提出一种多特征融合和带宽自适应均值偏移跟踪算法。基于M-估计器建立位置和带宽关于完整参数型带宽矩阵的迭代更新公式。分析权值图像的本质，基于灰度和局部标准差建立融合权值图像。通过先前目标模板模型和确定的目标模型的平均值生成当前目标模板模型。在位置向量的迭代公式中，采用扩大的带宽矩阵，确保定位精度。为防止由于背景杂波导致带宽膨胀或者由于目标自我相似导致带宽收缩，引入规范准则。跟踪的视觉结果和评估尺度表明，提出的跟踪算法相比于另外三种尺度自适应均值偏跟踪算法，具有最好的性能。

针对灰度图像目标色彩信息贫乏从而易陷于局部相似, 致使跟踪点发生漂移导致跟踪失败的问题, 构建了一种基于均值偏移的改进算法, 在直方图模式中加入了目标对比度均值差分、平均梯度强度及局部灰度概率等特征, 增加了目标特征维数, 对目标进行精细刻画。并结合粒子滤波, 有效提高灰度成像目标的跟踪稳定性和精确定位问题。试验结果表明, 这种方法能够在较复杂背景下及目标快速运动时对锁定目标进行有效的跟踪定位, 跟踪误差小, 鲁棒性较强。

为了能够对红外目标实现稳健跟踪,提出一种特征融合算法,将目标的LBP纹理特征和灰度特征空间融合,构造了由基于区域置信度及空间距离加权的LBP特征直方图,以及灰度加权直方图联合表示的目标模型。以均值偏移算法为跟踪框架,在当前帧中迭代搜索目标位置。实验证明该方法对于目标和背景灰度相似以及目标被部分遮挡时的跟踪是有效和稳健的。

以视频目标跟踪中粒子滤波的粒子采样优化设计为研究内容,提出一种自适应分层采样辅助粒子滤波算法,以实现保证跟踪准确度和兼顾跟踪鲁棒性的要求.以Bhattacharyya系数为参量设计了粒子数调节函数,能够根据跟踪质量在粒子集中自适应分配用于保证准确度的粒子数和维持鲁棒性的粒子数.以最小二乘法对目标运动的预测点作为产生新粒子集的均值偏移操作起点,使新粒子集更准确的描述目标似然分布并提高算法效率.不同场景下的跟踪实验表明,算法能很好的应用于遮挡和运动方向渐变等情况下的跟踪,处理时间满足实时性要求.

为了在摄像机平台不稳的情况下获取稳定的图像序列,实现基于电子稳像的目标跟踪,对摄像机主动扫描运动与随机抖动分离方法进行了研究,提出了用均值偏移和粒子滤波结合的运动滤波算法(MSPF)来实现运动分离。算法通过粒子滤波预测粒子,然后利用单次均值偏移迭代移动粒子,使粒子更接近于目标真实位置区域,削弱了计算结果精度对粒子数的依赖。对于现实中的复杂背景,利用MSPF算法分离摄像机的主动扫描运动和随机抖动,采用运动补偿图像差分法检测出运动目标,从而实现图像的稳定跟踪。实验结果表明,MSPF算法使用50%的粒子就能起到传统粒子滤波算法同样的效果,缩短了计算时间,有利于实现实时稳像跟踪,适用于车载、船载、机载等稳定跟踪系统中。

提出了一种融合激光雷达和单目摄像机的草丛中障碍物检测方法。首先由三维激光雷达测得一系列作为训练样本的距离数据，统计障碍物与杂草的形状特征参数，并利用期望最大(Expectation Maximization)算法求得高斯混合模型(Gaussian Mixture Model)来表征该特征值分布情况。利用该高斯混合模型可以从待测场景提取出候选障碍物区域。同时，采用均值偏移算法对场景的彩色图像进行分割，获得场景的区域信息。借助激光雷达和摄像机联合标定的结果，将激光雷达获得的候选障碍物区域投影至分割后的彩色图像，并进行融合获得最终障碍物判别结果。实验表明该方法能有效地检测出草丛中的障碍物，并具有较高的精度和较低的虚警率。

Roughly, visual tracking algorithms can be divided into two main classes: deterministic tracking and stochastic tracking. Mean shift and particle filter are their typical representatives, respectively. Recently, a hybrid tracker, seamlessly integrating the respective advantages of mean shift and particle filter (MSPF) has achieved impressive success in robust tracking. The pivot of MSPF is to sample fewer particles using particle filter and then those particles are shifted to their respective local maximum of target searching space by mean shift. MSPF not only can greatly reduce the number of particles that particle filter required, but can remedy the deficiency of mean shift. Unfortunately, due to its inherent principle, MSPF is restricted to those applications with little changes of the target model. To make MSPF more flexible and robust, an adaptive target model is extended to MSPF in this paper. Experimental results show that MSPF with target model updating can robustly track the target through the whole sequences regardless of the change of target model.