1.目标跟踪算法简介

       目标跟踪（Target Tracking）是近年来计算机视觉领域最活跃的研究方向之一，它包含从目标的图像序列中检测、分类、识别、跟踪并对其行为进行理解和描述，属于图像分析和理解的范畴。从技术角度而言，目标跟踪的研究内容相当丰富，主要涉及到模式识别、图像处理、计算机视觉、人工智能等学科知识；同时，动态场景中运动的快速分割、目标的非刚性运动、目标自遮挡和目标之间互遮挡的处理等问题也为目标跟踪研究带来了一定的挑战。由于目标跟踪在视频会议、安全监控、军事制导、医疗诊断、高级人机交互及基于内容的图像存储与检索等方面具有广泛的应用前景和潜在的经济价值，从而激发了国内外广大科研工作者浓厚兴趣，尤其在美国、英国等国家已经开展了大量相关项目的研究。 

2 目标跟踪算法的比较 

　　视觉目标跟踪是指在视频图像序列的各帧图像中找到被跟踪的目标。目标跟踪算法具有不同的分类标准，可根据检测图像序列的性质分为可见光图像跟踪和红外图像跟踪；又可根据运动场景对象分为静止背景目标跟踪和运动背景下的目标跟踪。本文依据被跟踪目标中提取的不同特征来阐述不同的目标跟踪算法。 

　　1）基于区域的目标跟踪算法。基于区域的跟踪的基本思想是通过图像分割或预先人为确定，提取包含着运动目标的运动变化的区域范围作为匹配的目标模板，然后把目标模板与实时图像在所有可能位置上进行叠加，然后计算某种图像相似性度量的相应值，其最大相似性相对应的位置就是目标的位置，Jorge等人提出的区域跟踪算法不仅利用了分割结果来给跟踪提供信息，同时也能利用跟踪所提供的信息改善分割效果，把连续帧的目标匹配起来跟踪目标。 

　　由于基于区域的目标跟踪算法用的是目标的全局信息，比如灰度、色彩、纹理等。因此当目标未被遮挡时，跟踪精度非常高、跟踪非常稳定，对于跟踪小目标效果很好，可信度高。但是在灰度级的图像上进行匹配和全图搜索，计算量较大，非常费时间，所以在实际应用中实用性不强；其次，算法要求目标不能有太大的遮挡及其形变，否则会导致匹配精度下降，造成运动目标的丢失。 

　　2）基于特征的跟踪算法。基于特征匹配的跟踪方法不考虑运动目标的整体特征，通过有目的的提取序列图像中的过零点、边缘轮廓、线段等相关特征或是部分特性，并建立匹配模板，对目标对象进行特征匹配，达到对目标对象跟踪的目的。假定运动目标可以由惟一的特征集合表达，搜索到该相应的特征集合就认为跟踪上了运动目标。除了用单一的特征来实现跟踪外，还可以采用多个特征信息融合在一起作为跟踪特征。该算法主要包括特征提取和特征匹配两个方面。其中，特征提取指的是针对所包含的目标对象的序列图像选择合适的目标跟踪特性，然后在下一帧采集的图像中对目标对象进行特征提取；特征匹配的过程既是将提取出来的目标对象的特征与我们事先已经建立的特征模板进行匹配，通过与特征模板的相似程度来确定被跟踪的目标对象，实现对目标的跟踪。 

　　基于特征的跟踪算法的优点在于速度快、对运动目标的尺度、形变和亮度等变化不敏感，能满足特定场合的处理要求。但由于特征具有稀疏性和不规则性，所以该算法对于噪声、遮挡、图像模糊等比较敏感，如果目标发生旋转，则部分特征点会消失，新的特征点会出现，因此需要对匹配模板进行更新。 

　　3）基于活动轮廓的跟踪算法。基于活动轮廓的跟踪是利用可以自动更新的封闭轮廓曲线来表示目标并实现对目标的连续跟踪。目标活动轮廓模型跟踪算法的主要思想是首先通过活动轮廓模型将图像进行分割，然后通过对分割的图像区域进行特征提取并与目标进行特征匹配来实现跟踪。活动轮廓由于具有很强的数学理论性以及有成熟的数值实现方案，目前成为计算机视觉中一个研究热点。活动轮廓最早是由Kass等人提出 ，目前已广泛应用于计算机视觉的各个研究和应用领域，包括边缘提取、图像分割和运动目标跟踪等。 

　　基于活动轮廓跟踪的优点是不但考虑来自图像的灰度信息， 而且考虑整体轮廓的几何信息， 增强了跟踪的可靠性。由于跟踪过程实际上是解的寻优过程， 带来的计算量比较大，而且由于Snake模型的盲目性，对于快速运动的物体或者形变较大的情况， 跟踪效果不够理想。 

　　4）基于Mean shift的跟踪算法。均值漂移（mean shift）是Fukunage等人于1975年提出的一种非参数概率密度估计算法，可以通过迭代快速的收敛于概率密度函数的局部最大值。1995年Cheng首次在文献中将Mean shift算法应用于计算机视觉领域。此后该算法被广泛应用到诸多相关领域，如模式分类、图像分割以及目标跟踪等方面。 
　　在实际的计算机视觉问题中，我们所接触到的密度分布是多变量多峰的，传统的参数密度估计要求服从一个己知概率密度函数，而这个已知的概率密度函数般是典型函数，大部分是单峰的，因此并不适合应用到计算机视觉问题中。无参密度估计具有很好的收敛性，可以进行多变量多峰的密度估计，其中直方图法、最近邻域法及核密度估计法是常见的无参估计方法。 

　　均值漂移算法算法思想简单，计算量相对较小，实时性高，易于实现，对边缘遮挡、目标旋转、目标变化以及背景运动都不敏感。但是当目标较小而且运动较快的时候，容易出现跟踪错误。而且在目标全部遮挡的情况下不能自我恢复跟踪。为降低 Mean shift 算法迭代偏差，有人提出Camshift 方案，出发点在于增大初始目标范围。该方案在模板目标邻域内选取若干个初始候选目标点，进行多次Mean shift迭代。考虑到Mean shift算法耗时，此方案在实时监控环境不可行。有人提出结合kalman预测的方法。 

　　

        5）基于粒子滤波的跟踪算法。早在二十世纪五十年代，Hammersley等人就提出了一种称为序贯重要性采样（Sequentia 　lImportant Sampling，SIS）的蒙特卡罗方法，为后来提出粒子滤波算法奠定了最初的理论基础，这一方法在提出后被应用于物理学、统计学以及控制等领域。其后有许多学者对SIS算法提出了改进算法，但始终未能解决粒子退化问题和计算量制约问题，使得该算法的发展受到了很大的限制。直到90年代，N.J.Gordon等人提出了在递推过程中重新采样的思想，通过采样重要性重采样（ Sampling Importance Resampling，SIR）算法在一定程度上克服了粒子退化问题，使得粒子滤波技术得到了长足的发展，从而也奠定了现代粒子滤波算法的基础。从此以后，粒子滤波算法引起各国学者的广泛关注，也产生了一批改进的SIR算法，掀起了一股粒子滤波的研究热潮。 

　　粒子滤波是一种基于蒙特卡罗（Monte Carlo，MC）和递推贝叶斯估计的统计滤波方法，它依据大数定理采用非参数化的蒙特卡罗方法来求解贝叶斯估计中的积分运算。粒子滤波基本算法包括两个基本部分：序贯重要性采样（sequential impo 
　　Rtance sampling， SIS） 和采样重要性重采样 （sampling importance resampling， SIR）。 粒子滤波算法的基本思想是：首先依据系统状态向量的经验条件分布，在状态空间产生一组随机样本集合，这些样本称为粒子；然后根据观测量不断的调整粒子的权重和位置，通过调整后的粒子的信息，修正最初的经验条件分布。 

　　粒子滤波器在处理非线性或非高斯问题方面所显示出的巨大潜力，使其在非线性滤波领域受到了广泛的关注。与传统滤波方法相比，具有简单易行的特点，因此在诸多研究领域得到了广泛应用。但是，传统的粒子滤波算法存在粒子退化问题，即算法经过几次迭代以后，少数粒子的权值变得很大，而大多数粒子的权值却很小，这就意味着大量的计算浪费在那些权值很小的粒子上，而这些粒子对状态估计的贡献几乎为零。很多学者采用重采样方法解决粒子退化问题，即复制权重较大的粒子而删除权重较小的粒子，尽管重采样在一定程度上解决了退化问题，但是由于重采样是根据权值进行，这样多次选取大权值的粒子后，导致采样后的粒子由大量重复的点组成，粒子集里相异样本减少，最后致使粒子集的多样性丧失，即出现样本枯竭问题。但重采样的引入又会导致粒子枯竭问题。在用于目标跟踪时，以至于在跟踪一段时间后会出现跟踪精度下降，甚至目标丢失的现象。