄ Ａｓｔｒｏｎａｕｔｉｃｓ，Ｎａｎｊｉｎｇ ２１００１６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｒａｄｉｔｉｏｎａｌ ｍｅａｎ ｓｈｉｔｆ ｗｉｌｌ ｆａｉｌ ｗｈｅｎ ｔｈｅ ｇｏａｌ’Ｓ ｃｏｌｏｒ ｉｓ ｓｉｍｉｌａｒ ｔｏ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ ｏｒ ｔｈｅ ｇｏａｌ ｉｓ ｂｌｏｃｋｅｄ．Ａｎ ｉｍｐｒｏｖｅｄ ｍｅａｎ ｓｈｉｔｆ ｔｒａｃｋｉｎｇ ａｌｇｏｒｉｔｈｍ ｉｓ ｐｒｅｓｅｎｔｅｄ．ＲＧＢ ｃｏｌｏｒ ｓｐａｃｅ ｉｓ ｃｏｖｅｒｔｅｄ ｉｎｔｏ ＨＳＩ ｃｏｌｏｒ ｓｐａｃｅ．Ｔｈｅ ｉｎｔｅｒｆｅｒｅｎｃｅ ｉｓ ｏｖｅｒｃｏｍｅｄ ｗｈｅｎ ｔｈｅ ｇｏａｌ’Ｓ ｃｏｌｏｒ ｉｓ ｓｉｍｉｌａｒ ｔｏ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ．Ｗｈｅｎ ｔｈｅ ｇｏａｌ ｉｓ ｂｌｏｃｋｅｄ，ａ ｔｉｍｅ—ｉｎｖａｒｉａｎｔ ｓｙｓｔｅｍ ｉｓ ｕｓｅｄ ｔｏ ｄｅｓｃｒｉｂｅ ｔｈｅ ｍｏｖｅｍｅｎｔ ｏｆ ｔｈｅ ｔａｒｇｅｔ ｄｕｒｉｎｇ ａ ｓｈｏｒｔ ｔｉｍｅ ｓｅｑｕｅｎｃｅｓ． Ｔｈｒｏｕｇｈ Ｋａｌｍａｎ ｆｉｌｔｅｒ，ｔｈｉｓ ｓｙｓｔｅｍ ｉｓ ｉｄｅｎｔｉｆｉｅｄ ＳＯ ａｓ ｔｏ ｍａｋｅ ｉｔ ｈａｖｅ ｔｈｅ ａｂｉｌｉｔｙ ｏｆ ｅｓｔｉｍａｔｉｎｇ ｔｈｅ ｃｏｍｉｎｇ ｓｔａｔｅｓ． Ｅｘｐｅｒｉｍｅｎｔｌ ｒｅｓｕｌｔａｓ ｄｅｍｏｎｓｔｒａｔｅ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｐｐｒｏａｃｈ ｃａｎ ａｃｃｕｒａｔｅｌｙ ｔｒａｃｋ ｔｈｅ ｇｏａｌ ｉｎ ｃｏｍｐｌｉｃａｔｅｄ ｓｃｅｎｅｓ， ａｎｄ ｃａｎ ｄｅａｌ ｗｉｔｈ ３９ ｐｉｃｔｕｒｅｓ ｐｅｒ ｓｅｃｏｎｄ ｗｉｔｈ ａ Ｉｎｔｅｌ １．７３ ＧＨｚ ＣＰＵ． Ｋｅｙ ｗｏｒｄｓ：ｍｅａｎ ｓｈｉｔ；ＨＳＩ ｃｏｌｆｏｒ ｓｐａｃｅ；Ｋａｌｍａｎ ｆｉｌｔｅｒ；ｓｔａｔｅ ｐｒｅｄｉｃｔｉｏｎ ０引 言 预测估计的能力，从而在目标发生短时间的遮挡后仍可对 目标进行准确跟踪。 １ Ｍｅａｎ Ｓｈｉｆｔ跟踪算法 目标跟踪技术广泛用于智能监控、交通监控、军事制 导、视频压缩和医学图像处理领域 。均值平移算法作为 一种基于概率密度估计的非参数优化算法最先由Ｆｕｋｕｎａｇａ 均值平移算法实际上为一个迭代过程，即先算出当前 点的偏移值，移动该点到偏移值，然后，以此为新的起始点， 继续移动，直到满足一定的条件结束。均值平移算法是一 种非参数密度估计，因其不需要参数，所以，收敛速度很快， 用于目标跟踪能达到较高的实时性。为了提高概率密度估 计的鲁棒性，本文在特征空间的选择上做了改进，选择ＨＳＩ Ｋ和Ｈｏｓｔｅｔｌｅｒ Ｌ Ｄ提出 Ｊ，近年来，均值平移算法以其无需 参数、快速模式匹配的特性被广泛应用到目标跟踪领 域 Ｊ。均值平移算法需要合适的模型来表征运动目标， 如，颜色直方图模型 ｜７ Ｊ、边缘直方图模型 等。基于颜色 直方图的均值平移算法，当跟踪目标与背景颜色相近时或 跟踪目标被遮挡时，算法失效。基于边缘直方图的均值平 移算法能利用纹理特性克服部分干扰，但当跟踪目标与背 景纹理相近时，算法也失效。因此，本文把ＲＧＢ颜色空间 转换成ＨＳ１颜色空间，克服背景颜色与跟踪目标颜色相近 带来的干扰，在准确地判断目标是否发生遮挡的前提下，通 颜色空间取代ＲＧＢ颜色空间作为特征统计空间，因为ＨＳＩ 颜色特征反映的是目标的色调，饱和度和强度，能克服目标 与背景颜色相近时带来的干扰。 １．１从ＲＧＢ到ＨＳＩ的彩色转换 给定一幅ＲＧＢ彩色格式的图像，日分量可用下面的公 式得到 过引入Ｋａｌｍａｎ滤波，使算法具有对目标物体后续状态进行 收稿日期：２００９－－０７—１４ 基金项目：江苏省普通高校研究生科研创新计划资助项目（ＣＸ０８Ｂ＿０４４Ｚ） 传感器与微系统 １．４相似性函数 第２９卷 日＝｛ 其中 ０￣－ａＹｃｃｏｓ． （１） 相似性函数是描述目标模型和目标候选模型之间的相 似程度，在理想情况下，２个模型的概率分布是完全一样的。 Ｉ １［（Ｒ—Ｇ）＋（Ｒ一曰）］ １． （２） 本文使用Ｂｈａｔｔａｃｈａｒｙｙａ系数作为相似性函数，其定义为 【［（Ｒ—Ｇ） ＋（Ｒ—Ｇ）（Ｇ—Ｂ）］ Ｊ 分量Ｈ的范围为０～２耵，０代表红色，２，ｕ／３代表绿色， ４￣ｒ／３代表蓝色。 色饱和度Ｓ分量由下式给出 ｓ＝ 一 蒜［ｍｉｎ（Ｒ，Ｇ， ）］・ （３） 最后，强度，分量由下式给出 ，＝÷（Ｒ＋Ｇ＋ ）． （４） 强度分量，归一化后范围为［０，１］，０代表黑色，１代表 白色。 １．２目标模型描述 目标区域的中心为‰，假设其中有ｎ个像素用 ｝ 表示，特征值ｂｉｎ的个数为ｍ个，则目标模型的特 征值ｕ＝ｌ…ｍ，估计的概率密度为 ｃ （『 Ｉ． ㈤ 其中，ｋ（ ）为核函数的轮廓函数，由于遮挡或者背景的 影响，目标模型中心附近的像素比外边缘像素更可靠，ｋ（ ） 对中心的像素给一个大的权值，而远离中心的像素给一个 小的权值。函数 （ ）中Ｉ１ ｌＩ的作用是为了消除不同 大小目标计算时的影响，将目标区域归一化。占（ ）是Ｄｅｌｔａ 函数，６［ｂ（ｘ ）一“］总的作用是判断目标区域中像素 的颜 色值是否属于第“个ｂｉｎ，等于值为１；否则，为０。Ｃ是一个 标准化的常量系数，使得∑ｑ ＝ｌ，因此 ‘ １．３候选模型描述 运动目标在第二帧和以后的每帧中可能包含目标的区 域称为候选区域，其中心坐标为，，，也是核函数的中心坐标。 该区域中的像素用 ｝ … ，表示，对候选区域的描述称为 目标候选模型，候选模型的特征值 ＝ｌ…ｍ的概率密度为 ｙ）＝ｃ ｎｋ （１ ｌ． （７） 舯 ’ 是标准化的常量系数。 ／３（ｙ）＿ｐ（ （ｙ），毒）＝∑ 丽． （９） 其值在０－ｉ之间。Ｐ（Ｙ）的值越大，表示２个模型越相 似，在当前帧中不同的候选区域计算得到的候选模型，使得 Ｐ（Ｙ）最大候选区域即是在本帧中目标的位置。 １．５ 目标定位 为使Ｊ；（ｙ）最大，在当前帧的目标中心先定位为前一帧 中目标中心的位置Ｙｏ，从这一点开始寻找最优匹配的目标， 其中心为ｙ。先计算目标候选模型Ｊ；（ ），在Ｊ；ｌ（ ）处进行泰 勒展开，Ｂｈａｔｔａｃｈａｒｙｙａ系数可近似为 ｐ（ （，，）， ）＝÷∑ 丽＋ 孚ｉ 叫Ｉ Ｊ√ ６［６（ ］． ） 式中只有第二项随Ｙ变化。令 ＝ ｎｋ （Ｉｌ 令上式最大，可以计算出目标偏移后的新位置 ｎｋ Ｙｌ ｎｋ （ｆ ｌｆ２）． ｇ（ ＩＪ『） ２基于Ｋａｌｌｎａｉｉ滤波器的状态预测 Ｋａｌｍａｎ滤波器是根据最小均方误差准则建立起来的 估计方法。它用线性递推的方法，对多个测量数据和多个 信号参数进行处理，给出无偏的最小均方误差的估计。它 只用信号的前一个估计值和最近一个观察值就可以在线性 无偏最小方差估计准则下估计信号的当前值，而不必像维 纳滤波器那样需要全部过去的观察值。因此，它的计算量、 存储量低，实时性高，更重要的是它能利用实际的运动参数 对未来的预测不断地进行修正，从而提高估计的精度。它 根据受噪声干扰的观测输入对未知系统状态和参数进行估 计，观测噪声和扰动输入都看作随机过程 Ｘ（ｔ）＝ＡＸ（ｔ－１）＋Ｗ（ｔ－１）， （１４） ｙ（ｔ）＝ＣＸ（ｔ）＋Ｖ（ｔ）， （１５） 式中 （￡）， （￡－１）为￡和ｔ－１时刻的状态向量； （ｔ）中 有４个分量，分别为目标在Ｘ，Ｙ坐标位置和在Ｘ，Ｙ坐标方 向上的速度。ｙ（ｔ）为ｔ时刻观测向量，Ｙ（ｔ）中有２个分量， 在系统中选取 第３期 毛建国，等：复杂场景下动态目标视觉跟踪方法 ｘ（ｚ）＝Ｉｘ１，Ｙ１， ， ］ ， （１６） Ｙ（ｔ）＝［ １，Ｙ１ Ｔ， （１７） 式中 。为目标在 时刻测量得到的目标中心的 坐标； ｙ１为Ｋ时刻测量得到的目标中心的Ｙ坐标； 为 时刻运 动目标在 坐标方向上的速度； 为目标在Ｋ时刻运动目 标在ｙ坐标方向上的速度。 其中 ０ Ａｔ ０ １ ０ Ａｔ ，，１ ０、 Ａ＝ ，０ １ ０ 曰：ｌ ０ ｌ ＪＩ ． （１８） ０ ０ １ 本文采用如下公式预测目标在下一时刻可能出现的位 置为 Ｘ１＝（Ｘ１－１）＋Ｖ，Ａｔ， （１９） Ｙ１＝（ｙｌ一１）＋ＶｙＡｔ， （２０） 式中（Ｘ。－１），（Ｙ１—１）为前一时刻的状态；ｘ ，ｙｌ为现 在预测目标出现的位置，时间 是处理连续两帧图片的时 间。 本文实验是对视频进行处理的，每处理一帧要把目标 所在的位置信息，速度信息都记录下来，一旦发生遮挡，立 刻启动Ｋａｌｍａｎ滤波器，把前一帧的信息作为Ｋａｌｍａｎ滤波 器的输入信息。 Ｂｈａｔｔａｃｈａｒｙｙａ系数是表示目标模型和候选模型之间相 似程度的，当目标物体被遮挡时，Ｂｈａｔｔａｃｈａｒｙｙａ系数会变小， 图ｌ给出了当目标物体被遮挡时Ｂｈａｔｔａｃｈａｒｙｙａ系数的变化 情况。可以看出：当目标被遮挡时，Ｂｈａｔｔａｃｈａｒｙｙａ系数会变 的很小，因此，只要设一阈值就可判断目标是否被遮挡，本 文实验用的阈值为０．８５。 图１ Ｂｈａｔｔａｃｈａｒｙｙａ系数变化图 Ｆｉｇ １ Ｄｉａｇｒａｍ ｏｆ Ｂｈａｔｔａｃｈａｒｙｙａ ｃｏｅｆｆｉｃｉｅｎｔ ｃｈａｎｇｅ ３实验结果 实验所处理的图片序列是用数码相机在南京不同地点 拍的两段视频，实验用的处理器是Ｐｃ机，主频为１．７３ ＧＨｚ 的Ｉｎｔｅｌ（Ｒ）ＣＰＵ，内存为。２ ＧＨｚ。所有算法用Ｍａｔｌａｂ ７．１编 程实现。 图２序列图像是从南京某高速公路上拍的视频中截取 图２高速公路上对车的跟踪结果 Ｆｉｇ ２ Ｔｈｅ ｒｅｓｕｌｔ ｏｆ ｔｒａｃｋｉｎｇ ｖｅｈｉｄｅ ｏｎ ｈｉｇｈｗａｙ 图３校园内对人的跟踪结果 Ｆｉｇ ３ Ｒｅｓｕｌｔ ｏｆｔｒａｃｋｉｎｇ ｐｅｒｓｏｎｓ Ｏｎ ｃａｍｐｕｓ 的几帧，由于天气较阴暗，图像中所跟踪的车的颜色与背景 路面相近，但改进的基于ＨＳＩ颜色空间的均值平移算法很 准确地跟踪了目标。 图３序列图像是从校园内拍的视频中截取的，是对短 暂遮挡的情况进行实验，在判断出遮挡后，立刻引入Ｋａｌｍａｎ 滤波器，对后续状态进行预测，实验结果证明了该算法的有 效性。 本文对算法的实时Ｉ生做了测验，结果如表１。 表１测验结果 Ｉ－ａｂ １ Ｔｅｓｔ ｒｅｓｕｌｔｓ 表ｌ是对实验用的两段视频处理后所花时间的统计， 并计算出处理每帧图像所需时间，从数据中可以看出：提出 的算法完全满足实时性要求。 ４结论 当跟踪目标与背景颜色相近时，通过将特征统计空间 由ＲＧＢ颜色空间转换为ＨＳＩ颜色空间，克服了背景的干扰。 当跟踪目标被遮挡时，引入Ｋａｌｍａｎ滤波器进行参数辩识而 使发生遮挡后的跟踪系统具有后续的状态预测能力，通过 Ｂｈａｔｔａｃｈａｒｙｙａ系数的大小来决定是否引人Ｋａｌｍａｎ滤波器， （下转第２８页） 传感器与微系统 片机和长距离无线传输模块组成，用于将各Ｓｉｎｋ点的数据 信息中转传输给上位机。上位机程序采用Ｖｉｓｕａｌ Ｃ＋＋语 第２９卷 患，并尽可能在最短时间内将危险信号传达现场，从而预 防事故发生或减小事故危害。且该系统可根据不同地理 环境增加或减少节点以及Ｓｉｎｋ点，具有较强的可扩展性 言编写，主要功能为分析处理并记录数据信息，并按地理分 布模拟显示现场各节点监测值，若需要亦可增加其他远程 控制功能。 ２．４防爆设计 由于油库是Ⅱ类易燃易爆场所，对于实时预警系统采 用的所有带电设备均选用本安级防爆产品，系统设计调试 和可移植性，可“一对一”使用，即固定在线监测模块只有 一个节点时，且成本较低，适用范围广，具有较大的应用前 景。 参考文献： ［１］甘维兵，祁耀斌，张宇．现场总线网络在油库安全监测中的 完成后用隔爆箱封装，并通过防爆认证后方可采用。 ３测试结果 应用［Ｊ］．石油化工自动化，２００６（１）：７６－７８． ［２］ 陆锦军．油库罐区蓝牙监测装置的设计［Ｊ］．仪表技术， ２００４（６）：１４－１５． 按上述方案设计的基于ＷＳＮｓ的燃爆参数实时监测预 警系统在恒温２５℃模拟实验室内针对液化石油气体积分 数的监测预警运行稳定可靠，实现了在线实时预警和远程 监测，实验数据如表ｌ所示，报警信号与节点地理位置信息 ［３］Ｅｄｇａｒ Ｈ Ｃ．Ｗｉｒｅｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋｓ：Ａｒｃｈｉｔｅｃｔｕｒｅｓ ａｎｄ ｐｒｏｔｏｃｏｌｓ ＣＭＳ［Ｍ］．Ｂｏｃａ Ｒａｔｏｎ，ＦｌｏｒｉＤａ：ＣＲＣ Ｐｒｅｓｓ ＬＬＣ，２００４：１－－４０． ［４］Ｍａｒｋ Ｗｅｉｓｅｒ．Ｔｈｅ ｃｏｍｐｕｔｅｒ ｆｏｒ ｔｈｅ ２１ｓｔ ｃｅｎｔｕｒｙ［Ｊ］．Ｓｃｉｅｎｔｉｉｆｃ Ａ— ｍｅｒｉｅａｎ，１９９１，２６５（３）：９４－１０４． 在现场工作人员随身携带的现场监测预警终端上与监测终 端同步显示。 表１ 系统测试３静主坑道各节点油气体积分数数据 Ｔａｂ １ Ｄａｍ ｔａｂｌｅ ｏｆ ｏｉｌ ｇａｓ ｖｏｌｕｍｅ ｆｒａｃｔｉｏｎ ｏｆ ｎｏｄｅｓ ｉｎ ｔｈｅ ３ｒｄ ｈｏｓｔ ｓａｐ ［５］ Ｍａｒｋ Ｗｅｉｓｅｒ．Ｓｏｍｅ ｃｏｍｐｕｔｅｒ ｓｃｉｅｎｃｅ ｉｓｓｕｅｓ ｉｎ ｕｂｉｑｕｉｔｏｕｓ ｃｏｍｐｕ－ ｔｉｎｇ［Ｊ］．Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆｔｈｅＡＣＭ，１９９３，３６（７）：７５－８４． ［６］ 李春杰，刘瑞霞，王继志．基于无线传感器网络的监控平台设 计［Ｊ］．传感技术学报，２００６（２）：ｌ３－－１４． 节点号 １ ２ ３ ４ ５ ６ ７ ８ ９ ［７］ 刘鹏，吕振，胡冰．用于井下瓦斯监测的无线传感器网 络系统［Ｊ］．工矿自动化，２００９（３）：２９－３１． 积分数（％） 超过 ０．１８３ ０．１９１ ０．２１９ ０．２３８ ０ ２６９ ０．３１７ ０．３８５ ０．４７３ ０．５０４ ［８］ 张杰，石为人，涂巧玲，等．基于无线传感器网络的信息采 集监测系统设计［Ｊ］．传感技术学报，２００９，２２（６）：８６１—８６４． ［９］ 魏书芳，孙同景．Ｚｉｇ Ｂｅｅ无线传感器网络在煤矿中的应 用［Ｊ］．微计算机信息，２００７，２３（３２）：６５－－６７． ［１Ｏ］秦玉芳，许行．无线传感器网络在油库自动化中的应用［Ｊ］． 安全状态安全安全安全安全安全安全安全安全２５％ＬＦＬ， 二级报警 ４结束语 本文提出的基于ＷＳＮｓ的燃爆参数实时监测预警系 中国测试技术，２００８（４）：１４２－－１４４． 统可广泛适用于燃爆、有毒等危险环境，可实现危险因素 的在线远程监测与实时现场预警，为第一线工作人员提供 更全面的安全保障，避免了工作人员疏忽导致的安全隐 ） 、 ） ） 、 ＼ ） ） ） ） ） 作者简介： 秦玉芳（１９８１一），女，四川隆昌人，讲师，从事无线传感器网 络、自动化技术等方面的研究。 ） ＼ ＼ ） ） ） 、 （上接第２５页） 实验结果证明：即使跟踪目标被遮挡或较小时也能准确地 预测目标的位置。通过实验验证了算法的有效性和实时 性。 ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，１９９８：２１４—２１９ ［５］ Ｅｌｇａｍｍａｌ Ａ，Ｄｕｒａｉｓｗａｍｉ Ｒ，Ｄａｖｉｓ Ｌ．Ｐｒｏｂａｂｉｌｉｓｔｉｅ ｔｒａｃｋｉｎｇ ｉｎ ｊｏｉｎｔ ｆｅａｔｕｒｅ－ｓｐａｔｉｌａ ｓｐａｃｅｓ［ｃ］∥ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，２００３：７８１－７８８． 参考文献： ［１］Ｌｉｎ Ｍｉｎｇｘｉｕ，Ｌｉｕ Ｗｅｉｊｉａ，Ｘｕ Ｘｉｎｈｅ．Ａｌｇｏｒｉｔｈｍ ｆｏｒ ｍｕｈｉｍｏｄｅ ｖｅ－ ［６］ Ｓｈｅｎ Ｗｅｉ，Ｗａｎｇ Ｊｕｎｚｈｅｎｇ，Ｚｈａｎｇ Ｙｕｈｅ．Ｍｅａｎ・ｓｈｉｔｆ ｉｍａｇｅ ｔｒａ－ ｃｋｉｎｇ ａｌｇｏｒｉｔｈｍ ｗｉｔｈ ｔｈｅ ａｄａｐｔｉｖｅ ｂａｎｄｗｉｄｔｈ［Ｊ］．Ｍｉｃｒｏ—Ｃｏｍｐｕｔｅｒ Ｉｎｆｏｒｍａｔｉｏｎ，２００４，１０（３）：２９４－－２９６． ｈｉｅｌｅ ｔｒａｃｋｉｎｇ ｂａｓｅｄ ｏｎ ｔｅｍｐｌａｔｅ ｍａｔｃｈ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｓｙｓｔｅｍ Ｓｉｍｕｌａｔｉｏｎ，２００７，１９（７）：１５１９－－１５２２． ［７］Ｃｏｍａｎｉｃｉｕ Ｄ，Ｒａｍｅｓｈ Ｖ，Ｍｅｅｒ Ｐ．Ｋｅｒｎｅｌ－ｂａｓｅｄ ｏｂｊｅｃｔ ｔｒａｃｋｉｎｇ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ［２］ Ｆｕｋｕｎａｇａ Ｋ，Ｈｏｓｔｅｔｌｅｒ Ｌ Ｄ．Ｔｈｅ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｔｈｅ ｇｒａｄｉｅｎｔ ｏｆ ａ ｄｅｎｓｉｔｙ ｆｕｎｃｔｉｏｎ，ｗｉｔｈ ａｐｐｌｉｃａｔｉｏｎｓ ｉｎ ｐａｔｔｅｎｒ ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒｎｓａｃｔａｉｏｎ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｈｅｏｒｙ，１９７５，２１（１）：３２－４０． ２００３，２５（５）：５６４－－５７７． ［８］Ｗａｎｇ Ｘｉｎｈｏｎｇ，Ｗａｎｇ Ｊｉｎｇ，Ｔｉａｎ Ｍｉｎ，ｅｔ ａ１．Ｍｅａｎ ｓｈｉｔｆ ｔｒａｃｋｉｎｇ ｌａｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｓｐａｔｉａｌ ｅｄｇｅ ｏｒｉｅｎｔａｔｉｏｎ ｈｉｓｔｏｇｒａｍ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｉｍａｇｅ ａｎｄ Ｇｒａｐｈｉｃｓ，２００８，１３（３）：５８７－５９２． ［３］ Ｃｏｌｌｉｎｓ Ｒ．Ｍｅａｎ—ｓｈｉｆｔ ｂｌｏｂ ｔｒａｃｋｉｎｇ ｔｈｒｏｕｇｈ ｓｃａｌｅ ｓｐａｃｅ［Ｃ］∥ ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔ— ｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，２００３：２３４－－２４０． 作者简介： 毛建国（１９５７一），男，副教授，主要从事图像处理与模式识别、 智能车控制及嵌入式系统设计等。 ［４］Ｂｒａｄｓｋ ｉＧ Ｒ．Ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ ｆａｃｅ ｔｒａｃｋｉｎｇ ａｓ ａ ｃｏｍｐｏｎｅｎｔ ｏｆ ａ ｐｅｒｃｅｐｔｕａｌ ｕｓｅｒ ｉｎｔｅｒｆａｃｅ［Ｃ］∥ＩＥＥＥ Ｗｏｒｋｓｈｏｐ ｏｎ Ａｐｐｌｉｃａｔｉｏｎｓ