第一章是绪论。内容介绍了文章课题选择的原因背景，对课题实现过程中将涉及的跟踪算法和软件进行简要介绍。

第二章是Mean-Shift算法。内容将重点介绍Mean-Shift算法数理基础，章节还涵盖了Mean-Shift算法现阶段研究状况，跟踪模型搭建和表示。

第三章是EmguCV图形库的视频处理平台。章节涵盖了EmguCV的功能介绍，相关模块及接口函数，通过EmguCV搭建的视频处理框架。

第四章是自适应Mean-Shift跟踪算法。主要内容为：针对跟踪过程中运动目标增大或减小时，跟踪框无法实时地适应运动目标尺寸变化的问题，添加跟踪窗口尺度更新算法，利用仿射模型对Mean-Shift进行算法优化，实现跟踪框尺寸自适应变化的功能；对使用EmguCV实现自适应视频目标跟踪的基本原理、主要功能模块和流程做了详细描述。

第五章是实验结果展示。展示软件运行结果，分析动态跟踪效果。文献综述

2  Mean-Shift算法

2。1  研究现状

2。2  Mean-Shift算法基本思想及其扩展

当Mean-Shift算法用于目标跟踪时，他的本质是对预跟踪目标建模，计算所有候选跟踪目标与预跟踪目标的Bhattacharyya系数，得到最大相似度系数后建立对应的相似度曲面，最终在曲面梯度方向上寻找候选跟踪目标当前帧位置。Mean-Shift算法的目标追踪过程主要由两个步骤组成：

1)分析并跟踪目标图像信息，得到目标模板和各个候选模板的区域特征值，做特征值直方图。提取的图像特征值可以是灰度、梯度值、颜色信息、物体表面纹路等等，也可以是上述多个特征的组合。目标模型由特征直方图建立而成，采样点距离越靠近采样中心权系数越大。

2)构建相似性曲面，计算各个采样点梯度矢量和矢量相加总和，即可得到Mean-Shift向量。

在预跟踪目标设定后，立即搭建一系列候选目标跟踪模板，沿着一定的梯度方向在当前帧与候选目标做特征直方图相似度比对。随着算法不断的运行，越靠近跟踪目标中心的采样点其特征直方图相似度越高，对应Mean-Shift向量的模值越小。直到模值近似为零时，候选目标不再发生位移，当前定位即为预跟踪目标在当前帧的位置。关于Mean-Shift算法在迭代过程中是否会收敛这一问题，在Cheng的文章中[6]已得到具体证明，算法可以扩展应用到目标跟踪领域。收敛性的证明同时也表明，在跟踪过程中沿梯度方向必然可以得到与预跟踪目标直方图相似度最大的区域。

2。2。1  Mean-Shift基本原理

首先设定一个d维空间 中的n个采样点 （i=1,…,n），得到Mean-Shift向量在x点的定义为：

                               (1)

其中， 是一个半径为h的高维球区域，它的数学表达形式为

                           (2)

k代表在n个采样点共有k个点分布在 区域内。 

 代表采样点 相较于基准点 的偏移向量，(1)式介绍的Mean-Shift向量 可以通过对高维球 内的采样点相较于 的偏移向量进行简单计算，求和后取平均值得到结果。除此之外，Mean-Shift向量 会向着概率密度梯度最大的地方移动[5]。

。 

图2。1 Mean-Shift示意图

参照图2。1可知，外围圆圈内限定为范围代表高维球 区域，内部零散分布的许多空心圆代表落入 区域内的共i个样本点 ，中央的黑色实心圆代表Mean-Shift算法的基准点x，箭头表示基准点x出发的偏移向量，箭头方向即为偏移指向方向。综上所述，平均偏移向量 会向着样本点最密集的区域移动，这个移动方向又被称为概率密度函数的梯度方向。