范嘉豪++肖彥君
摘 要:在復(fù)雜行車環(huán)境下,如果視頻中只有目標(biāo)和背景時(shí),C-V模型可以取得很好的分割效果,然而需要從復(fù)雜背景中提取目標(biāo)信息時(shí),該模型往往無(wú)法得到正確的結(jié)果。針對(duì)這一問(wèn)題,C-V模型與均值平移算法能很好的解決。并且該文結(jié)合圖形處理算法,根據(jù)車輛輪胎的數(shù)目,得出車輛相應(yīng)的情況。
關(guān)鍵詞:目標(biāo)跟蹤 視頻 復(fù)雜行車環(huán)境
中圖分類號(hào):TP391.41 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1674-098X(2014)06(c)-0047-02
Abstract:In complex traffic environment,if only the target and the background in video,the C-V model can obtain good segmentation results.Howeverwhen we need to extract target information from complex background,the model is often unable to get the correct results.To solve this problem,the C-V model and Mean-Shift technique can well solve.And combining with the image processing algorithm,according to the number of vehicle tires,we can get the corresponding information of cars.
Key Words:target tracking video complex traffic environment
視頻中的多運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤是近年來(lái)比較熱門(mén)的研究方向之一,它是一種把圖像處理、數(shù)據(jù)關(guān)聯(lián)和濾波等技術(shù)有機(jī)結(jié)合起來(lái),從圖像序列中實(shí)時(shí)地檢測(cè)出目標(biāo)并自動(dòng)進(jìn)行跟蹤的技術(shù)。它在工業(yè)、交通、醫(yī)學(xué)、軍事、航空航天等領(lǐng)域均具有重要作用[1]。
對(duì)在復(fù)雜場(chǎng)景下對(duì)多目標(biāo)的動(dòng)態(tài)跟蹤的研究不僅在國(guó)防,民生,社會(huì)發(fā)展都具有巨大的經(jīng)濟(jì)利益,其背后的科學(xué)價(jià)值也是不可估量的。
其實(shí),本項(xiàng)目不僅具有巨大的潛在經(jīng)濟(jì)效益,研究成果的社會(huì)效益也十分顯著。視覺(jué)跟蹤技術(shù)也具有廣闊的應(yīng)用前景,例如機(jī)器人技術(shù)、智能武器系統(tǒng)、虛擬現(xiàn)實(shí)技術(shù)等。近幾十年來(lái),在計(jì)算機(jī)技術(shù)和數(shù)學(xué)理論方面取得了巨大的進(jìn)步,使計(jì)算機(jī)視覺(jué)領(lǐng)域在發(fā)展過(guò)程中可以很好的利用這些工具處理視覺(jué)跟蹤問(wèn)題。視覺(jué)跟蹤技術(shù)所具有的強(qiáng)大的生命力必將使得該技術(shù)在不遠(yuǎn)的將來(lái)得到充分的發(fā)展,并對(duì)人們未來(lái)的生活產(chǎn)生深遠(yuǎn)的影響。
所以,有關(guān)于復(fù)雜行車環(huán)境下的目標(biāo)跟蹤、安全的研究對(duì)國(guó)家發(fā)展、社會(huì)和諧、家庭和睦都具有重大的社會(huì)效益。
1 研究目的
針對(duì)傳統(tǒng)Mean Shift跟蹤窗口固定不變,在目標(biāo)尺寸不斷變化的目標(biāo)跟蹤場(chǎng)景中算法效果不佳的問(wèn)題,提出一種基于Mean Shift和C-V模型的目標(biāo)跟蹤算法,通過(guò)利用改進(jìn)的C-V方法得到的目標(biāo)的形狀信息,修正Mean Shift跟蹤窗口的大小和位置,在跟蹤過(guò)程中,綜合利用目標(biāo)的形狀信息,克服傳統(tǒng)Mean Shift顏色直方圖對(duì)目標(biāo)特征描述較弱的缺點(diǎn),提高了跟蹤精度。同時(shí)為了達(dá)到實(shí)時(shí)性要求,對(duì)傳統(tǒng)C-V方法的初始化水平集函數(shù)表達(dá)方法進(jìn)行改進(jìn),確保有效降低算法復(fù)雜度和迭代次數(shù)。在保證實(shí)時(shí)性的同時(shí)期望車輛跟蹤精度和多目標(biāo)的跟蹤[2]。
現(xiàn)在的跟蹤算法是針對(duì)單目標(biāo)來(lái)解決實(shí)際問(wèn)題的,Mean Shift也有許多不足:
①搜索窗的核函數(shù)帶寬保持不變;
②缺乏必要的模板更新算法;
③目標(biāo)的運(yùn)動(dòng)不能過(guò)快。在此我們考慮更加全面,例如在交叉,遮擋,尺度變化,多目標(biāo)情況下,使得無(wú)人車輛在行駛途中考慮更加周全,盡可能實(shí)現(xiàn)人眼跟蹤。
2 C-V模型
在圖像分割技術(shù)中,活動(dòng)輪廓模型是進(jìn)行邊緣提取的一種重要手段,在活動(dòng)輪廓模型的發(fā)展歷程中,Chan等在Mumford-Shah模型基礎(chǔ)上提出的C-V模型,首次把區(qū)域信息用作驅(qū)動(dòng)活動(dòng)輪廓演化的外力,對(duì)活動(dòng)輪廓模型的發(fā)展起到了重要的推動(dòng)作用,并得到廣泛應(yīng)用然而,它也有不足之處,當(dāng)圖像中目標(biāo)所處背景比較復(fù)雜時(shí),C-V模型常常無(wú)法得到正確的結(jié)果。Chen等將測(cè)地線活動(dòng)輪廓模型中的邊緣吸引因子引入到C-V模型中,提出了輔以C-V方法的測(cè)地線活動(dòng)輪廓模型,在一定程度上提高了C-V模型適應(yīng)復(fù)雜背景的能力。
實(shí)際上,C-V模型的目的就是要尋找一個(gè)分界線光滑的二值函數(shù)來(lái)最佳地?cái)M合圖像I的灰度特征空間,而這個(gè)二值函數(shù)的分界線即是圖像分割區(qū)域的邊界。
3 Mean-Shift算法
Mean Shift這個(gè)概念最早是由Fukunaga等人[3]于1975年在一篇關(guān)于概率密度梯度函數(shù)的估計(jì)中提出來(lái)的,其最初含義正如其名,就是偏移的均值向量,在這里Mean Shift是一個(gè)名詞,它指代的是一個(gè)向量,但隨著Mean Shift理論的發(fā)展,Mean Shift的含義也發(fā)生了變化,如果我們說(shuō)Mean Shift算法,一般是指一個(gè)迭代的步驟,即先算出當(dāng)前點(diǎn)的偏移均值,移動(dòng)該點(diǎn)到其偏移均值,然后以此為新的起始點(diǎn),繼續(xù)移動(dòng),直到滿足一定的條件結(jié)束。
然而在以后的很長(zhǎng)一段時(shí)間內(nèi)Mean Shift并沒(méi)有引起人們的注意,直到20年以后,也就是1995年,另外一篇關(guān)于Mean Shift的重要文獻(xiàn)[4]才發(fā)表。在這篇重要的文獻(xiàn)中,Yizong Cheng對(duì)基本的Mean Shift算法在以下兩個(gè)方面做了推廣,首先Yizong Cheng定義了一族核函數(shù),使得隨著樣本與被偏移點(diǎn)的距離不同,其偏移量對(duì)均值偏移向量的貢獻(xiàn)也不同,其次Yizong Cheng還設(shè)定了一個(gè)權(quán)重系數(shù),使得不同的樣本點(diǎn)重要性不一樣,這大大擴(kuò)大了Mean Shift的適用范圍。另外Yizong Cheng指出了Mean Shift可能應(yīng)用的領(lǐng)域,并給出了具體的例子。Comaniciu等人[5][6]把Mean Shift成功的運(yùn)用的特征空間的分析,在圖像平滑和圖像分割中Mean Shift都得到了很好的應(yīng)用。Comaniciu等在文章中證明了,Mean Shift算法在滿足一定條件下,一定可以收斂到最近的一個(gè)概率密度函數(shù)的穩(wěn)態(tài)點(diǎn),因此Mean Shift算法可以用來(lái)檢測(cè)概率密度函數(shù)中存在的模態(tài)。Comaniciu等人[7]還把非剛體的跟蹤問(wèn)題近似為一個(gè)Mean Shift最優(yōu)化問(wèn)題,使得跟蹤可以實(shí)時(shí)的進(jìn)行。endprint
4 創(chuàng)新性及解決方案
在C-V模型和均值平移技術(shù)的基礎(chǔ)上提出了適應(yīng)復(fù)雜背景的C-V模型以處理以下問(wèn)題:
(1)復(fù)雜行車環(huán)境下鎖定目標(biāo)在移動(dòng)過(guò)程中的尺度變化,遭受遮擋,多目標(biāo)鎖定以及多目標(biāo)交叉重疊的問(wèn)題。
(2)結(jié)合基于匹配有特征匹配和貝葉斯跟蹤、核方法及其他方法的優(yōu)點(diǎn),使算法更加完善。
首先,我們創(chuàng)建了一個(gè)動(dòng)態(tài)鏈表,用于動(dòng)態(tài)保存出現(xiàn)在視頻中的車輛。
接著,我們用C-V模型可以分割出復(fù)雜行車環(huán)境下的車輛,進(jìn)而可以分割得到車輛的局部信息,我們根據(jù)單個(gè)車輛輪胎的個(gè)數(shù)判斷車輛處于以下哪種狀態(tài):
(1)在車輛前方;
(2)即將消失;
(3)即將完整出現(xiàn)在車輛視頻監(jiān)控里。
針對(duì)第一種情況,我們采用一直跟蹤的辦法;若檢測(cè)到車輛的輪胎數(shù)不是為3,那么將有情況2和3。根據(jù)Mean-Shift算法得到的跟蹤窗口,若窗口面積不斷減少,并且離焦點(diǎn)的距離越來(lái)越近,則表明該車輛處于情況2;若窗口面積逐漸變大,則表示車輛將要進(jìn)入監(jiān)控實(shí)現(xiàn),處于情況3。當(dāng)車輛處于情況2開(kāi)始,一直到車輛消失之后2 min,我們將該車輛的狀態(tài)掛起。其掛起的含義是指需要特別注意的。因?yàn)樵撓Э赡苁且驗(yàn)檎趽?,交叉重疊引起的,需要特別注意,并且根據(jù)車輛消失前的運(yùn)動(dòng)速度估計(jì)車輛的位置。直到2 min以后或者我們的車的速度降為30 km/s時(shí),即確保消除車輛信息后行車安全時(shí),將掛起的車輛信息刪除。根據(jù)實(shí)際情況,在紅綠燈下最長(zhǎng)不可能等待超過(guò)2 min,并且若是因?yàn)檎趽醵С^(guò)2 min,說(shuō)明目標(biāo)車輛與本車輛的相對(duì)行駛速度幾乎為0,是處于安全的狀態(tài)。
5 實(shí)驗(yàn)結(jié)果
為評(píng)價(jià)車輛跟蹤算法的性能,用傳統(tǒng)的Mean-Shift算法和文中算法針對(duì)城市道路上的前方車輛進(jìn)行了跟蹤測(cè)試。
從圖1(a)可以看出,傳統(tǒng)的Mean-Shift和C-V結(jié)合的算法不能針對(duì)復(fù)雜的行車環(huán)境下鎖定目標(biāo)在移動(dòng)過(guò)程中的尺度變化,遭受遮擋,多目標(biāo)鎖定以及多目標(biāo)交叉重疊的問(wèn)題。而文中算法根據(jù)車輛處于不同的狀態(tài),在整個(gè)跟蹤過(guò)程中,窗口都鎖定了視頻中出現(xiàn)的所有有“威脅”的車輛,跟蹤精度明顯優(yōu)于傳統(tǒng)算法。(如圖1)
6 結(jié)語(yǔ)
針對(duì)傳統(tǒng)Mean-Shift與C-V模型結(jié)合的算法,在目標(biāo)數(shù)量不斷變化的問(wèn)題,該文提出了一種根據(jù)車輛輪胎數(shù)量,以此來(lái)判斷跟蹤車輛處于哪種狀態(tài)。雖然在該文中體現(xiàn)不出狀態(tài)的優(yōu)勢(shì),但是在之后的復(fù)雜行車環(huán)境下無(wú)人車輛行駛判斷中能有很大的用處,在那種情況下就需要很精準(zhǔn)的判斷無(wú)人車輛周圍出現(xiàn)的“危機(jī)”。該文算法不僅能夠在復(fù)雜行車環(huán)境下跟蹤多個(gè)目標(biāo),還能確定目標(biāo)車輛所處的狀態(tài)。該文算法針對(duì)以往算法中不能處理多目標(biāo)的問(wèn)題,結(jié)合基于匹配有特征匹配和貝葉斯跟蹤、核方法及其他方法的優(yōu)點(diǎn),使算法更加完善。進(jìn)一步解決了復(fù)雜行車環(huán)境下鎖定目標(biāo)在移動(dòng)過(guò)程中的尺度變化,遭受遮擋,多目標(biāo)鎖定以及多目標(biāo)交叉重疊的問(wèn)題。
參考文獻(xiàn)
[1] 王芳.視頻圖像中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的算法研究[D].中國(guó)海洋大學(xué),2011.
[2] 解文華,肖進(jìn)勝,易本順,等.一種基于MeanShift和C-V模型的車輛跟蹤算法[J].湖南大學(xué)學(xué)報(bào)(自然科學(xué)版),2012(7).
[3] The Estimation of the Gradient of a Density Function,with Applications in Pattern Recognition[J].IEEE Information Theory society,1975(1).
[4] Mean shift,mode seeking,and clustering,1995.
[5] Mean Shift:a robust approach toward feature space anal ysis,2002.
[6] Real-time tracking of non-rigid objects using mean shift,2000.
[7] Mean-shift Blob Tracking through Scale Space,2003.endprint
4 創(chuàng)新性及解決方案
在C-V模型和均值平移技術(shù)的基礎(chǔ)上提出了適應(yīng)復(fù)雜背景的C-V模型以處理以下問(wèn)題:
(1)復(fù)雜行車環(huán)境下鎖定目標(biāo)在移動(dòng)過(guò)程中的尺度變化,遭受遮擋,多目標(biāo)鎖定以及多目標(biāo)交叉重疊的問(wèn)題。
(2)結(jié)合基于匹配有特征匹配和貝葉斯跟蹤、核方法及其他方法的優(yōu)點(diǎn),使算法更加完善。
首先,我們創(chuàng)建了一個(gè)動(dòng)態(tài)鏈表,用于動(dòng)態(tài)保存出現(xiàn)在視頻中的車輛。
接著,我們用C-V模型可以分割出復(fù)雜行車環(huán)境下的車輛,進(jìn)而可以分割得到車輛的局部信息,我們根據(jù)單個(gè)車輛輪胎的個(gè)數(shù)判斷車輛處于以下哪種狀態(tài):
(1)在車輛前方;
(2)即將消失;
(3)即將完整出現(xiàn)在車輛視頻監(jiān)控里。
針對(duì)第一種情況,我們采用一直跟蹤的辦法;若檢測(cè)到車輛的輪胎數(shù)不是為3,那么將有情況2和3。根據(jù)Mean-Shift算法得到的跟蹤窗口,若窗口面積不斷減少,并且離焦點(diǎn)的距離越來(lái)越近,則表明該車輛處于情況2;若窗口面積逐漸變大,則表示車輛將要進(jìn)入監(jiān)控實(shí)現(xiàn),處于情況3。當(dāng)車輛處于情況2開(kāi)始,一直到車輛消失之后2 min,我們將該車輛的狀態(tài)掛起。其掛起的含義是指需要特別注意的。因?yàn)樵撓Э赡苁且驗(yàn)檎趽?,交叉重疊引起的,需要特別注意,并且根據(jù)車輛消失前的運(yùn)動(dòng)速度估計(jì)車輛的位置。直到2 min以后或者我們的車的速度降為30 km/s時(shí),即確保消除車輛信息后行車安全時(shí),將掛起的車輛信息刪除。根據(jù)實(shí)際情況,在紅綠燈下最長(zhǎng)不可能等待超過(guò)2 min,并且若是因?yàn)檎趽醵С^(guò)2 min,說(shuō)明目標(biāo)車輛與本車輛的相對(duì)行駛速度幾乎為0,是處于安全的狀態(tài)。
5 實(shí)驗(yàn)結(jié)果
為評(píng)價(jià)車輛跟蹤算法的性能,用傳統(tǒng)的Mean-Shift算法和文中算法針對(duì)城市道路上的前方車輛進(jìn)行了跟蹤測(cè)試。
從圖1(a)可以看出,傳統(tǒng)的Mean-Shift和C-V結(jié)合的算法不能針對(duì)復(fù)雜的行車環(huán)境下鎖定目標(biāo)在移動(dòng)過(guò)程中的尺度變化,遭受遮擋,多目標(biāo)鎖定以及多目標(biāo)交叉重疊的問(wèn)題。而文中算法根據(jù)車輛處于不同的狀態(tài),在整個(gè)跟蹤過(guò)程中,窗口都鎖定了視頻中出現(xiàn)的所有有“威脅”的車輛,跟蹤精度明顯優(yōu)于傳統(tǒng)算法。(如圖1)
6 結(jié)語(yǔ)
針對(duì)傳統(tǒng)Mean-Shift與C-V模型結(jié)合的算法,在目標(biāo)數(shù)量不斷變化的問(wèn)題,該文提出了一種根據(jù)車輛輪胎數(shù)量,以此來(lái)判斷跟蹤車輛處于哪種狀態(tài)。雖然在該文中體現(xiàn)不出狀態(tài)的優(yōu)勢(shì),但是在之后的復(fù)雜行車環(huán)境下無(wú)人車輛行駛判斷中能有很大的用處,在那種情況下就需要很精準(zhǔn)的判斷無(wú)人車輛周圍出現(xiàn)的“危機(jī)”。該文算法不僅能夠在復(fù)雜行車環(huán)境下跟蹤多個(gè)目標(biāo),還能確定目標(biāo)車輛所處的狀態(tài)。該文算法針對(duì)以往算法中不能處理多目標(biāo)的問(wèn)題,結(jié)合基于匹配有特征匹配和貝葉斯跟蹤、核方法及其他方法的優(yōu)點(diǎn),使算法更加完善。進(jìn)一步解決了復(fù)雜行車環(huán)境下鎖定目標(biāo)在移動(dòng)過(guò)程中的尺度變化,遭受遮擋,多目標(biāo)鎖定以及多目標(biāo)交叉重疊的問(wèn)題。
參考文獻(xiàn)
[1] 王芳.視頻圖像中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的算法研究[D].中國(guó)海洋大學(xué),2011.
[2] 解文華,肖進(jìn)勝,易本順,等.一種基于MeanShift和C-V模型的車輛跟蹤算法[J].湖南大學(xué)學(xué)報(bào)(自然科學(xué)版),2012(7).
[3] The Estimation of the Gradient of a Density Function,with Applications in Pattern Recognition[J].IEEE Information Theory society,1975(1).
[4] Mean shift,mode seeking,and clustering,1995.
[5] Mean Shift:a robust approach toward feature space anal ysis,2002.
[6] Real-time tracking of non-rigid objects using mean shift,2000.
[7] Mean-shift Blob Tracking through Scale Space,2003.endprint
4 創(chuàng)新性及解決方案
在C-V模型和均值平移技術(shù)的基礎(chǔ)上提出了適應(yīng)復(fù)雜背景的C-V模型以處理以下問(wèn)題:
(1)復(fù)雜行車環(huán)境下鎖定目標(biāo)在移動(dòng)過(guò)程中的尺度變化,遭受遮擋,多目標(biāo)鎖定以及多目標(biāo)交叉重疊的問(wèn)題。
(2)結(jié)合基于匹配有特征匹配和貝葉斯跟蹤、核方法及其他方法的優(yōu)點(diǎn),使算法更加完善。
首先,我們創(chuàng)建了一個(gè)動(dòng)態(tài)鏈表,用于動(dòng)態(tài)保存出現(xiàn)在視頻中的車輛。
接著,我們用C-V模型可以分割出復(fù)雜行車環(huán)境下的車輛,進(jìn)而可以分割得到車輛的局部信息,我們根據(jù)單個(gè)車輛輪胎的個(gè)數(shù)判斷車輛處于以下哪種狀態(tài):
(1)在車輛前方;
(2)即將消失;
(3)即將完整出現(xiàn)在車輛視頻監(jiān)控里。
針對(duì)第一種情況,我們采用一直跟蹤的辦法;若檢測(cè)到車輛的輪胎數(shù)不是為3,那么將有情況2和3。根據(jù)Mean-Shift算法得到的跟蹤窗口,若窗口面積不斷減少,并且離焦點(diǎn)的距離越來(lái)越近,則表明該車輛處于情況2;若窗口面積逐漸變大,則表示車輛將要進(jìn)入監(jiān)控實(shí)現(xiàn),處于情況3。當(dāng)車輛處于情況2開(kāi)始,一直到車輛消失之后2 min,我們將該車輛的狀態(tài)掛起。其掛起的含義是指需要特別注意的。因?yàn)樵撓Э赡苁且驗(yàn)檎趽?,交叉重疊引起的,需要特別注意,并且根據(jù)車輛消失前的運(yùn)動(dòng)速度估計(jì)車輛的位置。直到2 min以后或者我們的車的速度降為30 km/s時(shí),即確保消除車輛信息后行車安全時(shí),將掛起的車輛信息刪除。根據(jù)實(shí)際情況,在紅綠燈下最長(zhǎng)不可能等待超過(guò)2 min,并且若是因?yàn)檎趽醵С^(guò)2 min,說(shuō)明目標(biāo)車輛與本車輛的相對(duì)行駛速度幾乎為0,是處于安全的狀態(tài)。
5 實(shí)驗(yàn)結(jié)果
為評(píng)價(jià)車輛跟蹤算法的性能,用傳統(tǒng)的Mean-Shift算法和文中算法針對(duì)城市道路上的前方車輛進(jìn)行了跟蹤測(cè)試。
從圖1(a)可以看出,傳統(tǒng)的Mean-Shift和C-V結(jié)合的算法不能針對(duì)復(fù)雜的行車環(huán)境下鎖定目標(biāo)在移動(dòng)過(guò)程中的尺度變化,遭受遮擋,多目標(biāo)鎖定以及多目標(biāo)交叉重疊的問(wèn)題。而文中算法根據(jù)車輛處于不同的狀態(tài),在整個(gè)跟蹤過(guò)程中,窗口都鎖定了視頻中出現(xiàn)的所有有“威脅”的車輛,跟蹤精度明顯優(yōu)于傳統(tǒng)算法。(如圖1)
6 結(jié)語(yǔ)
針對(duì)傳統(tǒng)Mean-Shift與C-V模型結(jié)合的算法,在目標(biāo)數(shù)量不斷變化的問(wèn)題,該文提出了一種根據(jù)車輛輪胎數(shù)量,以此來(lái)判斷跟蹤車輛處于哪種狀態(tài)。雖然在該文中體現(xiàn)不出狀態(tài)的優(yōu)勢(shì),但是在之后的復(fù)雜行車環(huán)境下無(wú)人車輛行駛判斷中能有很大的用處,在那種情況下就需要很精準(zhǔn)的判斷無(wú)人車輛周圍出現(xiàn)的“危機(jī)”。該文算法不僅能夠在復(fù)雜行車環(huán)境下跟蹤多個(gè)目標(biāo),還能確定目標(biāo)車輛所處的狀態(tài)。該文算法針對(duì)以往算法中不能處理多目標(biāo)的問(wèn)題,結(jié)合基于匹配有特征匹配和貝葉斯跟蹤、核方法及其他方法的優(yōu)點(diǎn),使算法更加完善。進(jìn)一步解決了復(fù)雜行車環(huán)境下鎖定目標(biāo)在移動(dòng)過(guò)程中的尺度變化,遭受遮擋,多目標(biāo)鎖定以及多目標(biāo)交叉重疊的問(wèn)題。
參考文獻(xiàn)
[1] 王芳.視頻圖像中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的算法研究[D].中國(guó)海洋大學(xué),2011.
[2] 解文華,肖進(jìn)勝,易本順,等.一種基于MeanShift和C-V模型的車輛跟蹤算法[J].湖南大學(xué)學(xué)報(bào)(自然科學(xué)版),2012(7).
[3] The Estimation of the Gradient of a Density Function,with Applications in Pattern Recognition[J].IEEE Information Theory society,1975(1).
[4] Mean shift,mode seeking,and clustering,1995.
[5] Mean Shift:a robust approach toward feature space anal ysis,2002.
[6] Real-time tracking of non-rigid objects using mean shift,2000.
[7] Mean-shift Blob Tracking through Scale Space,2003.endprint