0 引言

视频目标跟踪作为计算机视觉领域的一个核心技术，在人机交互、视频监控、增强现实、智能交通和机器人技术等领域都有着广泛的应用［1，2］。目前国内外的目标跟踪方法主要有四类：①基于3D的跟踪：利用解析几何知识把目标的三维模型投影为平面图像，适合于复杂动态的场景，但该方法计算量大，速度缓慢；②基于模型的跟踪：利用当前帧的目标模型，依据相似性度量函数检索下一帧图像，算法原理简单易实现，但是很容易出现误检现象；③基于特征的跟踪：利用颜色、纹理和形状等特征，根据最优相关匹配原则完成对比跟踪，适合于简单运动的目标，但不适合复杂运动的目标，很难控制刚体目标在运动时的初始化设置；④基于运动信息的跟踪：依据动态目标的动态属性，采用光流法或帧差法来检测动态目标，时间开销很大，不适合实际应用。

其中，基于核密度估计的MeanShift算法是目前较为流行的基于特征的目标跟踪方法［3］，该算法以加权颜色直方图为特征进行目标跟踪，而颜色信息无法准确区分目标点和背景点，当目标出现遮挡或目标移动速度过快时，就很容易受到背景干扰，从而导致跟踪误差累积问题［4］。为此，本文在MeanShift算法基础上，引入改进的五帧差分法，通过五帧差分法剔除背景成分，并采用颜色信息和边缘轮廓来共同描述目标的特征，提出了改进的五帧差分与MeanShift相结合的目标跟踪方法。首先使用改进的五帧差分法提纯动态像素点，获取其形心位置、颜色信息和边缘轮廓，以此作为初始化目标模型，然后运用MeanShift算法，以颜色信息和边缘轮廓为特征，从提纯的候选目标模型中，搜索与目标模型相似性最大的最佳匹配位置，实现目标跟踪。

1 改进的五帧差分法

五帧差分法［5，6］最早是起源于经典的三帧差分法。三帧差分法由于简单易实现而被广泛应用，然而该方法存在较多的空洞，遇到遮挡或前/背景颜色相近时，无法准确提取前景［5］。为了减少漏捡，文献［5，6］将原有三帧差分进行扩充，提出了五帧差分法，但所获取的目标仍存在部分空洞现象。为了提高准确率，文献［7］提出改进的五帧差分法，获取了较为完整的目标轮廓信息和较少的空洞现象［7］。

该方法的具体步骤如下［7］：

第一步，取连续的五帧图像 fk-2(x,y)、fk-1(x,y)、fk(x,y)、fk+1(x,y)、fk+2(x,y),分别进行中值滤波和高斯滤波，去除椒盐噪声和高斯噪声，获得预处理后的五帧图像 Ik-2(x,y)、Ik-1(x,y)、Ik(x,y)、Ik+1(x,y)、Ik+2(x,y)；

第二步，以第K帧图像作为参考帧，依次与前两帧和后两帧做差分运算：

 

第三步，将上面差分结果di(x,y)(i=1,2,3,4)，分别进行二值化：

 

第四步，对hi(x,y)进行两两或运算，以减少空洞现象：

 

从图1可知，对于快速移动的目标，通过传统MeanShift算法跟踪到第32帧时，目标跟踪窗口开始偏离目标实际的位置，从而导致后续的跟踪失败。而本文的算法，如图2所示，由于采用了新的五帧差分法，对每一帧图像都先更新初始迭代位置，再进行目标跟踪，有效地解决了传统MeanShift算法的跟踪误差累积问题，对快速移动物体具有很好的跟踪效果。

首先，学校要针对学生积极开展各类就业指导公开课，并将这一课程纳入到教学计划中，定期组织毕业生讲授包括就业政策、社会职业概况以及求职技巧等在内的系列就业择业方面知识。在就业指导课开设过程中，为了能够提升针对性和保证教学效果，笔者建议学校要特别注重理论与实践相结合，适当运用一些真实案例展开教学。其次，校方要积极牵线搭桥，促进毕业生与用人单位的双向选择。如：通过各种渠道积极搜集用人单位信息，并向学生公布；为用人单位输送一些优秀毕业生材料，推荐学生就业；定期组织用人单位来校招聘，强化双方的沟通，增加学生就业几率。再次，制定一套综合性的考评条例和激励机制，鼓励并引导学生投身到国家最需要的地方去。

 

最后，对得到的目标进行膨胀、腐蚀、填充等形态学后处理，以剔除噪声，使得目标轮廓区域更加显著。

从图3可知，对于初始帧中目标被遮挡的情形，通过传统MeanShift算法跟踪到第95帧时，对目标的跟踪开始偏离，从而导致跟踪失败。而本文的算法如图4所示，由于采用了改进的五帧差分法提纯动态像素点，消除了桌面遮挡物对目标的影响，避免了跟踪出错，从而能有效跟踪发生遮挡的目标。

FUJAIRAN BUSINESS CENTRE PROJECT位于中东阿拉伯联合酋长国富吉拉市，该幕墙工程施工总工期为365日历日。施工项目的性质为商业、酒店、办公写字楼。施工对象是一座酒店楼，一座办公楼，建筑物的总高度为89.15m，楼层高3.7m。两栋塔楼共20层（含裙房层数）。幕墙总面积为3.5万m2。幕墙结构为框架式幕墙结构。使用的幕墙系统为GULF系统。外立面包括玻璃幕墙、铝塑板幕墙、铝门窗以及铝百叶窗等等。

2 Meanshift算法

传统MeanShift算法起源于Fukunaga提出的偏移均值向量，后来演化为一个迭代的步骤，即先计算出初始点在一定范围内的偏移均值。然后移动初始点到其偏移均值，接着以此点为新的初始点，继续移动，直至不再有新的初始点结束［7，8］。Cheng对传统MeanShift算法进行推广，通过定义核函数和权重系数，使得样本与被偏移点的距离不同，其偏移量对MeanShift向量的贡献也不同［9］，一般情况，距离越远，相应的贡献越小。于是得到MeanShift向量的扩展形式：

 

将扩展形式中的x提取到求和号外，便可得到新的偏移均值点位置mh(x)，即

 

若给定一个初始点x，允许误差设为ε，则Mean-Shift算法的计算步骤如下：

（1）计算mh(x)；

（2）把mh(x)赋给x；

在纸浆洗涤过程中，由于残碱和黑液波美度难以在线测量，主要靠定期采样分析，导致黑液浓度控制不精确，建模结果不理想。神经网络在非线性系统的建模、分类和预测方面具有非常突出的效果[6]。因此，采用BP神经网络结合具有降维、去噪、消除数据相关性的主成分分析(Principal Component Analysis，PCA)作为软测量的模型。首先采用PCA方法对所涉及的过程变量进行去噪、降维、消除负相关性等预处理，同时降低神经网络的复杂度；然后，采用神经网络建模的方法建立主元和质量变量之间的网络结构，得到纸浆洗涤过程的软测量模型。

枢纽及防洪配套工程年运行费按投资2.5%计，后续灌区配套工程按其投资4%计，防洪、养殖等配套工程按其投资5%计［2］，则正常年份年运行费32.77万元。

（3）如果‖mh(x)-x ‖＜ε，结束循环;若不然，继续执行（1）。

通过以上三步，MeanShift向量会不断地向着概率密度最大的方向移动，直至满足第三步允许的误差条件，最终mh(x)值会靠近峰值点。

3 改进的五帧差分法和Meanshift算法结合的目标跟踪算法

［1］王淑敏，宫宁生，陈逸稻.加权的超像素级时空上下文目标跟踪［J］. 计算机应用研究，2017，34（1）：271-274.

参照组患者最大年龄82岁,最小年龄64岁,平均年龄(75.6±0.3)岁;其中女性12例,男性18例。实验组患者最大年龄81岁,最小年龄65岁,平均年龄(74.6±0.3)岁;其中女性13例,男性17例。两组患者在一般资料中未出现差异,P>0.05,不存在统计学意义,可比。

3.1 本文跟踪算法步骤

（1）提纯动态像素点：读取视频连续五帧序列fk-2(x,y)、fk-1(x,y)、fk(x,y)、fk+1(x,y)、fk+2(x,y)，利用本文改进的五帧差分法，获取当前帧fk(x,y)的动态像素点Bk(x,y)。

正如Zelt等（2003）提倡的，合理地进行初至波层析成像可以提供最小结构的速度模型。因此，初至波层析成像的结果对检验更复杂方法的结果是至关重要的。初至波层析成像中呈现的结构，也应该在用其他方法得出的模型中呈现，包括利用续至波的方法。

（5）计算Bhattacharyya距离：利用Bhattacharyya距离函数［10，11］来度量候选目标模型与目标模型的相似程度，其定义为：代，若成立，则输出当前帧目标跟踪结果图。

（3）建立目标模型：根据Bk(x,y)和 fk(x,y)，统计运动区域中其边缘轮廓和加权颜色直方图，以此描述目标模型，记为{qu}u=1,2,…,m。

（4）建立候选目标模型：对于后续帧相同窗口w内存在的目标候选区域，采用五帧差分法获取其动态像素点后，统计运动区域中其边缘轮廓和加权颜色直方图，以此描述候选目标模型，记为{ pu(y0)}u=1,2,…,m。

 

（6）采用MeanShift算法进行迭代：首先按公式（10）计算出mh(x)，然后把mh(x)赋给 x。最后判断‖mh(x)-x‖＜ε是否成立，若不成立，则返回继续迭

（2）计算初始目标的形心和外接矩形框：根据Bk(x,y)计算其形心位置，作为MeanShift算法初始化迭代开始的位置x，通过Bk(x,y)边缘轮廓确定初始外接矩形框w。

3.2 实验结果对比分析

对于本文提出的跟踪算法，选取不同场景的视频图像序列进行跟踪测试，并与传统MeanShift算法进行比较。场景1为快速运动的篮球视频序列（240×360，100frame，15fps），场景2为发生遮挡的行人视频序列（240×360，100frame，200frame，15fps）。

实验环境为Matlab2010b，2G内存，160GB硬盘。本文程序的迭代次数设定为20次。

  

图2 本文算法对快速目标跟踪结果图

第五步，对g14(x,y)、g23(x,y)进行与运算，避免了前面或运算导致的目标重叠现象，从而得到目标的轮廓。

［参考文献］

  

图3 传统Meanshift对受遮挡目标的跟踪结果图

  

图4 本文算法对受遮挡目标的跟踪结果图

本文使用改进的五帧差分法，获取较为完整的目标信息，为后续跟踪使用提供较为准确的模型。

4 总结

为提高跟踪的准确率，本文首先引入改进的五帧差分法，获取了较为准确的目标信息。然后在MeanShift跟踪算法的基础上，应用改进的五帧差分法提纯动态像素点，剔除了无效的背景成分，实时更新其目标模型，且对每一帧图像都先更新初始迭代位置，有效地解决了传统MeanShift算法的跟踪误差累积问题，对快速移动物体和受遮挡的目标具有很好的跟踪效果。通过实验对比可以看到，本文的算法相对于传统的MeanShift算法跟踪效果较好，具有较强的跟踪鲁棒性和较高的跟踪准确性，对后续的识别分类、场景分析和异常行为报警等具有一定的参考价值。

目前，国内外重介质选煤几乎都采用磁铁矿悬浮液作为分选介质。磁铁矿来源丰富，价格相对便宜，化学性质比较稳定，其密度接近于5 g/cm3，用其配制的悬浮液密度可在1.20～2.00 g/cm3的范围内调节。磁铁矿属于铁磁性矿物，可用磁选机回收复用。用磨细的磁铁矿粉配制的重介质是一种半稳定的悬浮液，当磁铁矿粉粒度较细，并有少量煤泥和矸石泥化物存在时，可以达到比较适宜的稳定性和粘度。这些特性使得磁铁矿悬浮液适合于各种煤炭的分选[1]。虽然磁铁矿容易回收，但在生产过程中，已成为重介质选煤厂的主要消耗材料。在确保工艺系统正常运行的前提下，降低介质消耗已成为各个选煤厂努力解决的课题。

对于保肢失败的患者，不仅身体上痛苦，心理上也有巨大伤害，经济上需承受巨大压力[1]。导致患者截肢的危险因素众多，本研究所指的保肢失败主要有以下2种情况：一种是保肢手术后肢体未能成活，另一种是肢体虽成活但由于引起严重并发症、中途放弃保肢或后期肢体功能差、畸形严重而延期截肢[2]。

西方女性主义理论在早期要求男女平权(两性要在政治、法律、军事、经济、职业和受教育等方面享有同等的权利和机会)的发展阶段之后，逐步向纵深领域推进，进一步要求对既成的社会结构进行批判，认为男女之间的社会分工与角色安排(内/外、公/私)并不是由两种再生产的区别与两性生理差异所决定的，而是由男性主导的社会建构的结果，是特定的经济、文化环境的产物。基于上述视角，儒家多被置于女性主义的对立面，被当作结构性歧视、压迫女性的根源或者帮凶。

传统MeanShift算法通过人工设定初始目标窗口，根据其颜色直方图进行匹配跟踪，往往导致帧图像初始迭代位置不佳，误差不断地累加，致使跟踪的结果越来越偏离目标实际的位置，这种现象对于移动速度过快或目标出现遮挡情况尤为明显。为此，本文在MeanShift算法基础上，引入改进的五帧差分法，在迭代每一帧图像之前，先通过改进的五帧差分法剔除背景成分，提纯动态像素点，获取其形心和外接矩形框，然后以其提纯过的边缘轮廓和目标加权颜色直方图建立目标模型和候选目标模型，再利用MeanShift算法依据相似性最大原则进行搜索，直至找到最佳匹配位置，从而实现目标跟踪。

［2］常德兴，陈俊周，彭强.基 于 置 信 度 策 略 选 择的 实 时 目 标 跟 踪 方法［J］.计算机应用研究，2017，34（2）：636-640.

［3］胡威 .一种新的快速运动目标鲁棒跟踪方法［J］.计算机应用与软件，2014，31（1）：140-143.

［4］杨红霞，杭亦文，刘旭.基于Meanshift与Kalman的视频目标跟踪算法［J］.武汉理工大学学报（信息与管理工程版），2012，34（2）：147-150.

［5］ 舒欣，李东新，薛东伟.五帧差分和边缘检测的运动

目标检测［J］. 计算机系统应用，2014，23（1）：124-127.

［6］陈志勇，彭力，张纪宽.动态环境下改进五帧差分的运动目标检测新算法［J］.江南大学学报（自然科学版），2015，14（1）：34-37.

［7］郭春凤.基于五帧差分法改进的动态目标检测新算法［J］. 重庆科技学院学报，2015，17（5）：87-89.

［8］武娜，李小坚.Meanshift算法在全景视觉中的应用与研究［C］.中国计量协会冶金分会2010年会论文集，2010，2：656-660

2018年全市利用项目资金300万元，新建青贮设施补助的企业达到31家，新建青贮面积达到了8万平方米，新增青贮全株玉米能力20万吨以上。全市青贮90多万吨，种植全株玉米（牧草）约50万亩，打包青贮10万吨。“粮改饲”试点项目实施两年来，保定全市共推广种植全株青贮玉米103万亩，全株玉米青贮257万吨，为推动种植业和畜牧业转型升级、实现绿色发展注入了新的动能。

［9］ Cheng Y.Mean shift mode seeking and clustering［J］.Pattern Analysis and Machine Intelligence，IEEE Transactions on，1995.

［10］ Dorin Comaniciu， Visvanathan Ramesh.Real-Time Tracking of Non-Rigid Objects using Mean Shift［C］.ProceedingsIEEE Conference on ComputerVision and Pattern Recognition.CVPR 2000.

如图6给出了北斗系统B1I信号在参考相关间隔下的自然测距偏差，由图可知，I1-S卫星自然测距偏差在相关间隔为0.44码片时达到了2.30ns，MEO-6卫星在相关间隔为0.5码片时自然测距偏差为1.36ns，当相关间隔大于0.6码片时，卫星之间的自然测距偏差达到平稳状态，但所有卫星测距偏差差异仍然较大.同时，测距偏差最小的I1-S卫星和其他卫星之间差异最大，当I1-S在用户接收机的可视范围内时，该卫星参与定位解算时，由于和其他卫星之间存在一定的差异，它可能会给用户带来更大的定位偏差.

［11］徐海明，黄山，李云彤.基于改进的Mean shift鲁棒跟踪算法［J］. 计算机工程与科学，2015，37（6）：1161-1167.