基于MeanShift的相似性变换和仿射变换目标跟踪算法
《2024年基于MeanShift的运动目标跟踪算法研究》范文
《基于Mean Shift的运动目标跟踪算法研究》篇一一、引言运动目标跟踪作为计算机视觉领域的一项重要任务，被广泛应用于视频监控、智能交通、人机交互等众多领域。
在众多的跟踪算法中，Mean Shift算法因其简单、实时性以及在复杂背景下对目标进行有效跟踪的能力，成为了研究的热点。
本文旨在深入探讨基于Mean Shift的运动目标跟踪算法，并对其性能进行分析与评价。
二、Mean Shift算法概述Mean Shift算法是一种基于核密度估计的迭代算法，通过计算当前帧中目标区域的均值偏移向量，将目标模型与当前帧中的候选区域进行匹配，从而实现目标的跟踪。
该算法具有计算简单、实时性高、对光照变化和部分遮挡具有一定的鲁棒性等优点。
三、Mean Shift算法的原理与步骤Mean Shift算法的原理在于通过迭代计算均值偏移向量，使目标模型与当前帧中的候选区域之间的差异最小化，从而达到跟踪的目的。
其具体步骤如下：1. 初始化：选择视频中的某一帧作为参考帧，并从中提取出目标区域的特征。
这些特征可以是颜色直方图、形状特征等。
2. 匹配：在后续的每一帧中，通过计算目标区域与候选区域的相似度，找出最匹配的候选区域作为当前帧的目标位置。
3. 迭代更新：利用Mean Shift算法计算均值偏移向量，对目标位置进行迭代更新，直至满足收敛条件或达到最大迭代次数。
4. 输出：将更新后的目标位置输出，作为下一帧的参考点，继续进行跟踪。
四、基于Mean Shift的运动目标跟踪算法研究基于Mean Shift的运动目标跟踪算法在应用中表现出了一定的优势，但也存在一些挑战和问题。
例如，在复杂背景下如何准确提取目标特征、如何处理目标遮挡和形变等问题。
针对这些问题，本文进行了如下研究：1. 特征提取：针对不同场景和目标，选择合适的特征提取方法，如颜色直方图、纹理特征等，以提高目标与背景的区分度。
2. 模型更新：为了适应目标的形变和光照变化等问题，需要对目标模型进行实时更新。
基于meanshift的目标跟踪算法——完整版
基于Mean Shift的目标跟踪算法研究指导教师：摘要：该文把Itti视觉注意力模型融入到Mean Shift跟踪方法，提出了一种基于视觉显著图的Mean Shift跟踪方法。
首先利用Itti视觉注意力模型，提取多种特征，得到显著图，在此基础上建立目标模型的直方图，然后运用Mean Shift方法进行跟踪。
实验证明，该方法可适用于复杂背景目标的跟踪，跟踪结果稳定。
关键词：显著图目标跟踪Mean ShiftMean Shift Tracking Based on Saliency MapAbstract：In this paper, an improved Mean Shift tracking algorithm based on saliency map is proposed. Firstly, Itti visual attention model is used to extract multiple features, then to generate a saliency map，The histogram of the target based on the saliency map, can have a better description of objectives, and then use Mean Shift algorithm to tracking. Experimental results show that improved Mean Shift algorithm is able to be applied in complex background to tracking target and tracking results are stability.1 引言Mean Shift方法采用核概率密度来描述目标的特征，然后利用Mean Shift搜寻目标位置。
基于MeanShift算法的车辆检测与跟踪研究
基于MeanShift算法的车辆检测与跟踪研究作者：何俊龙来源：《时代汽车》2020年第15期摘要：文章通过建立车辆正、负样本库，完成对车辆识别分类器的训练，并通过MeanShift跟踪算法完成对前方已识别车辆的稳定跟踪。
试验结果表明，该算法能够准确、稳定地对前方车辆进行跟踪，且实时性较高，可以为汽车主动安全系统提供可靠支持。
关键词：汽车安全 MeanShift算法车辆识别与跟踪1 引言在汽车智能化发展过程中，移动车辆的识别与跟踪一直以来都是最热门的研究内容之一。
金立生等人运用Adaboost算法对日间前方车辆的完成了准确且快速地检测[1]。
赵奇慧等人就深度学习运用于车辆跟踪的神经网络模型进行了详细的阐述，并对目前车辆检测中待解决的问题、未来待改进的方向进行了分析和讨论[2]。
本文所采用的MeanShift算法自Fukunage学者在1975年提出后，至今仍是业界内非常著名的跟踪算法，该方法在低速场景下对移动目标的跟踪具有非常良好的准确性及实时性。
2 前方车辆识别车辆识别分类器的训练过程主要通过调整参数对样本进行特征提取并计算，包括采集样本、创建Haar特征、设置及调整参数、计算虚警率（误差率）等。
检测流程最重要的步骤是对图像划定ROI并对其进行搜索，从而得到识别结果。
2.1 正、负样本正样本集为试验台中前方车辆尾部的图像，共1000张，负样本集为不含车辆的其他图像，共3000张。
2.2 Haar-like特征与积分图Haar-like特征是图像中的矩形特征，本文通过对车辆的尾部轮廓特征进行研究，从而实现对前方车辆的识别与跟踪。
积分图是一种加速特征计算的数学方法。
积分图中ii（x，y）的大小等于点（x，y）左上方区域所有像素值之和。
式中为点的像素值，为点的积分值。
2.3 分类器与级联分类器为降低分类器的误警率，在进行训练时，必须设置一个合理的特征阀值处理正、负样本并使每个弱分类器对应一个Haar-like特征。
《2024年基于MeanShift的运动目标跟踪算法研究》范文
《基于Mean Shift的运动目标跟踪算法研究》篇一一、引言随着计算机视觉技术的不断发展，运动目标跟踪作为计算机视觉领域的一个重要研究方向，已经得到了广泛的关注和应用。
Mean Shift算法作为一种经典的跟踪算法，在目标跟踪领域具有广泛的应用前景。
本文旨在研究基于Mean Shift的运动目标跟踪算法，分析其原理、优势及不足，并探讨其在实际应用中的优化策略。
二、Mean Shift算法原理Mean Shift算法是一种基于概率密度的迭代算法，其基本思想是通过不断移动目标的质心位置，使得目标模型与场景模型之间的概率密度差异最小化，从而实现目标的跟踪。
具体而言，Mean Shift算法首先通过计算目标模型的颜色直方图和场景中每个像素的颜色直方图之间的相似度，确定目标在场景中的位置。
然后，根据当前位置附近的像素点进行加权平均，得到一个新的位置作为下一次迭代的起点。
通过多次迭代，最终得到目标在场景中的准确位置。
三、基于Mean Shift的运动目标跟踪算法基于Mean Shift的运动目标跟踪算法主要利用Mean Shift算法的原理，通过在视频序列中不断更新目标的位置和大小，实现对运动目标的跟踪。
具体而言，该算法首先在视频序列中选取一个初始的目标区域，并计算该区域的颜色直方图作为目标模型。
然后，在后续的视频帧中，通过计算每个像素点与目标模型之间的相似度，确定目标在当前帧中的位置。
接着，根据目标的形状和大小对目标区域进行适当的缩放和调整，得到更加准确的跟踪结果。
最后，将当前帧的目标位置作为下一次迭代的起点，继续进行跟踪。
四、算法优势及不足基于Mean Shift的运动目标跟踪算法具有以下优势：1. 算法简单易懂，实现起来较为容易；2. 适用于多种类型的运动目标，具有较强的通用性；3. 可以实现对目标的实时跟踪，具有较高的实时性。
然而，该算法也存在一些不足之处：1. 对目标的形状和大小变化较为敏感，当目标发生形状或大小变化时，可能会导致跟踪失败；2. 当目标周围存在与目标颜色相似的干扰物时，可能会产生误判或丢失目标；3. 对于复杂的场景和动态的背景环境，该算法的鲁棒性有待提高。
《2024年度基于MeanShift的运动目标跟踪算法研究》范文
《基于Mean Shift的运动目标跟踪算法研究》篇一一、引言运动目标跟踪是计算机视觉领域中一个重要的研究方向，它涉及到图像处理、模式识别、人工智能等多个领域的知识。
随着计算机视觉技术的不断发展，运动目标跟踪算法在智能监控、智能交通、人机交互等领域得到了广泛的应用。
Mean Shift算法作为一种有效的跟踪算法，在处理复杂背景下的运动目标跟踪问题中具有很好的性能。
本文旨在研究基于Mean Shift的运动目标跟踪算法，分析其原理、优势及不足，并提出改进措施。
二、Mean Shift算法原理Mean Shift算法是一种基于概率密度的迭代优化算法，其基本思想是通过计算目标模型与候选模型的相似度来定位目标的位置。
在运动目标跟踪中，Mean Shift算法首先提取出目标区域的特征，然后根据特征计算出一个均值漂移向量，从而得到一个新的目标位置。
迭代多次后，目标的位置会逐渐逼近其真实位置。
三、Mean Shift算法的优势Mean Shift算法在运动目标跟踪中具有以下优势：1. 实时性：Mean Shift算法的运算速度较快，能够实时地更新目标的位置。
2. 鲁棒性：Mean Shift算法对光照变化、部分遮挡等干扰因素具有较强的鲁棒性，能够在复杂背景下准确地跟踪目标。
3. 简单性：Mean Shift算法的实现过程相对简单，易于编程实现。
四、Mean Shift算法的不足及改进措施尽管Mean Shift算法在运动目标跟踪中具有诸多优势，但仍存在一些不足。
例如，当目标发生剧烈运动或被完全遮挡时，算法的跟踪效果可能会受到影响。
针对这些问题，可以采取以下改进措施：1. 引入多特征融合：通过融合多种特征（如颜色、纹理等），提高算法对不同场景的适应性。
2. 引入卡尔曼滤波：利用卡尔曼滤波对目标的位置进行预测和更新，提高算法的鲁棒性。
3. 结合其他算法：将Mean Shift算法与其他跟踪算法（如光流法、支持向量机等）相结合，形成混合跟踪算法，以提高算法的准确性。
基于MeanShift的目标跟踪算法精编
一、绪论（一）课题研究背景及意义视觉系统是人类获取外界信息的最主要途径，但是人类的精力、视野等会受到环境很大的限制，人类自身的视觉系统已经不能满足人类的需求。
随着计算机技术的快速发展，利用计算机处理视觉信息、弥补人类视觉缺憾受到越来越广泛的关注，计算机视觉研究应运而生。
计算机视觉是融合了图形图像处理、计算机、模式识别、人工智能、数学、物理学、计算机图形学等众多学科的交叉性学科。
计算机视觉主要用来对环境中的物体的几何信息——物体的位置、形状、运动等，进行感知、描述、存储和理解。
运动目标跟踪技术在当今社会发挥着越来越显著的作用。
在生活领域，运动目标跟踪可以帮助人类及时、准确地处理异常情况；在军事领域，运动目标跟踪可以提高攻击的准确度，从而提高军事作战能力。
总之，目标跟踪技术的日益成熟对人类社会生活的日益发展有着不可或缺的作用，人类对目标跟踪技术的发展与研究也越来越关注。
（二）国内外研究现状目标跟踪逐渐受到人们的关注与计算机技术的发展是密不可分的。
上世纪80年代之前，由于计算机技术发展不成熟，使得计算机对图形图像的处理和分析主要以静态的为主，而对于动态图形图像的分析、处理、跟踪则带有很强的静态图形图像分析的特点。
动态图形图像序列的分析研究进入一个崭新的阶段则是在光流法被提出之后。
一直到二十世纪90年代中期，光流法一直是人们研究的热点，但由于光流法所需的运算量太大，不能很好地达到实时性的要求，同时，光流法采用假设，这就造成了光流法的局限性，使得光流法对噪声很敏感，很容易产生错误的结果。
在二十世纪80年代后期又相继出现了其他的跟踪算法，主要有Micheal Isare 和Andrew Black 在1998年提出的Condensation算法[1]，这是第一次在视频序列目标跟踪中应用粒子滤波的思想；Comaniciu等在2003年提出的Mean Shift 跟踪框架，这种算法计算复杂程度低，理论较严谨，对目标的遮挡、尺寸的变化、外表的变化具有一定的自适应能力。
《2024年基于MeanShift的运动目标跟踪算法研究》范文
《基于Mean Shift的运动目标跟踪算法研究》篇一一、引言随着计算机视觉技术的快速发展，运动目标跟踪作为计算机视觉领域的一个重要研究方向，已经得到了广泛的应用。
Mean Shift算法作为一种有效的跟踪算法，其优点在于对光照变化、目标部分遮挡等情况具有较强的鲁棒性。
本文将详细研究基于Mean Shift的运动目标跟踪算法，探讨其原理、应用及优缺点。
二、Mean Shift算法原理Mean Shift算法是一种基于概率密度的迭代优化算法，其基本思想是通过迭代计算目标模型在特征空间中的均值偏移向量，将目标模型逐渐移动到最匹配的图像位置。
具体来说，Mean Shift 算法通过计算每个像素的权重和位移向量，得到目标区域的中心位置和运动轨迹，从而实现对目标的跟踪。
三、运动目标跟踪算法基于Mean Shift的运动目标跟踪算法主要包含以下几个步骤：初始化目标区域、建立目标模型、寻找最优匹配位置、更新目标区域和输出结果。
首先，需要在初始帧中手动或自动选取目标区域，并提取该区域的特征信息。
然后，根据这些特征信息建立目标模型，用于后续的匹配和跟踪。
在后续帧中，通过计算每个像素的权重和位移向量，寻找与目标模型最匹配的位置，从而实现对目标的跟踪。
当目标发生运动时，根据其运动轨迹更新目标区域，并继续进行下一帧的跟踪。
四、算法应用基于Mean Shift的运动目标跟踪算法广泛应用于智能监控、智能交通、人机交互等领域。
在智能监控中，可以实现对特定人员的实时追踪和监控；在智能交通中，可以实现对车辆的追踪和识别；在人机关互中，则可实现对人机交互中人物的追踪和识别等。
这些应用都充分体现了Mean Shift算法在运动目标跟踪中的优势。
五、算法优缺点分析优点：1. 简单高效：Mean Shift算法具有较高的跟踪效率，能快速实现对目标的跟踪。
2. 鲁棒性强：Mean Shift算法对光照变化、部分遮挡等干扰因素具有较强的鲁棒性。
《2024年基于MeanShift的运动目标跟踪算法研究》范文
《基于Mean Shift的运动目标跟踪算法研究》篇一一、引言随着计算机视觉技术的不断发展，运动目标跟踪已成为计算机视觉领域的研究热点。
Mean Shift算法作为一种经典的跟踪算法，因其简单、高效和实时性强的特点，在运动目标跟踪领域得到了广泛的应用。
本文旨在研究基于Mean Shift的运动目标跟踪算法，分析其原理、优势及不足，并探讨其在实际应用中的改进方法和优化策略。
二、Mean Shift算法原理Mean Shift算法是一种基于密度的模式识别方法，通过计算特征空间中每个点的概率密度分布来确定搜索目标的位置。
在运动目标跟踪中，Mean Shift算法将当前帧中的目标位置作为基准点，根据下一帧中相似性的度量和统计决策进行跟踪。
其基本思想是将所有样本点通过加权的方式转移到高密度区域，以逐步逼近目标的真实位置。
三、Mean Shift算法的优势1. 实时性：Mean Shift算法通过迭代的方式逼近目标位置，算法实现简单且速度快，可实现实时跟踪。
2. 稳定性：该算法对于目标的非刚性和轻微变形具有良好的鲁棒性，能在目标形态发生变化时仍能准确跟踪。
3. 高效性：在特征空间中，Mean Shift算法通过计算概率密度分布来寻找目标位置，因此具有较高的效率。
四、Mean Shift算法的不足及改进方法1. 不足：Mean Shift算法对初始位置敏感，容易陷入局部最优解；当目标被遮挡或发生快速移动时，容易出现跟踪丢失的情况。
2. 改进方法：针对Mean Shift算法的不足，可以采取以下改进方法：（1）多特征融合：将多种特征信息（如颜色、形状、纹理等）融合在一起进行跟踪，以提高算法的鲁棒性和准确性。
（2）改进匹配准则：针对Mean Shift算法中可能出现的局部最优解问题，可以通过改进匹配准则，例如采用全局优化方法或者自适应阈值法来减小误判率。
（3）联合使用其他算法：可以与其他算法（如光流法、机器学习算法等）联合使用，互相取长补短，提高算法的稳定性和跟踪效果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第16卷 第2期2011年2月中国图象图形学报Journa l o f I m age and G raphicsV o.l 16,N o .2Feb .,2011中图法分类号:TP391.41 文献标志码:A 文章编号:1006-8961(2011)02-0258-09论文索引信息:李培华,肖莉娟.基于M ean Sh ift 的相似性变换和仿射变换目标跟踪算法[J].中国图象图形学报,2011,16(2):258-266收稿日期:2009-04-01;修回日期:2009-10-16基金项目:国家自然科学基金项目(60673110,60973080);教育部科学技术研究重点项目(210063);黑龙江省新世纪优秀人才计划项目(1153-NCET -002);黑龙江大学高层次人才(创新团队)支持计划(H dtd 2010-07)。
第一作者简介:李培华(1971) ),男,教授,博士。
主要研究方向是图像处理和模式识别。
E-m ai:l peihu aliji a@vi p.s i na .co m 。
基于M ean Shift 的相似性变换和仿射变换目标跟踪算法李培华,肖莉娟(黑龙江大学计算机科学技术学院,哈尔滨 150080)摘 要:传统的M ean Shift (M S)算法只能对发生平移和尺度变化的目标进行跟踪,而对于具有相似性变换或者更复杂的仿射变换的目标跟踪效果很不理想或无法跟踪。
为了解决这一问题,提出了两种基于M S 的改进算法。
第一种算法针对仿射变换,根据奇异值分解理论,仿射变换矩阵可以分解成两个旋转矩阵和一个对角矩阵的乘积,在此基础上建模了一种新的候选目标模型。
通过Bhattacharyya 系数将目标跟踪问题转化成以仿射变换参数为变量的最优化问题,推导相关参量的一阶偏导数并令其为零从而得出相对于仿射变换的M S 算法。
另外,针对进行相似性变换的目标也提出了一种新的候选目标模型,并用类似的梯度下降算法估计目标的平移向量和旋转角度。
实验结果表明,提出的算法能够跟踪具有相似性变换或仿射变换的目标,比传统的M S 算法具有更好的跟踪性能。
关键词:目标跟踪;M ean Shift 算法;仿射变换;相似性变换M ean Shift based object tracki ng w ith sim il arity and affi ne transformati onsL iPeihua ,X iao Lij u an(C olle g e of Co m pu ter S cie n ce and Tec hn ology,H eilongjiang Un i versit y,H arbin 150080China )Abstrac t :T rad i tiona lM ean Sh ift (M S)a l go rith m can only foll ow objects w it h translation and sca le chang e ,and fa ils t ohandle ob jects w it h si m il ar ity transforma ti on o r comp l ex a ffi ne transfo r m ati on .T o address this prob l em ,t he paper presents t wo i m proved a l gor it hm s .T he first one f ocuses on t he affi ne m otion .A ccordi ng to the t heory o f S i ngu l a r V a l ue D eco m po siti on ,the affi ne m atr i x can be fac t o red i nto product of t wo rota tion m a tri x es and one diagonal m atri x ,based on wh ich a ne w candida te mode l i s proposed .W ith Bha ttacharyya coe ffi c ient as a si m ilarity f unc tion ,the ob ject track i ng i s for m ulated as an opti m izati on prob le m,and t he co rrespondi ng M S algor it h m can be der i ved by ca lculati ng the first der i vati v e o f the si m ilar i ty functi on w ith respect to affi ne param eters and setti ng the m to be zero .F urt her m ore ,a new cand i date m ode l is proposed that hand l es si m ilar it y transfor m ation ,and t he co rresponding M S algorith m can be obta i ned tha t esti m ates the translati on vecto r and ro tati on ang le .Exper i m enta l resu lts show tha t ,the proposed algorith m s can track ob j ec ts w ith si m il a rity or a ffi ne tranfor m ati ons ,and have be tter tracking perfor m ance t han the trad iti onal one .K eywords :O bject tracking ;M ean Sh ift a l go rith m;affi ne transf o r m ati on ;s i m il ar ity transfo r ma ti on0 引 言基于颜色信息的目标跟踪方法在视频监控、智能人机交互、图像和视频编码以及智能机器人等许多研究领域中具有广泛地应用。
在众多的颜色跟踪方法中,基于M ean Sh ift (M S)的目标跟踪算法由于具有实时性、鲁棒性和易于实现等优点,近年来吸引第2期李培华等:基于M ean Sh ift的相似性变换和仿射变换目标跟踪算法259了越来越多学者的研究兴趣[1-13]。
Co m an iciu等人将M S算法成功地应用于目标跟踪领域[1-2],他们提出用非参量的概率密度建模目标的颜色分布,用目标模型和候选目标模型之间的Bhattachar yya系数作为代价函数来度量概率密度的相似程度。
通过令代价函数的梯度向量为零从而得到M S向量,M S向量一般能够在很少的几步迭代后收敛到代价函数的极值点,即目标的真实位置。
Co m an iciu等人的这一开创性的工作吸引了广泛的关注。
在这一算法的基础上,众多新颖的改进算法不断涌现[3-13]。
这些算法或者致力于改善跟踪性能(跟踪准确性或鲁棒性)[3,6-7],或者着重解决自适应核宽变化问题[10]、多目标跟踪或关节目标跟踪问题[8-9],或者研究具有复杂运动或形状的目标跟踪问题[12-13]。
传统M S算法是一种梯度下降算法,容易收敛到代价函数的局部极值点,为此Shen等提出了一种退火M S算法[3],顺序地减少带宽并进行M S迭代从而寻找代价函数的全局极值点。
Zhao等人提出用EarthM over.s D istance(E MD)度量目标模型和候选模型之间的相似程度并推导出相应的M S算法[4],以解决Bhattacharyya系数对由于光照变化引起的颜色模型变化敏感的问题。
H an等人提出一种序列核密度近似的方法[5],在线地估计并更新目标模型中的高斯核的均值向量和协方差矩阵。
李培华提出了一种改进M S算法提高目标跟踪性能[6];同时还提出了用聚类的方法自适应地剖分目标颜色空间,建立新的目标模型[7]。
Park等人将MS算法和置信传播结合起来[8],用来进行多目标跟踪和关节人体跟踪。
Fan等人通过子空间约束的方式使多个M S跟踪器互相协作[9],从而能够跟踪关节目标或变形目标。
Co llins 等人将L i n deberg尺度的空间理论和MS算法相结合[10],以解决传统的M S算法不能自适应变化核函数带宽的缺陷。
在E lga mm a l等人提出的联合的特征-空间概率密度的工作基础上[11],Zhang等人将旋转信息引入到模型中并用L2范数来度量概率函数的相似性[12],该算法能够跟踪旋转目标,但是跟踪速度很慢,无法适应实时跟踪需要。
Y il m az引入了一种改进的Leve l Set函数作为一种非对称的核函数[13],该方法能够跟踪具有复杂形状的目标。
当目标进行复杂的运动从而发生显著的姿态变化,将目标建模为直立椭圆的M S算法[1-7,9-11],跟踪效果很不理想甚至跟踪失败。
本文的工作建立在C o m anic i u等人的工作[1-2]基础上,旨在解决具有复杂运动的目标实时跟踪问题。
将目标的仿射运动模型引入到核函数中,将目标的跟踪问题转化为仿射参量优化问题,通过代价函数的一阶偏导数为零推导出相应的MS算法,该算法能够跟踪具有仿射变化的目标。
另外,对于能够用相似性变换描述的目标运动,即当目标仅具有平移、旋转运动和x,y方向相同的尺度变化时,我们用类似的方法得到了相应的MS跟踪算法。
1基于M S算法的仿射运动目标跟踪假设目标区域用宽和高分别为2h x和2h y,中心位于坐标原点的矩形表示,该目标区域像素总数为n,将颜色空间分成m个直方图区间,则目标模型可以表示为对于进行一般仿射变换的目标,其变换前后目标的位置坐标可以描述成如下矩阵形式:x c iy c i1=a11a12xa21a22y001x iy i1式中(x c i,y c i)是仿射变换后的坐标,z=(x,y)是平移向量,上式用分块矩阵写成:X c=H A X=A Z T0T1X(2)由矩阵奇异值分解理论[14]知:正定矩阵A可以分解为A=U D V T(3)式中D=diag{1/K1,1/K2}为对角阵,1/K1,1/K2为矩阵A的正奇异值,U为标准正交矩阵,可写成旋转矩阵形式[15]260中国图象图形学报www.cji 第16卷第2期李培华等:基于M ean Sh ift的相似性变换和仿射变换目标跟踪算法261262中国图象图形学报www.cji 第16卷第2期李培华等:基于M ean Sh ift的相似性变换和仿射变换目标跟踪算法263第1帧中用手工完成的,实验中E z=0.5像素,E H= E<=E U=0101弧度。