Kenar adaptasyonuna dayalı Ortalama Kayma hedef izleme yöntemi
Zhou Yang, Hu Guiming, Huang Dongfang
(Elektrik Mühendisliği Okulu, Guangxi Üniversitesi, Nanning, Guangxi 530004)
Ortalama Kayma algoritmasının sabit arama çekirdek penceresinin sınırlandırılmasına yönelik olarak, Ortalama Kayma arama çekirdek yarıçapının kenar özelliklerine dayalı bir hareketli hedef izleme yöntemi otomatik olarak ayarlanır. Video sekans görüntüsünde, hedef kameraya uzak ve yakın olduğunda boyut küçülür ve büyür.Sonuç olarak, sabit çekirdek penceresinin Ortalama Kayma arama algoritması ile elde edilen sonuçlar ya çok fazla arka plan gürültüsüne sahip ya da tam içermiyor Hedef özellikleri, dolayısıyla izleme etkisini kötüleştirir. Hedefte ortalanmış ve Ortalama Kayma çekirdeğinin yarıçapından biraz daha büyük bir ikili görüntü bulmak için kenar algılamayı kullanın İkili görüntünün ağırlık merkezine göre, gerçek hedefe uygun bir Ortalama Kayma çekirdek penceresi bulmak için hedefe yaklaşmak için kademeli olarak küçülen daireler kullanın. Yarıçap, kendi kendine uyarlanabilir çekirdek işlevi yarıçapı hedefine ulaşmak için. Deneysel sonuçlar, Ortalama Kayma arama kernel penceresinin yarıçapını kenar özelliklerine göre otomatik olarak ayarlama yönteminin, hedef şekil ve boyut değişikliğinin etkisini önemli ölçüde azaltabileceğini ve hareketli hedefin takibini doğru ve etkili bir şekilde gerçekleştirebileceğini göstermektedir.
Ortalama Kayma; arama yarıçapı; kenar algılama; uyarlanabilir; hedef izleme
Çin Kütüphanesi Sınıflandırma Numarası: TN957.52; TP391.41
Belge tanımlama kodu: Bir
DOI: 10.16157 / j.issn.0258-7998.2017.05.034
Çince alıntı biçimi: Zhou Yang, Hu Guiming, Huang Dongfang. Edge adaptasyonuna dayalı Mean Shift hedef izleme yöntemi. Elektronik Teknoloji Uygulaması, 2017, 43 (5): 138-142.
İngilizce alıntı biçimi: Zhou Yang, Hu Guiming, Huang Dongfang. Kenar uyarlamasının Ortalama Kaymasına dayalı nesne izleme yöntemi.Elektronik Tekniğin Uygulanması, 2017, 43 (5): 138-142.
0 Önsöz
Bilgisayar görüşü alanındaki önemli bir araştırma yönü, hareketli hedeflerin izlenmesidir ve hareketli hedeflerin izleme yönünde kullanılan yaygın bir yöntem, hedefin önceki çerçevesinden ortalama sürüklenme yöntemini ifade eden Ortalama Kayma algoritmasıdır. Gerçek konumu kademeli olarak geçerli karenin hedef konumuna yineleme işlemi. FUKUNAGA K ve diğerleri bu algoritmayı ilk olarak 1975 yılında önermiş ve 1995 yılında çekirdek fonksiyonunu ekledikten sonra CHENG Y Z tarafından geliştirilmiş ve popüler hale getirilmiş ve ardından hareketli hedef izleme alanına uygulanmıştır.
Ortalama Kayma algoritması, düşük karmaşıklığı ve kolay entegrasyonu nedeniyle hareketli hedef takibi alanında yaygın olarak kullanılmaktadır. Ayrıca, hedef kenarların tıkanması ve hedef deformasyonu gibi sorunlarla etkili bir şekilde başa çıkabilen çekirdek işlevi histogram modelini kullanır. Bununla birlikte, tek Ortalama Kayma algoritmasının da bazı eksiklikleri vardır: Örneğin, izleme işlemi sırasında Ortalama Kayma çekirdek fonksiyonunun pencere boyutu sabitlendiğinden, hedef boyutu değiştiğinde izleme başarısız olacaktır. Bu noktaya yanıt olarak, literatür, hareket vektör analizine dayalı bir Ortalama Kayma çekirdek pencere genişliği dinamik güncelleme modeli önerdi ve bu, belirli sonuçları elde etti; COLLINS RT, DOG operatörünü sürekli olarak hesaplayan bir Lindbeger görüntü çok ölçekli teorisi önerdi ve Çekirdek penceresinin evrişimi büyük miktarda hesaplama gerektirir; literatür üç aşamalı bir yöntem önermektedir, yani çekirdek pencere boyutu artı veya eksi% 10 ve pronükleer pencere 3 arama için kullanılır ve en küçük Bhattacharyya mesafesi en iyi çekirdek pencere boyutu olarak seçilir. Üç arama, arama süresini büyük ölçüde artırır, gerçek zamanlı performansı etkiler ve nükleer pencere ayarlamasının kapsamı sınırlıdır. Peng Ningsong ve diğerleri, köşeleri tespit etmek için kayıt için ağırlık merkezlerini kullanma yöntemini önerdi ve Tan Jian, Ortalama Kayma çekirdeğinin genişliğini sınırlamak için sınır kuvvetlerini kullanma algoritmasını önerdi, bu da daha büyük hedeflerin etkisini bir dereceye kadar hafifletti, ancak algoritmalar hala nispeten karmaşık. Literatür, hedef boyut değişiklikleri, hızlı hedef hareketi ve tıkanma problemleri için optik akış alanıyla birleştirilmiş uyarlanabilir bir Ortalama Kayma izleme algoritması önermektedir, bu da izleme güvenilirliğini artırır, ancak perspektif değişikliklerinin a priori temeliyle sınırlıdır ve yine de görünecektir. Pek çok sorun. Hedef alandaki piksel noktalarının uzamsal alanını ağırlıklandırdıktan sonra, Ortalama Kayma algoritması, hızlı hareket eden hedefi bulmak için renkli görüntüyü aramak ve ardından hedefi, hedef yakınlaştırma faktörüne göre boyut değişikliği ile izlemek için kullanılır, bu da doğruluğu büyük ölçüde artırır, ancak hesaplama miktarını artırır. . Literatür, benzer arka plan rengi paraziti problemi için çok özellikli uyarlamalı füzyonun Ortalama Kayma hedef izleme yöntemini önermektedir, ancak boyut adaptasyon etkisi ideal değildir, bu da izleme doğruluğunu etkiler. Önceki yöntemleri ve problemleri birleştiren bu makale, kenar özelliklerine dayalı bir Ortalama Kayma çekirdek penceresi otomatik ayarlama yöntemi önermektedir.Hedef alanın kenarını tespit eder ve merkez penceresine göre çekirdek pencere boyutunu hesaplar.Kernel pencere boyutu, gerçek zamanlı olarak hedefe bağlı olacaktır. İzleme doğruluğunu iyileştirmek için ölçek değişir ve değişir ve algoritma karmaşıklığı büyük ölçüde azaltılır.
1 Mean Shift izleme teknolojisi
Hareketli hedef takibinde Ortalama Kayma algoritması kullanıldığında, ilk şablon hedef özelliklerin olasılık histogramına göre oluşturulur.Genel olarak hedefin renk özelliği seçilir.İzleme efektini daha iyi hale getirmek için birden fazla özellik kombinasyonu da seçilir; daha sonra mevcut çerçevede Merkez olarak önceki çerçevede hedefin gerçek konumunu seçin ve yarıçap olarak sabit Ortalama Kayma arama yarıçapına sahip bir aday hedef şablonu oluşturun; ardından iki şablonun benzerliğini ölçün. Ön ayar gereksinimleri karşılanmazsa, yeni konum arama, ön ayar koşulları karşılanana kadar bir sonraki konumu aramaya devam etmek için başlangıç noktasıdır.
Hedef şablonun önceki çerçevedeki gerçek konumunun y0 ve geçerli çerçevede karşılık gelen y0 konumuna ortalanmış aday hedefin özellik olasılık kümesinin, iki bitişik çerçeve arasındaki fark nedeniyle {pt (y) | t = 1, ..., d} olduğunu varsayalım. Aralık çok küçüktür ve hedef merkez yer değiştirmesi çok fazla değişmeyecektir, bu nedenle y her zaman y0'a yakındır ve y0 geçerli çerçeve konumunda Bhattacharyya katsayısı (y) ile Taylor açılımı yaklaşık olarak şöyledir:
Ortalama Kayma vektörü || Mh, g (x) || 'i karşılayana kadar tekrar tekrar aramak için bu yöntemi izleyin. < koşul, önceden ayarlanmış izin verilen hata eşiğidir ve ardından önceki çerçeveden geçerli çerçeveye kadar hedef izleme görevi tamamlanır. Hareketli hedefin sürekli takibini tamamlamak için önceki kareden geçerli kareye sürekli olarak arama yapın.
2 Mean Shift çekirdek penceresi uyarlamalı yöntem
Ortalama Kayma algoritması, hareketli hedef izleme alanında yaygın olarak kullanılmaktadır, ancak sabit çekirdek penceresi izleme doğruluğunu azaltacak ve hatta izlemenin başarısız olmasına neden olacaktır. Bu makalede, Ortalama Kayma arama çekirdek yarıçapı uyarlamalı hedefin kenar özelliklerine dayalı bir izleme yöntemi önerilmektedir.
2.1 Nükleer pencere izleme sorunu düzeltildi
Video görüntüsünde nesneleri hareket ettirmenin çeşitli yolları vardır, bazıları kameradan uzaklığı korur ve çeşitli hızlarda hareket eder; bazıları kameradan uzaklaşabilir; bazıları kameraya yaklaşabilir. Bu üç durumda, hedef aynı şekle, daha küçük veya daha büyük hedefe sahip olacaktır. Hedefin boyutu değiştirildikten sonra, sabit bir nükleer pencereli Ortalama Kayma araması, hedef takibinin doğruluğunu etkileyecek ve hatta hedefi kaybedecektir.
Şekil 1'de gösterildiği gibi durumu kameraya uzak ve yakın analiz edin. Şekil 1 (a), hedefin ilk çerçeveden uzak olduğu durumdaki izleme durumudur.Ayarlanan çekirdek pencere boyutu temelde izlenecek hedef boyutuyla aynı olduğu için konumlandırma ve izleme etkisi doğrudur. Şekil 1 (b), hedef 300. çerçeveden uzak olduğunda izleme durumudur.Ortalama Kaydırma çekirdeğinin arama penceresi boyutu değişmeden kalır, izlenen hedef ise mesafe veya diğer nedenlerden dolayı giderek küçülür.Yakınlarda benzer özelliklere sahip nesne gürültüsü olduğunda, konumlandırma merkezi değildir Doğrudur ve hedefi zar zor takip edebilir. Bununla birlikte, hedef küçüldüğünde ve benzer engelleyici nesneler daha belirgin hale geldiğinde, izleme etkisi, hedef 800 kare uzakta olduğunda ve hedef tamamen kaybolduğunda Şekil 1 (c) 'de gösterilir. Böyle bir durumun olması muhtemeldir Örneğin, bir karayolu üzerinde, izlenen hedef araç, müdahale eden bir aracın yaklaştığı duruma benzer şekilde, kameradan uzaktadır. Şimdi, izleme hedefinin kameraya yaklaştığını varsayalım Şekil 1 (d) ~ (f) 'de gösterilen durum oluşacaktır.Arama kutusunu ayırt etmek için Şekil 1 (f)' deki arama kutusu siyaha ayarlanmıştır. Hedefin artan boyutu, Mean Shift'in eşleşme aramasında çok fazla rastgeleliğe yol açar ve tam hedef özelliklerini tam olarak yansıtamaz. Ortalama Kayma algoritmasında arama çekirdeği penceresinin önemli olduğu görülebilir. Bu nedenle, nükleer pencerenin boyutunu otomatik olarak ayarlayabilen bir Ortalama Kayma arama algoritması aramak bu bölümün önemli bir içeriğidir.
2.2 Hedef ağırlık merkezinde ortalanmış en küçük dış "bağlantılı" daire
Hedefin en küçük dış "bağlantı" çemberinin yarıçapı, Ortalama Kayma arama algoritmasının çekirdek yarıçapı olarak düşünülebilir. Buradaki dış "bağlantı" dairesinin anlamı şu anlama gelir: Hedefin şekli ne olursa olsun, en küçük bir daire ile "daire içine alınabilir" "Şekil 2'de gösterildiği gibi kalkın.
Bununla birlikte, dairenin merkezi olarak ağırlık merkeziyle dış "birleşme" çemberi, Şekil 3'te gösterildiği gibi Ortalama Kayma arama algoritmasının optimal çekirdek yarıçapıdır.
Hareketli hedef, Ortalama Kayma algoritmasının arama penceresinin ortasındayken, aramanın görsel etkisi ve doğruluğu en iyisidir ve hedef özelliklerin tamamının arama penceresinde olmasını sağlarken arama yarıçapı mümkün olduğunca küçük olmalıdır. Dış etki. Matematiksel bilgiden, aynı büyüklükteki geniş üçgende, Şekil 3 (a) 'daki sınırlandırılmış dairenin yarıçapı, Şekil 3 (b)' de merkezde ortalanmış olan dış "bağlanan" dairenin yarıçapından daha büyüktür, dolayısıyla Şekil 3 (b) Yarıçapı, Ortalama Kaydırma algoritmasının en iyi arama yarıçapıdır.
2.3 Hedef kenar özelliklerine dayalı Centroid çözümü
Önceki bölümden, Ortalama Kayma algoritmasının optimal arama yarıçapının, ağırlık merkezi üzerinde ortalanmış dış "birleştirme" dairesinin yarıçapı olması gerektiği bilinmektedir, bu nedenle bu bölümdeki algoritmanın, bu yarıçapı bulmadan önce hareketli hedefin ağırlık merkez konumunu bulması gerekir.
Yüzün ağırlık merkezi, kesitsel şeklin geometrik merkezidir.Buradaki yüz, mutlaka tam bir yüz değildir. Boş yüzler ve hatta boşluklu yüzler, Şekil 4'te gösterildiği gibi, ağırlık merkezlerine göre doğru bir şekilde çözülebilir.
Bu nedenle, ağırlık merkezi, tam hedef şekli elde edilmeden elde edilebilir.Kenarın özelliğinden dolayı, algoritma, hareketli hedefin kenarını tespit etmeyi, kaba dış hatları elde etmeyi, kenar özelliklerinin ikili görüntüsünü elde etmeyi ve ardından ağırlık merkezini çözmeyi seçer. .
Basitlik ve rahatlık adına, algoritma artık tüm görüntü çerçevesinin ikili görüntüsünü elde etmiyor, sadece bölgede ve sadece hareketli hedefi içeren alanında kenar algılama ile ikili görüntü elde etmesi gerekiyor. Hedef, benzer şekilde hareket eden nesnelerle sınırlanabileceğinden, bağlantılı alan analizi ve morfolojik işlemden sonra hedefin daha doğru bir ikili görüntüsü elde edilebilir.
(X0, y0), önceki karedeki hedef şablonun gerçek merkez konumu olsun, geçerli çerçeve konumunu (x0, y0) şu şekilde almak için {f (x, y) | x2 + y2 (1 + 10%) h} 'yi ayarlayın. Merkez, (1 +% 10) h, yarıçap alanındaki ikili görüntü koleksiyonudur ve h, Ortalama Kaydırma ile yapılan ilk aramanın çekirdek pencere boyutudur.Bu boyut aralığı, önceki çerçevedeki hareketli hedef şablonun tüm özelliklerini içerir. Algoritma, hareketli hedefin büyüdüğü durumu çözmek için kapsamı genişletir. İki bitişik çerçeve arasındaki aralık çok küçük olduğundan, hedef alan çok fazla değişmeyecektir, bu nedenle genişletme fazlasıyla yeterlidir, çünkü:
2.4 Uyarlanabilir nükleer pencere yarıçapı
Hareket eden hedefin ağırlık merkezi koordinatlarını video görüntüsünün mevcut karesinde elde ettikten sonra, bu makaledeki algoritma, merkezde ortalanmış en küçük dış "bağlantılı" daireyi elde etmek için hedefin ikili görüntüsünü adım adım sıkıştırmak için hedefin tüm konturlarını içeren bir daire kullanır. , Ve sonra yarıçapını alın, bu yarıçap, Şekil 5'te gösterildiği gibi güncellenmiş Ortalama Kayma arama algoritmasının çekirdek penceresinin yarıçapıdır.
Şekil 5'teki daire yarıçapının başlangıç boyutu (1 +% 10) h'dir. İkili görüntüde, daire üzerindeki tüm piksellerin 0 olduğunu bilmek kolaydır. Çemberin yarıçapını azaltın.Çember üzerindeki piksel değeri ilk kez 0'dan büyük olduğunda, Bu zamanda dairenin hedefi "kenetleyen" daire olduğu ve bu zamandaki yarıçapın, Ortalama Kayma arama algoritmasının yeni çekirdek pencere yarıçapı olan gerekli yarıçap olduğu varsayılır.
Merkezde (xpoid, ypoid) merkezlenen ilk dairenin yarıçapı h0 = (1 +% 10) h olsun ve h Ortalama Kayma ilk arama çekirdeğinin yarıçapı olsun, bu durumda daire şu şekilde ifade edilebilir:
Çemberdeki tüm piksellerin piksel değerlerinin f (x, y) olduğunu varsayalım, ardından yeni çekirdek penceresinin yarıçapını elde etmek için algoritma adımları:
(1) İlk daire yarıçapının h0 = (1 +% 10) h olduğunu ve h Ortalama Kaymanın ilk arama çekirdeği yarıçapı olduğunu varsayalım;
(2) Daire üzerindeki tüm pikseller {(x-xpoid) 2+ (y-ypoid) 2 = 2 | j = 0, ..., n} (x, y) 'dir, burada j, 100'den küçük döngü sayısıdır, Bu pikseller, ikili görüntü f (x, y) üzerindeki piksel değerlerine karşılık gelir;
(3) f (x, y) karşılanırsa > 0 koşulu, döngü sona erer ve yeni çekirdek pencere yarıçapı hauto = (1-j%) h0, yani hauto = (1-j%) (1 + 10%) h, aksi takdirde devam etmek için (2) adımına geri dönün döngü.
Ortalama Kayma algoritmasını kullanarak geçerli çerçeveyi aramadan önce, geçerli çerçevenin hedef kenar özelliklerinin ikili görüntüsüne göre gerçek zamanlı güncellenmiş arama yarıçapını elde etmek için ilk önce yukarıdaki adımları izleyin ve ardından Ortalama Kayma otomatik olarak ayarlanabilmesi için aşağıdaki arama adımlarını gerçekleştirin. Nükleer pencere boyutunun amacı.
3 Deneysel sonuçların karşılaştırmalı analizi
Bu deney OpenCV3.0 + VC ++ 6.0 + MATLAB platformunda tamamlanmıştır Deney, esas olarak makalede önerilen Ortalama Kayma çekirdek penceresinin otomatik ayarlanması için izleme algoritmasının avantajlarını ve izleme etkisini doğrulamaktadır. Guangxi Üniversitesi oditoryumunun dışındaki bir yoldan sınıf arkadaşlarıyla birlikte çekilen, kameraya yavaş yavaş yaklaşan hareketli bir hedefin video görüntüsü. Hava bulutlu ve ışık daha iyiydi. Videoda, test eden kişi ve elektrikli araba, izlenecek hareketli bir hedef olarak kabul edilir Test cihazı, elektrikli arabayı sürer ve belli bir mesafeden yavaş yavaş kameraya doğru döner.Senecin ve elektrikli otomobilin hedefi, önden dönerken bile giderek büyür. Yan tarafa geldiğinde, nihayet lensin arkasından çıkar. Deneysel sonuçlar Şekil 6'da gösterilmektedir.
Şekil 6 (a) 'daki daire Ortalama Kayma algoritmasının sabit çekirdek pencereli izleme etkisini temsil etmektedir ve Şekil 6 (b)' deki daire, çekirdek penceresinin boyutunu otomatik olarak ayarlayabilen bu kağıdın geliştirilmiş Ortalama Kayma izleme etkisini temsil etmektedir. Hedefin yaklaşan yaklaşımı giderek artacağından, sabit izleme nükleer penceresinin hedefin doğru merkez konumunu hiçbir şekilde belirleyemeyeceği ve tüm hedef özelliklerini içeremeyeceği ve hareketli hedefin özelliklerinin; hedefin değişikliğine göre kademeli olarak kaybolacağı karşılaştırmadan görülebilir. Bununla birlikte, arama çekirdek penceresinin boyutunu otomatik olarak ayarlayan yeni izleme algoritması, tüm hedef özellikleri içerebilir ve hedef konumu doğru bir şekilde bulabilir ve hedefi etkin bir şekilde izleyebilir.
Sonuçları daha ikna edici hale getirmek için, bu makale Şekil 6'daki son resmin izleme etkisini ayrıntılı olarak analiz eder ve şekilde gösterildiği gibi Ortalama Kayma arama çekirdeği penceresinin içerebileceği gerçek hareketli hedefin noktalarını analiz etmek için hareketli hedefin ikili görüntüsünü kullanır. 7 gösterilmektedir.
Şekil 7'deki ikili görüntünün özellik noktalarının sayısına göre, orijinal Ortalama Kayma sabit çekirdekli pencere izleme algoritması ve kenar adaptasyonuna dayalı yeni önerilen Ortalama Kayma hedef izleme yöntemi, arama hata oranı , arama doğruluk oranı ve hedef bilgi bütünlüğü için analiz edilir. . Arama hata oranı, aranan arka plan özelliği noktalarının Ortalama Kayma arama işleminde aranan toplam özellik noktalarına oranını temsil eder; arama doğruluk oranı, Ortalama Kayma arama işleminde aranan hedef özellik noktalarının aranan toplam özellik noktalarına oranını temsil eder; Arama hedef bilgisinin tamlığı, aranan hedef özellik noktalarının toplam hedef özellik noktalarına oranını gösterir. Arama doğruluğu ve arama hedef bilgisinin tamlığı birlikte hedefin izleme doğruluğunu karakterize eder Hedef bilgi ne kadar eksiksiz olursa, hedef o kadar doğru olur. Arama doğruluğu ne kadar yüksekse, hedef özelliklerinin izlenmesi o kadar yüksek olur.
İşlenen görüntünün çözünürlüğü 800 × 600 ve 480000 pikseldir. İkili görüntü özelliği noktalarında, toplam hedef özellik noktalarının M olmasına ve Ortalama Kayma arama penceresinin N piksel içermesine izin verin (burada N1 hedef özellik pikselleri ve N2 arka plan özelliği pikselleri vardır). O zaman arama hata oranı :
Tablo 1'deki deneysel verileri sayın ve aşağıdakileri elde etmek için verileri analiz edin:
(1) Orijinal Ortalama Kayma sabit arama penceresi algoritması,% 20.079 özellik hata oranına sahipken, makalede önerilen yeni yöntem, Sabit Ortalama Kayma sabitinden biraz daha fazla arka plan hata özelliği noktası içermesine rağmen, arama çekirdek penceresini otomatik olarak ayarlayabilir. Çekirdek pencere algoritması, ancak çok sayıda hareketli hedef özelliği içeriyor, özellik hata oranı sadece% 5.718, böylece arama doğruluk oranı% 94.282'ye ulaşıyor;
(2) Ortalama Kayma algoritmasının sabit arama penceresi, hareketli hedef özellik bilgi noktalarının yalnızca% 22.494'ünü içerirken, metindeki algoritma hedef bilginin% 97.714'ü kadar yüksektir, bu da hedefi izleme doğruluğunu büyük ölçüde artırır.
4. Sonuç
Bu yazıda, kenar adaptasyonuna dayalı bir Ortalama Kayma hedef izleme yöntemi önerilmiştir.Amaç Kayma arama çekirdek pencere boyutunun hedefin şekline göre otomatik olarak ayarlanmasını sağlamaktır.Hedef ikili görüntünün kenar bilgilerini kullanarak, merkezini bulun. Hedefi zorlamak için kelepçeyi çıkarmak için daireyi kademeli olarak daraltarak ve ardından en uygun Ortalama Kayma arama çekirdek penceresini bulun. Deneysel sonuçlar, bu yöntemin Ortalama Kayma arama çekirdek penceresinin büyük miktarda tam hareketli hedef özelliği bilgisi içermesini sağlayabileceğini, arama hata oranını azaltabileceğini, arama doğruluğunu iyileştirebileceğini ve hareketli hedefi doğru bir şekilde izleyebileceğini göstermektedir. Bu yöntem, hareket eden hedefi çok doğru bir şekilde takip edebilmesine rağmen, hareketli hedefi çevreleyen diğer benzer hareketli nesneler olduğunda, hedef alandaki ikili görüntüyü çözmek zorlaşır, bu da arama çekirdeği penceresinin merkezini ve boyutunu etkileyecektir. İleride çözülecek sorunlar incelenecektir.
Referanslar
Zhou Fangfang, Fan Xiaoping, Ye Zhen Ortalama eşdeğer algoritmanın araştırılması ve uygulanması Kontrol ve Karar, 2007, 22 (8): 841-847.
FUKUNAGA K, HOSTETLER L. Örüntü Tanıma uygulamalarıyla bir yoğunluk fonksiyonunun gradyanının tahmini.IEEE İşlemleri Bilgi Teorisi, 1975, 21 (1): 32-40.
CHENG Y Z. Ortalama Değişim, mod arama ve kümeleme Örüntü Analizi ve Makine Zekası üzerine IEEE İşlemleri, 1995, 17 (8): 790-799.
Tian Gang.Çok Özellikli Füzyona Dayalı Ortalama Vardiya Hedef Takibi Hesaplaması Araştırması Wuhan: Wuhan Üniversitesi, 2011.
COLLLINS R T. Ölçek uzayında ortalama kaydırma blob takibi. In: Bilgisayarla Görü ve Örüntü Tanıma Üzerine IEEE Konf. (CVPR03), 2003: 234-240.
COMANICIU D, RAMESH V, MEER P. Kernel Tabanlı nesne izleme IEEE Trans. On Pattern Analysis and Machine Intelligence, 2003, 25 (5): 564-575.
Xuan Guorong, Chai Peiqi. Bhattacharyya mesafesine dayalı özellik seçimi. Örüntü tanıma ve yapay zeka, 1996, 9 (4): 324-329.
Peng Ningsong, Yang Jie, Liu Zhi, vb Ortalama Kaydırma izleme algoritmasında çekirdek işlevi pencere genişliğinin otomatik seçimi Journal of Software, 2005, 16 (9): 1542-1550.
Qin Jian. Video Dizilerinde Hareketli Hedef Tespiti ve İzleme Araştırması. Chongqing: Chongqing Üniversitesi, 2008.
Li Jianfeng, Huang Zengxi, Liu Yiguang. Optik akış tahminine dayalı Uyarlamalı Ortalama Kaydırma hedef izleme algoritması Optoelektronik Lazer, 2013, 23 (10): 1996-2002.
Yang Zhiju, Liu Baohua. Değişken boyutlu hızlı hareket eden hedefler için Ortalama Değişimine dayalı uyarlamalı izleme algoritması. Journal of Terahertz Science and Electronic Information, 2015, 13 (2): 240-244.
Liu Miao, Huang Chaobing. Çok özellikli uyarlanabilir füzyona dayalı Mean Shift hedef izleme yöntemi Modern Bilgisayar (Professional Edition), 2016 (4): 68-72.
