全文总字数：2630字

1. 研究目的与意义及国内外研究现状

mean-shift算法属于核密度估计法，它不需要任何先验知识而完全依靠特征空间中样本点的计算其密度函数值。它找到了颜色直方图或者模型的核密度与目标之间的相似测量的局部最小值，从而能进行图像的目标追踪或者空间特征的提取以及图像的分割。由于mean-shift算法的简单易行和稳固性，目前被广泛用于跟各方面的目标追踪。研究这个项目可以为以后的更深层次的研究打下基础，同时更好的跟进目前研究的时代，在以后的目标跟踪领域有着更好的发现。

国内外研究现状

mean-shift最初是由fukunaga和hostetler于1975年提出，当时命名为“valley-seeking procedure”，其核心思想是利用核函数对窗口中的点进行加权平均，得到新的窗口位置，然后迭代进行加权平均直至收敛。此后，也有许多的学者对mean-shift算法做了深入研究，并提出了许多的改进算法，使分割的抗干扰能力更强，稳定性更高。特别是1995年，cheng对mean-shift理论进行的完善，定义了核函数，针对样本点的不同偏移位置，应用了不同的统计特性，并且提出了权值系数，使得不同样本点的权值也不同，极大的增强了运动目标跟踪的时效性和准确性。

进入21世纪，doucet a，gordonn，godsll sj，maskells等学者又将粒子滤波方面的研究成果加入到目标追踪领域中，粒子滤波可以解决非线性，非高斯封面不得情况。但粒子滤波依旧有很多方面需要改进，针对粒子滤波的目标追踪算法受到了相关领域研究者的广泛关注。

基于mean-shift的目标分割算法，是采用快速高斯变换，将计算的复杂度降低到线性次序，搜索目标图像和模型图像之间的相似性，然后利用mean-shift搜索目标位置。这种方法具有很高的稳定性，能够在一定程度上适用目标的形状，大小的连续变化。

2. 研究的基本内容

mean-shift算法广泛被使用的相似方法是Bhattacharyya系数或Kullback-Leibler发散。实际上，这些方法存在三个难处。首先，当使用颜色直方图时，排除了应用更加精致的动作模型，这些空间信息就丢失了。第二，经典的相似度方法没有那么的具有判别力。第三，基于样本的经典的相似测度方法需要样本数据的二次方的计算，使得实时性能变得困难。本次研究内容为使用一种的新的相似测量方法来解决这些问题。这种新的相似测量方法使mean-shift算法以一种完善的方法去追踪更加一般的动作模型。我们使用了最近提出的改善的快速高斯变换，来将计算的复杂度降低到线性次序。并且我们将在一些图像序列上测试这个算法并且展示所获得的结果。

3. 实施方案、进度安排及预期效果

2018.10-2018.12

初步掌握mean-shift算法的理论知识和追踪的理论知识，确定论文的研究方向。

2018.12-2019.1

4. 参考文献

1. P. Indyk. Nearest neighbors inhigh-dimensional spaces. In J. E. Goodman and J. ORourke editors Handbook ofDiscrete and Computational Geometry chapter 39. CRC Press 2rd edition 2004. 2. M. Isard and A. Blake. Contour tracking by stochastic propagation ofconditional density. In Proc. European Conf. Computer Vision pages 343-356Cambridge UK 1996. 3. D. Jacobs D. Weinshall and Y. Gdalyahu. Class representation and imageretrieval with non-metric distances. IEEE Trans. Pattern Anal. Mach. Intell.22(6):583-600 2000. 4. B. Lucas and T. Kanade. An iterative image registration technique with anapplication to stereo vision. In Proceedings of the International JointConference on Artificial Intelligence pages 674-679 1981. 5. E. Parzen. On estimation of a probability density function and mode. Ann.Math. Stat. 33(3): 1065-1076 1962. 6. A. Rangarajan H. Chui and F. L. Bookstein. The softassign procrustesmatching algorithm. In Proc. of the 15th International Conference onInfonnation Processing in Medical Imaging pages 29-42. Springer-Verlag 1997. 7. C. Sminchisescu and B. Triggs. Kinematic jump processes for monocular 3Dhuman tracking. In Proc. IEEE Conf. Comp. Vision Pattern Recognition volume Ipages 69-76 Madison WI 2003.