基于高斯回归的目标跟踪算法研究
举例
标准线性模型（最小二乘法）
测试集数据的方差小于真实数据偏差，存在比较大 的估算误差。
举例
高斯过程回归模型 测试集数据的方差与真实数据方差有所接近，估算 误差有所减小，与上个方法相比，明显优化了方差与真 实值的误差。
总结
高斯过程回归能够应用于粒子滤波领域，对粒子滤 波过程进行指导。
高斯过程回归能够对改善粒子滤波过程中，粒子的 权重，使得训练后的粒子能够更准确的预测出目标的正 确位置。
高斯过程回归
由此可以计算出预测值 f*的后验分布为 f * | X，y，x* ∽ N(f * , cov(f * )) 其中f *和cov(f * )为
f *和cov(f x *对应预测值f*的均值和方差 * )即为测试点
高斯过程回归
2.训练 常用的协方差函数：
建立训练样本条件概率的负对数似然函数：
近期进展
1 姿态估计目标跟踪算法
2 高斯回归过程 3 举例 4 总结
姿态估计目标跟踪算法
generative methods(生成方法)
姿态估计目标跟踪算法：
discriminative methods(辨别方法) hybrid methods(区别方法)
目标的3 d姿势可以用来推断检测异常行为。 属于活动轮廓模型的一种，具有形式多样，结构 灵活，性能优越的特点。
高斯过程回归
基于贝叶斯理论和统计学习理论 高维数、非线性、回归问题 参数少、易实现、易收敛
高斯过程回归
1.预测
m( x) E[ f ( x)] k ( x, x' ) E[( f ( x) m( x))( f ( x' ) m( x' )]
对于回归问题 ，
y f（x）
几种改善图像特征的方法：
利用多特征融合来提升姿态估计的效果
图像中目标的轨迹线被用来作为特征
可以将空间结构的限制考虑进姿态估计中
姿态估计目标跟踪算法
3.hybrid methods(混合方法) R. Rosales and S. Sclaroff,“Combining generative and discriminative models in a framework for articulated pose estimation,” Int. J. Comput. Vis., vol. 67, no. 3, pp. 251–276, May 2006. 提出一种用辨别的映射函数来构建一个姿态的假设空间，通过 生成方法搜索假设空间来估计目标姿态。但是这种方法是基于单一 图像的姿态估计，因此无法对视频序列进行目标追踪。并且这种方 法是假设通过辨别模型生成的姿态假设空间是全部正确的，因此无 法处理辨别模型预测错误的情况。
姿态估计目标跟踪算法
1.generative methods(生成方法)
寻找与所观察到图像特点相匹配姿态的最佳解空间。在这种方 法中，要建立一个生成模型库来检测观察到的目标姿态与假设目标 姿态是否吻合。 采用粒子滤波来获取上一帧中的目标姿态信息，以及动力学模 型中的运动信息，来对下一帧目标的姿态进行估计。 这种方法能够应用在单摄像头中，也能够用在多摄像头同时对 同一物体进行拍摄的处理中。
姿态估计目标跟踪算法
2.discriminative methods(辨别方法)
通过监督学习的方法获得图像特征到状态参数的映射，使用训 练数据集来形成图像特征与姿态特征的直接映射。
要进行有效的姿态估计，图像特征必须简洁有特色。
使用度量学习的方法来舍弃与姿态估计不相关的特征
使用降维的方法使特征向量在姿态估计中更加简单
姿态估计目标跟踪算法
“A Gaussian Process Guided Particle Filter forTracking 3D Human Pose in Video” IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 22, NO. 11, NOVEMBER 2013 提出了一种混合辨别和生成的方法在单摄像机和多摄像机中追 踪人体的姿态。使用混合的高斯过程回归模型来生成辨别模型，这 一模型是通过对高斯过程回归模型在不同姿态空间的训练来生成。 高斯回归过程能够给出3D人体姿态的概率估计，它能够在追踪过 程中加入更多准确地预测而排出那些不确定的预测。 这是第一个将辨别模型的预测可靠性与生成模型结合来改善姿 态估计的方法。将高斯过程回归中的概率输出结果作为假设空间的 组成部分。在追踪过程中，将假设空间与从运动模型中获得的假设 空间相结合，之后使用训练过的粒子滤波来寻找最佳姿态。
高斯过程回归
负对数似然函数L（θ）关于超参数θ的偏导数形式为：
其中：
获得最优超参数后，利 用预测中的两个式子便 能得到 测试点x *对应的预测值 f*及其方差 f*
2
举例
以学生的单科成绩为样本，随机选出20%的学生作 为测试集。使用剩下 80% 学生的数据对回归模型进行训 练。
训练得到模型后，再用该训练集对这 20% 的测试集 学生该门成绩进行预测。因为这 20% 真实成绩已知， 一 方面可以得到均方误差 ，从而客观衡量回归效果。 另一 方面，还可以进一步直观的比较分析模型的预测效果。
2 ∽ N（0， n ）
y的先验分布为
2 y ∽ N（0，K（X，X） n I n）
观测值y与预测值f*的联合先验分布为
2 K（X，X） n In y ∽ N 0 , f K（X，x ） * *
Kቤተ መጻሕፍቲ ባይዱX，x *） k (x* , x* )
《2024年目标跟踪算法综述》范文
《目标跟踪算法综述》篇一一、引言目标跟踪是计算机视觉领域的重要研究方向之一，其应用广泛，包括视频监控、人机交互、自动驾驶等领域。
目标跟踪算法的主要任务是在视频序列中，对特定目标进行定位和跟踪。
本文旨在全面综述目标跟踪算法的研究现状、基本原理、技术方法以及发展趋势。
二、目标跟踪算法的基本原理目标跟踪算法的基本原理是通过提取目标特征，在视频序列中寻找与该特征相似的区域，从而实现目标的定位和跟踪。
根据特征提取的方式，目标跟踪算法可以分为基于特征的方法、基于模型的方法和基于深度学习的方法。
1. 基于特征的方法：该方法主要通过提取目标的颜色、形状、纹理等特征，利用这些特征在视频序列中进行匹配和跟踪。
其优点是计算复杂度低，实时性好，但容易受到光照、遮挡等因素的影响。
2. 基于模型的方法：该方法通过建立目标的模型，如形状模型、外观模型等，在视频序列中进行模型的匹配和更新。
其优点是能够处理部分遮挡和姿态变化等问题，但模型的建立和更新较为复杂。
3. 基于深度学习的方法：近年来，深度学习在目标跟踪领域取得了显著的成果。
该方法主要通过训练深度神经网络来提取目标的特征，并利用这些特征进行跟踪。
其优点是能够处理复杂的背景和目标变化，但需要大量的训练数据和计算资源。
三、目标跟踪算法的技术方法根据不同的应用场景和需求，目标跟踪算法可以采用不同的技术方法。
常见的技术方法包括基于滤波的方法、基于相关性的方法和基于孪生网络的方法等。
1. 基于滤波的方法：该方法主要通过设计滤波器来对目标的运动进行预测和跟踪。
常见的滤波方法包括卡尔曼滤波、光流法等。
2. 基于相关性的方法：该方法通过计算目标与周围区域的相关性来实现跟踪。
常见的相关性方法包括基于均值漂移的算法、基于最大熵的算法等。
3. 基于孪生网络的方法：近年来，基于孪生网络的跟踪算法在准确性和实时性方面取得了显著的进步。
该方法通过训练孪生网络来提取目标和背景的特征，并利用这些特征进行跟踪。
《2024年目标跟踪算法综述》范文
《目标跟踪算法综述》篇一一、引言目标跟踪作为计算机视觉领域中的一项关键技术，近年来在安防、无人驾驶、医疗影像处理等领域得到了广泛的应用。
其目的是通过一系列的图像处理和计算方法，实时准确地检测并跟踪特定目标。
本文将对当前主流的目标跟踪算法进行全面而详细的综述。
二、目标跟踪算法的发展历程早期的目标跟踪算法主要是基于滤波的跟踪算法，如均值漂移法等。
这些算法简单易行，但难以应对复杂多变的场景。
随着计算机技术的进步，基于特征匹配的跟踪算法逐渐兴起，如光流法、特征点匹配法等。
这些算法通过提取目标的特征信息，进行特征匹配以实现跟踪。
近年来，随着深度学习技术的发展，基于深度学习的目标跟踪算法成为了研究热点。
三、目标跟踪算法的主要分类与原理1. 基于滤波的跟踪算法：该类算法主要利用目标在连续帧之间的运动信息进行跟踪。
常见的算法如均值漂移法，通过计算当前帧与模板之间的差异来寻找目标位置。
2. 基于特征匹配的跟踪算法：该类算法通过提取目标的特征信息，在连续帧之间进行特征匹配以实现跟踪。
如光流法，根据相邻帧之间像素运动的光流信息来计算目标的运动轨迹。
3. 基于深度学习的跟踪算法：该类算法利用深度学习技术，通过大量的训练数据学习目标的特征信息，以实现准确的跟踪。
常见的算法如基于孪生网络的跟踪算法，通过学习目标与背景的差异来区分目标。
四、主流目标跟踪算法的优缺点分析1. 优点：基于深度学习的目标跟踪算法能够学习到目标的复杂特征信息，具有较高的准确性和鲁棒性。
同时，随着深度学习技术的发展，该类算法的跟踪性能不断提升。
2. 缺点：深度学习算法需要大量的训练数据和计算资源，且在实时性方面存在一定的挑战。
此外，当目标与背景相似度较高时，容易出现误跟或丢失的情况。
五、目标跟踪算法的应用领域及前景目标跟踪技术在安防、无人驾驶、医疗影像处理等领域具有广泛的应用前景。
例如，在安防领域，可以通过目标跟踪技术实现对可疑目标的实时监控；在无人驾驶领域，可以通过目标跟踪技术实现车辆的自主导航和避障；在医疗影像处理领域，可以通过目标跟踪技术实现对病灶的实时监测和诊断。
基于高斯尺度空间的末制导目标跟踪方法
兵 工 学 报
第 30 卷
新时机难以准确把握 。如果能够对目标放大的幅度 进行准确估计 ,并且对新的目标细节信息进行适当 的抑制 ,对目标的稳定跟踪是可以实现的 。针对上 述难点 ,本文基于高斯尺度空间理论提出了一种新 的模板刷新策略 , 并以平均绝对差分 ( MAD) 为基 础 ,构造了一种新的光电成像末制导目标跟踪方法 。 高斯尺度空间是一种对图像进行多尺度分析的理 论 ,其基本思想是 :通过与高斯核进行卷积 , 对原图 像引入一个尺度参数 , 通过改变尺度参数获得一组 模糊程度不同的图像 , 作为该图像在不同尺度下的 描述 。当前该理论已被成功用于特征提取[5 ] 和目 标跟踪[6 ]等领域 。
CHEN Bing , ZHAO Yi2gong , L I Xin
( Research Institute of Pattern Recognition and Intelligent Control , Xidian University , Xi’an 710071 , Shaanxi , China)
410 61242 258
图 3 高斯尺度空间图像示例图 Fig. 3 Examples of t he Gaussian scale2space images
基于高斯过程回归的时间序列数据预测算法研究
基于高斯过程回归的时间序列数据预测算法研究时间序列数据预测在许多领域中起着重要作用，如金融、销售和天气预报等。
为了提高时间序列数据预测的准确性和可靠性，研究者们不断探索各种算法和方法。
其中，基于高斯过程回归的时间序列数据预测算法被广泛应用于多个领域。
本文将对这一算法的研究进行探讨和总结。
首先，我们来了解一下什么是高斯过程回归。
高斯过程是一种概率模型，它用于对连续函数进行建模和预测。
具体而言，高斯过程回归将输入数据视为一个随机过程，并假设该过程服从高斯分布。
基于已观测到的数据，高斯过程回归可以对未观测到的数据进行预测，同时提供预测的不确定性估计。
在时间序列数据预测中，我们将观测到的时间序列数据看作是高斯过程的采样。
为了进行预测，我们需要确定高斯过程的均值函数和协方差函数。
通常情况下，我们使用核函数作为协方差函数来表征时间序列数据的相关性。
通过对已有数据进行拟合和训练，我们可以得到一个高斯过程模型，进而进行预测。
接下来，我们将探讨高斯过程回归在时间序列数据预测中的应用。
首先，高斯过程回归能够对未来的趋势进行准确的预测。
通过捕捉观测数据的均值和方差，该算法可以对未来的数据点进行预测，并提供相应的不确定性估计。
这使得决策者可以充分考虑预测结果的可靠性，并作出相应的决策。
其次，高斯过程回归也可以有效处理时间序列数据的噪声和异常值。
在现实世界中，时间序列数据通常受到噪声和异常值的影响，这可能导致传统的预测算法产生不准确的结果。
而高斯过程回归通过对数据进行建模和分析，可以从中过滤掉这些干扰因素，提高预测的准确性。
此外，高斯过程回归还可以进行在线预测。
在许多应用场景中，时间序列数据是逐步生成的，需要实时进行预测。
高斯过程回归算法可以逐步更新模型，并进行实时预测，满足实时性的要求。
然而，值得注意的是，高斯过程回归算法也存在一些挑战和限制。
首先，该算法的计算复杂度较高，需要大量的计算资源和时间。
其次，高斯过程回归对数据的拟合高度依赖于核函数的选择和参数的估计。
高斯过程回归算法的研究与优化
高斯过程回归算法的研究与优化随着数据科学的不断发展，机器学习算法已经成为重要的工具之一。
在回归问题中，高斯过程回归算法（Gaussian process regression，简称GPR）由于其简单性和灵活性被广泛应用。
本文主要介绍GPR算法的基本原理及其在实际应用中的一些优化方法。
一、GPR算法的原理GPR是一种非参数回归方法，它假设目标函数服从高斯分布并建立模型。
在GPR中，目标函数被建模为一个高斯过程，高斯过程本身是一个随机过程，由一个均值函数和一个协方差函数组成。
GPR算法的目的是通过样本点的观测来确定高斯过程中的均值函数和协方差函数，进而预测任意样本点的函数值和方差。
GPR算法的具体实现需要确定高斯过程中的均值函数和协方差函数。
一般情况下，均值函数可以设为常数，或者通过一些回归方法来拟合。
协方差函数通常使用RBF（径向基函数）或者Matern核函数来描述。
在GPR中，先验分布是由均值函数和协方差函数组成的，给定一个样本点x，它对应的函数值y ~ N(μ(x),k(x,x'))，其中k(x,x')是协方差函数，μ(x)是均值函数。
那么如何根据已知的样本点，来确定高斯过程的参数呢？在GPR中，使用最大似然估计法来确定均值函数和协方差函数的参数。
具体地说，最大化参数的似然函数以确定一组参数，最终得到一个合适的高斯过程模型。
二、GPR优化方法2.1 均值函数的优化均值函数在GPR中的作用是对函数进行整体的调整。
常用的均值函数有两种：常数和线性函数。
用常数作为均值函数虽然运算速度快，但是不能完成对目标函数的多种拟合任务；用线性函数作为均值函数可以充分反映目标函数的变化趋势，但运算速度慢。
为了优化均值函数，有很多方法值得尝试，例如使用神经网络或者贝叶斯优化方法。
具体而言，可以将神经网络作为GPR的均值函数，使用反向传播算法进行优化；也可以使用BO（贝叶斯优化）方法根据目标函数的输入和输出值动态调整高斯过程的均值函数。
高斯过程回归算法的原理与应用
高斯过程回归算法的原理与应用高斯过程回归(Gaussian Process Regression, GPR)是一种基于贝叶斯概率理论的非参数回归方法，具有优秀的预测能力和不确定性估计能力，近年来在机器学习和数据挖掘领域得到广泛应用。
本文将介绍高斯过程回归算法的原理和应用，并分析其优缺点。
一、高斯过程回归原理高斯过程(Gaussian Process, GP)是一种能描述随机变量之间的关系的方法，通常被用于回归和分类问题中。
高斯过程回归将所研究的现象看作是一个随机过程，并假设该随机过程服从一个高斯分布。
换言之，对于任意输入$x$，函数$f(x)$的取值服从一个以$f(x)$为均值、以$k(x,x')$为协方差矩阵的高斯分布，即：$$f(x) \sim \mathcal{N}(m(x), k(x,x'))$$其中$m(x)$为均值函数，$k(x,x')$为协方差函数。
协方差函数描述了$f(x)$和$f(x')$之间的相关性，通常使用一些特定的函数形式来表示，例如：1.线性函数：$k(x,x')=x^T x'$2.多项式函数：$k(x,x')=(x^T x' + c)^d$3.高斯核函数：$k(x,x')=exp(-||x-x'||^2/(2\sigma^2))$高斯核函数是高斯过程回归中最常用的协方差函数，它是基于欧几里得距离的指数衰减函数。
对于训练数据集$D=\{(x_1,y_1),(x_2,y_2),...,(x_n,y_n)\}$，我们可以根据高斯过程回归的原理计算出先验分布$p(f)$和后验分布$p(f|D)$，并得到对新数据点$x$的预测结果$f_*$和预测误差$\sigma_*^2$：$$p(f)=\mathcal{N}(m_0,k_0)$$$$p(f|D)=\mathcal{N}(m(x),\sigma^2(x))$$$$f_*=\mathbf{K}_*^T (\mathbf{K}+\sigma^2_n \mathbf{I})^{-1} \mathbf{y}$$$$\sigma_*^2=k(x,x)-\mathbf{K}_*^T (\mathbf{K}+\sigma^2_n \mathbf{I})^{-1} \mathbf{K}_*$$其中$\mathbf{K}$为$K_{ij}=k(x_i,x_j)$的矩阵形式，$\mathbf{y}=(y_1,y_2,...,y_n)^T$为训练数据的向量形式，$\mathbf{K}_*$为$k(x,x_i)$的向量形式，$\sigma_n^2$为噪声的方差，通常假设为常数。
一种基于GMM和MeanShift的目标跟踪算法
第４３卷第１期２０２０年１月现 代 测 绘Ｍｏｄｅｒｎ Ｓｕｒｖｅｙｉｎｇ ａｎｄ ＭａｐｐｉｎｇＶｏｌ．４３，Ｊａｎ．，２０２０ 项目来源：江苏省测绘地理信息科研项目（ＪＳＣＨＫＹ２０１９２４） 第一作者简介：陈超，工程师，研究方向为数字图像处理与计算机视觉。
一种基于ＧＭＭ和ＭｅａｎＳｈｉｆｔ的目标跟踪算法陈 超１，赫春晓２（１．江苏省基础地理信息中心，江苏南京２１００１３；２．江苏省测绘研究所，江苏南京２１００１３）摘 要 经典ＭｅａｎＳｈｉｆｔ算法仅使用了影像的颜色直方图信息表示目标特征，并不包含目标的空间位置、纹理特征等其它信息，因此当目标被遮挡或目标和背景颜色相似时，容易跟踪失败。
针对此种情况，结合了颜色直方图与空间位置信息对经典算法进行改进。
在获取目标和背景区域的样本数据后，利用高斯混合模型获取每个颜色单元的质心位置，并利用颜色直方图与空间信息计算得到新的候选区域中心位置，进而完成目标跟踪。
实验表明，改进后的算法使用了目标区域颜色分布的空间信息，改善了传统ＭｅａｎＳｈｉｆｔ算法中丢失像素点空间信息的不足，在背景复杂时依然能够成功跟踪；避免了迭代计算，提高了跟踪效率。
关键词 目标跟踪；均值漂移；高斯混合模型；空间位置中图分类号：ＴＰ３９１ 文献标识码：Ａ 文章编号：１６７２－４０９７（２０２０）０１－００４０－０４０ 引 言目标跟踪是计算机视觉和图像处理领域的重要研究方向之一，在许多领域有着广泛应用。
Ｃｏ－ｍａｎｉｃｉｕ等人［１－２］将ＭｅａｎＳｈｉｆｔ引入到目标跟踪算法中，ＭｅａｎＳｈｉｆｔ算法原理简单，易于实现，实时性好，有较好的跟踪性能。
但是经典ＭｅａｎＳｈｉｆｔ算法只使用了目标颜色直方图，并不包含目标的空间位置、纹理特征等其它信息。
因此当目标被遮挡、或目标和背景颜色相似时，容易跟踪失败。
江山等［３］利用Ｓｏｂｅｌ算子求出灰度图像的梯度特征，将梯度特征与灰度特征融合得到新特征，利用改进Ｍｅａｎ－Ｓｈｉｆｔ算法对新特征进行跟踪。
《2024年基于OPENCV的运动目标检测与跟踪技术研究》范文
《基于OPENCV的运动目标检测与跟踪技术研究》篇一一、引言随着计算机视觉技术的飞速发展，运动目标检测与跟踪技术已经成为计算机视觉领域研究的热点。
该技术广泛应用于智能监控、交通流量管理、人机交互等众多领域。
OpenCV作为一个强大的计算机视觉库，为运动目标检测与跟踪提供了有效的工具。
本文旨在研究基于OpenCV的运动目标检测与跟踪技术，探讨其原理、方法及实际应用。
二、运动目标检测技术研究1. 背景及原理运动目标检测是计算机视觉中的一项基本任务，其目的是从视频序列中提取出运动的目标。
OpenCV提供了多种运动目标检测方法，如背景减除法、光流法、帧间差分法等。
其中，背景减除法是一种常用的方法，其原理是将当前帧与背景模型进行比较，从而检测出运动目标。
2. 关键技术与方法（1）背景建模：背景建模是运动目标检测的关键步骤。
OpenCV提供了多种背景建模方法，如单高斯模型、混合高斯模型等。
其中，混合高斯模型能够更好地适应背景的动态变化。
（2）阈值设定：设定合适的阈值是运动目标检测的重要环节。
阈值过低可能导致误检，阈值过高则可能导致漏检。
OpenCV通过统计像素值分布，自动设定阈值，从而提高检测的准确性。
3. 实验与分析本文通过实验对比了不同背景建模方法和阈值设定对运动目标检测效果的影响。
实验结果表明，混合高斯模型结合合适的阈值设定能够获得较好的检测效果。
此外，本文还对不同场景下的运动目标检测进行了实验，验证了该方法的稳定性和泛化能力。
三、运动目标跟踪技术研究1. 背景及原理运动目标跟踪是指在视频序列中，对检测到的运动目标进行持续跟踪。
OpenCV提供了多种跟踪方法，如光流法、Meanshift 算法、KCF算法等。
这些方法各有优缺点，适用于不同的场景和需求。
2. 关键技术与方法（1）特征提取：特征提取是运动目标跟踪的关键步骤。
OpenCV可以通过提取目标的颜色、形状、纹理等特征，实现稳定的目标跟踪。
此外，还可以采用深度学习等方法，提取更高级的特征，提高跟踪的准确性。
基于高斯混合模型的多目标跟踪航迹相关算法
【Abstra c t】 This paper discusses m ainly the track a ssocia tion problem for m ultitarget tracking system. A novel a lgorithm of track correlation based on Gaussian m ixture models is proposed. First, we prove that the p lot obeys Gaussian m ixture distribution; Second, we use the p rope rty of m ixture models about c lustering to derive assoc ia tion rule be tween p lot and track; Third, we modi2 fied sliding window me thod of track sta rt and track end; F ina lly, this paper p rovides a simulation samp le to ve rify the algorithm.
参数满足以下条件i1i2只要选择j满足16中已给出根据边扫描边跟踪雷达的特点在一个扫描周期每个目标最多只能得到一个点迹所以点迹来自每个混合元即与现有的每条航迹相关的概率是相等的测量误差主要包括系统差和随机差其中系统差可以通过实时修正消除但随机差不能消除所以测量误差k主要受随机差影响假定k服从高斯分布记为10而可取17可知i1i2的随机分布范围结合式10以及根据式11
【 Key word s】m ixture mode ls; Gaussian distribution; track corre la tion; sliding window
一种WSN下的MeanShift跟踪算法
收稿日期：2010-08-05；修回日期：2010-09-09作者简介：钱少科（1986-），男，湖南永州人，硕士研究生，主要研究方向为机器人控制、无线传感器网络（qianshaoke@163．com ）；张辉（1971-），男，硕导，主要研究方向为机器人技术、多智能体、模式识别；海丹（1980-），男，博士研究生，主要研究方向为机器人控制、无线传感器网络；朱登科（1985-），男，硕士研究生，主要研究方向为机器人控制、无线传感器网络；（1969-），男，，．一种WSN 下的Mean Shift 跟踪算法*钱少科，张辉，海丹，朱登科，周华平（国防科学技术大学机电工程与自动化学院，长沙410073）摘要：为有效地利用无线传感器网络跟踪移动目标，提出了一种基于高斯混合模型的Mean Shift 跟踪算法。
该算法运用高斯混合模型描述网络区域内目标信号分布的统计特征，利用Mean Shift 区分目标信号与环境噪声，并对目标进行定位与跟踪。
仿真实验结果表明，该算法在网络存在较大噪声，特别是网络存在大量异常传感器节点读数的情况下，定位精度高、受异常传感器节点读数影响较小。
较之以往无线传感器网络目标跟踪算法，该算法具有更好的鲁棒性。
关键词：无线传感器网络；目标跟踪；高斯混合模型；Mean Shift 跟踪；鲁棒性中图分类号：TP393文献标志码：A文章编号：1001-3695（2011）02-0645-03doi ：10．3969/j．issn．1001-3695．2011．02．067Novel Mean Shift algorithm for target tracking using WSNQIAN Shao-ke ，ZHANG Hui ，HAI Dan ，ZHU Deng-ke ，ZHOU Hua-ping（College of Mechatronics Engineering ＆Automation ，National University of Defense Technology ，Changsha 410073，China ）Abstract ：This paper presented a Gaussian mixture model based Mean Shift tracking algorithm so as to effectively track the mobile target using wireless sensor networks．Firstly used Gaussian mixture model to describe the statistical characteristics of the target signals distributed in wireless sensor networks．Then used Mean Shift algorithm to discriminate the target signals from the background noises and estimate the target position．The simulation results show that the target location can be estimated ac-curately with the algorithm even when lots of outlying sensor readings exist in sensor networks．Compared with other existing al-gorithms ，more robustness can be achieved in the algorithm．Key words ：wireless sensor networks （WSN ）；target tracking ；Gaussian mixture model （GMM ）；Mean Shift tracking ；robustness无线传感器网络（WSN ）是由部署在监测区域内大量的廉价微型传感器节点组成，通过无线通信方式形成自组织的网络系统。