仝曉龍等

摘 要：運(yùn)動(dòng)目標(biāo)跟蹤是一個(gè)頗具挑戰(zhàn)性的問(wèn)題，文章對(duì)當(dāng)前運(yùn)動(dòng)目標(biāo)跟蹤問(wèn)題的相關(guān)方法進(jìn)行分析研究。首先從一個(gè)嶄新的角度提出了一套分析運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)的體系結(jié)構(gòu)方法。然后采用這種體系結(jié)構(gòu)對(duì)列舉的每種跟蹤算法方案進(jìn)行闡述和歸類，指出了每種方案適用范圍及其局限性。最后針對(duì)研究過(guò)程中所面臨的難題，展望了運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)新的發(fā)展趨勢(shì)。

關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)跟蹤；特征模板提??；跟蹤算法框架；運(yùn)動(dòng)目標(biāo)預(yù)測(cè)

緒論

運(yùn)動(dòng)目標(biāo)跟蹤是一門多學(xué)科交叉的技術(shù)，是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要課題，它綜合應(yīng)用了圖像處理、模式識(shí)別、自動(dòng)控制、人工智能等學(xué)科的理論知識(shí)。運(yùn)動(dòng)目標(biāo)跟蹤，是指給定一段視頻序列，在該視頻序列的每幀圖像中實(shí)時(shí)地找到感興趣的運(yùn)動(dòng)目標(biāo)，并評(píng)估其運(yùn)動(dòng)軌跡。一般來(lái)說(shuō)，典型的目標(biāo)跟蹤系統(tǒng)一般包含的四個(gè)過(guò)程[1]：目標(biāo)初始化，特征模版表示，相似性度量和運(yùn)動(dòng)估計(jì)，進(jìn)行目標(biāo)定位。運(yùn)動(dòng)目標(biāo)跟蹤問(wèn)題的難點(diǎn)如：目標(biāo)本身特征的多樣性和不穩(wěn)定性、外部環(huán)境的復(fù)雜多變性、目標(biāo)之間的遮擋等。解決跟蹤問(wèn)題的關(guān)鍵點(diǎn)在于：完整地分割目標(biāo)、有效地表示目標(biāo)和準(zhǔn)確識(shí)別目標(biāo)。

通過(guò)對(duì)于大量目標(biāo)跟蹤領(lǐng)域文獻(xiàn)的閱讀，可以分析出之前較多的目標(biāo)跟蹤綜述文獻(xiàn)[1][2][3]主要是從特征模版表示或不同跟蹤算法等角度對(duì)跟蹤進(jìn)行分類，但是對(duì)于讀者對(duì)整個(gè)跟蹤系統(tǒng)框架把握不清。文章根據(jù)目標(biāo)跟蹤系統(tǒng)中實(shí)現(xiàn)過(guò)程，從一種新穎角度總結(jié)出一般的目標(biāo)跟蹤方法體系結(jié)構(gòu)分為以下三個(gè)部分：（1）運(yùn)動(dòng)目標(biāo)的特征選取和表示；（2）運(yùn)動(dòng)目標(biāo)跟蹤常用算法框架；（3）運(yùn)動(dòng)目標(biāo)預(yù)測(cè)算法。

目標(biāo)跟蹤算法一般的都不會(huì)超出這三個(gè)部分。分別從這三個(gè)部分進(jìn)行跟蹤算法的分析研究，第一考慮選取不同的目標(biāo)特征，如顏色、紋理、形狀等；根據(jù)選擇目標(biāo)特征，運(yùn)用合理的目標(biāo)表示方法，如顏色直方圖，紋理直方圖、輪廓特征模板等；第二，選擇一種或幾種適合的跟蹤算法框架。第三，采用目標(biāo)跟蹤預(yù)測(cè)的方法更加合理準(zhǔn)確的找到目標(biāo)。我們結(jié)合目標(biāo)跟蹤領(lǐng)域提出的許多方法，論述了三個(gè)部分如何有機(jī)組合實(shí)現(xiàn)有效的運(yùn)動(dòng)目標(biāo)跟蹤。此外，文中所列舉的大量跟蹤方法實(shí)例都可以從以上三個(gè)部分進(jìn)行歸類，這將有助于相關(guān)領(lǐng)域的研究人員清晰的把握目標(biāo)跟蹤技術(shù)脈絡(luò)，讓研究人員盡快的從以上三個(gè)方面進(jìn)行深入研究，并提出相應(yīng)改進(jìn)和創(chuàng)新方法。

1 運(yùn)動(dòng)目標(biāo)特征提取

1.1 目標(biāo)特征

特征是一個(gè)物體具有可靠性、獨(dú)立性、且可區(qū)別于其他物體的屬性，一個(gè)運(yùn)動(dòng)目標(biāo)一般具有很多特征，充分的了解這些特征將有助于提高解決運(yùn)動(dòng)目標(biāo)跟蹤問(wèn)題的效率和準(zhǔn)確性。一般來(lái)講，常見的運(yùn)動(dòng)目標(biāo)的特征包括：顏色、紋理、邊緣、運(yùn)動(dòng)等如何根據(jù)特定的場(chǎng)景選擇合適的目標(biāo)特征，成為影響跟蹤效果好壞的重要因素。希望通過(guò)有效特征選取，來(lái)區(qū)分感興趣運(yùn)動(dòng)目標(biāo)和場(chǎng)景中其他運(yùn)動(dòng)目標(biāo)。例如，在足球比賽中，對(duì)特定某個(gè)運(yùn)動(dòng)員跟蹤，而選擇了不恰當(dāng)?shù)奶卣?，例如形狀，接下?lái)在運(yùn)動(dòng)員遮擋的時(shí)候，就很難正確跟蹤了。對(duì)于特定場(chǎng)景的應(yīng)用，特征的選擇十分重要，因而作為跟蹤方法結(jié)構(gòu)的第一部分，文章所舉出的是基本的視覺(jué)目標(biāo)特征，研究人員也可以采用或設(shè)計(jì)一些新的視覺(jué)特征來(lái)更好實(shí)習(xí)目標(biāo)的跟蹤。

1.2 目標(biāo)特征提取

目標(biāo)特征提取，是指使用運(yùn)動(dòng)目標(biāo)的某些顯著特征表示目標(biāo)。也可將其分解為兩個(gè)部分視覺(jué)表征和統(tǒng)計(jì)模型。視覺(jué)表征目標(biāo)是采用各種不同的視覺(jué)特征構(gòu)建魯棒的目標(biāo)描述。統(tǒng)計(jì)模型是采用統(tǒng)計(jì)學(xué)習(xí)的方法建立有效的分辨目標(biāo)的數(shù)學(xué)模型。

在運(yùn)動(dòng)目標(biāo)跟蹤過(guò)程的開始階段，首先要選擇感興趣的跟蹤目標(biāo)，通過(guò)圖像分割或人為框選得到覆蓋整個(gè)目標(biāo)的區(qū)域（該區(qū)域比目標(biāo)稍大，可以是矩形或橢圓形），然后采用目標(biāo)的某些特征來(lái)有效地表示該運(yùn)動(dòng)目標(biāo)。實(shí)際中的運(yùn)動(dòng)目標(biāo)往往具有很多特征，如果將其所有特征都記錄下來(lái)，就需要計(jì)算機(jī)花大量時(shí)間計(jì)算，從而滿足不了要求實(shí)時(shí)性的跟蹤。所以，不需要考慮運(yùn)動(dòng)目標(biāo)的全部特征，而只需要利用一些顯著特征即可，所提取的特征應(yīng)盡量做到計(jì)算簡(jiǎn)單，以便快速識(shí)別。另外，選用的特征應(yīng)盡量具有相對(duì)穩(wěn)定性，即對(duì)圖像的旋轉(zhuǎn)、平移、尺度變化、光照條件變化等不敏感，從而減輕外部環(huán)境對(duì)跟蹤效果的影響。

在處理跟蹤問(wèn)題時(shí)，跟蹤系統(tǒng)將要跟蹤的運(yùn)動(dòng)目標(biāo)用其顯著特征表示，計(jì)算機(jī)處理這個(gè)“表示”的過(guò)程是將目標(biāo)的顯著特征數(shù)據(jù)從高維的原始特征空間，通過(guò)映射變換到低維空間，形成簡(jiǎn)化計(jì)算量的可供計(jì)算機(jī)理解的數(shù)據(jù)，同時(shí)計(jì)算機(jī)認(rèn)為該特征數(shù)據(jù)即為運(yùn)動(dòng)目標(biāo)的特征模板，即計(jì)算機(jī)“認(rèn)識(shí)”了要跟蹤的目標(biāo)。計(jì)算機(jī)將運(yùn)動(dòng)目標(biāo)用其模板表示的目的是為后續(xù)的跟蹤工作做準(zhǔn)備。常用的目標(biāo)模板包括：顏色直方圖、灰度共生矩陣、紋理直方圖等（圖1a）。在實(shí)際應(yīng)用中，上述這些模板可以進(jìn)行適當(dāng)?shù)母倪M(jìn)以提高跟蹤的魯棒性。

2 跟蹤算法框架

2.1 目標(biāo)特征模版更新

我們可以比較容易的提取一般圖像的特征，然而是否這些特征可以有效表達(dá)要跟蹤的目標(biāo)，經(jīng)常需要根據(jù)特定的環(huán)境采用不同的特征還可能采用多特征聯(lián)生成有效的目標(biāo)模板。上一節(jié)在介紹目標(biāo)特征提取時(shí)候，可以將提取特征模板直接作為生成的目標(biāo)的特征模板直接使用，還可以選用這些特征模板來(lái)生成新的目標(biāo)特征模板，往往這樣做會(huì)更有效的表達(dá)表達(dá)目標(biāo)。

目標(biāo)特征模板生成后常常不是唯一不變，在目標(biāo)運(yùn)動(dòng)的過(guò)程中由于目標(biāo)的形變和光照的變化會(huì)影響目標(biāo)的有效表達(dá)，因此需要對(duì)目標(biāo)模板運(yùn)動(dòng)跟蹤過(guò)程中進(jìn)行更新。目標(biāo)特征模版更新問(wèn)題在跟蹤領(lǐng)域關(guān)注度越來(lái)越高，主流的研究方法是在線特征選擇，需要用特征模版和當(dāng)前圖像的目標(biāo)數(shù)據(jù)進(jìn)行比對(duì)來(lái)決定是否進(jìn)模版更新。還有一種模版的更新策略，根據(jù)跟蹤到的目標(biāo)實(shí)時(shí)的更新目標(biāo)的模版而不進(jìn)行比對(duì)。模版更新問(wèn)題較為困難，首先如果在目標(biāo)存在遮擋情況下，模版更新較快很容易造成錯(cuò)誤的模版更新。其次，模版更新較慢不能適用目標(biāo)快速變化的情況。一般來(lái)說(shuō)，感興趣目標(biāo)在一段視頻序列中不會(huì)發(fā)生特別大的改變，魯棒的模版更新機(jī)制也就沒(méi)有必要了。當(dāng)然，在要求嚴(yán)格的自動(dòng)化商業(yè)系統(tǒng)中，一般是需要通過(guò)有監(jiān)督的方法輔助進(jìn)行模版更新。endprint

2.2 模板匹配

跟蹤系統(tǒng)在將運(yùn)動(dòng)目標(biāo)用其特征模板表示之后，跟蹤過(guò)程也進(jìn)入了計(jì)算相似性度量階段。在視頻圖像的后續(xù)幀中，采用一定的相似性度量方法，通過(guò)計(jì)算目標(biāo)模板與后續(xù)幀中所有候選目標(biāo)區(qū)域的相似性函數(shù)值，選擇函數(shù)值最大的候選目標(biāo)區(qū)域（也即與目標(biāo)特征模板最相似的區(qū)域）作為運(yùn)動(dòng)目標(biāo)在新一幀圖像中的位置。用這樣的方式在每一幀圖像中進(jìn)行計(jì)算相似性度量，就可以實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的連續(xù)跟蹤。在圖像處理與分析理論中，常用的相似性度量方法有歐式距離、加權(quán)距離、Bhattacharyya系數(shù)等。

2.3 分類學(xué)習(xí)

利用分類器將跟蹤目標(biāo)從背景中分割出來(lái)是以模式分類的方法解決視頻跟蹤問(wèn)題。我們把跟蹤看作分類問(wèn)題，通過(guò)訓(xùn)練分類器來(lái)區(qū)分背景和目標(biāo)。通過(guò)在參考圖像中提取每一像素的一個(gè)特征向量，經(jīng)過(guò)訓(xùn)練得到一個(gè)分類器來(lái)識(shí)別一個(gè)像素是屬于目標(biāo)還是背景。給定新的一幀圖像，我們使用訓(xùn)練好的分類器測(cè)試偵查區(qū)域里的像素并得到置信圖，我們認(rèn)為圖中的峰值點(diǎn)就是物體移動(dòng)到的地方。

3 運(yùn)動(dòng)預(yù)測(cè)

運(yùn)動(dòng)預(yù)測(cè)，相當(dāng)于是一個(gè)動(dòng)態(tài)的狀態(tài)評(píng)估的問(wèn)題，在跟蹤上一幀的運(yùn)動(dòng)個(gè)目標(biāo)后，提出目標(biāo)特征，然后在下一幀圖像中采用特征匹配或訓(xùn)練分類器分類方法進(jìn)行目標(biāo)跟蹤。但是為了減少搜索特征匹配的區(qū)域，提高實(shí)時(shí)性，我們常常對(duì)目標(biāo)運(yùn)動(dòng)軌跡預(yù)測(cè)選取最可能的目標(biāo)區(qū)域。狀態(tài)評(píng)估公式：xt=f（xt-1，vt-1）和zt=h（xt，wt），其中xt是當(dāng)前狀態(tài)，f是狀態(tài)方程，vt-1是過(guò)程噪聲，zt是當(dāng)前觀測(cè)值，h是測(cè)量方程，wt是測(cè)量噪聲。

一般常用預(yù)測(cè)方法有如，固定搜索窗半徑r（r為大于0的實(shí)數(shù)），r的大小是根據(jù)跟蹤目標(biāo)的不同設(shè)定的。我們以上一幀目標(biāo)所在位置為中心r為半徑，產(chǎn)生多個(gè)檢測(cè)窗口進(jìn)行當(dāng)前幀搜索計(jì)算找到最大可能的位置作為本幀目標(biāo)位置。還可以統(tǒng)計(jì)之前N（N=2，3，…）幀跟蹤的目標(biāo)位置信息，計(jì)算出目標(biāo)運(yùn)動(dòng)的大致方向和速度，預(yù)判下一幀中可能的目標(biāo)位置，從而減少計(jì)算量。比較經(jīng)典的預(yù)測(cè)方法如：Ellis等2010年提出線性回歸預(yù)測(cè)算法，、Kalman在1960年提出的Kalman濾波器預(yù)測(cè)算法、Isard 和Blake等1998年提出的粒子濾波器預(yù)測(cè)算法，選取最可能的目標(biāo)區(qū)域。文章主要的任務(wù)是讓讀者有一個(gè)關(guān)于跟蹤目標(biāo)算法清晰的思路，快速的了解目標(biāo)跟蹤技術(shù)關(guān)鍵要點(diǎn)。在這里不再具體的詳述具體預(yù)測(cè)算法。

4 經(jīng)典跟蹤算法

一般的運(yùn)動(dòng)目標(biāo)跟蹤的實(shí)現(xiàn)，必然是采用具體某種跟蹤算法作為依托。首先，文章將介紹的四種經(jīng)典的運(yùn)動(dòng)目標(biāo)跟蹤算法：基于Mean Shift目標(biāo)跟蹤；基于卡爾曼濾波目標(biāo)跟蹤；基于粒子濾波目標(biāo)跟蹤；基于支持向量機(jī)SVM分類學(xué)習(xí)目標(biāo)跟蹤。人們目前常用的跟蹤方法一般都會(huì)采用這四種經(jīng)典的跟蹤算法一種或幾種，去實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的高效、穩(wěn)定的跟蹤。然后，文章列舉的大量的實(shí)例依據(jù)文章所提出的跟蹤算法體系結(jié)構(gòu)的組成部分進(jìn)行分析分解，這樣做有助于相關(guān)領(lǐng)域的研究人員，清晰的把握實(shí)例中采用的跟蹤算法結(jié)構(gòu)。最后，介紹了近年來(lái)提出一些受到研究人員越來(lái)越多關(guān)注的新的跟蹤算法。

4.1 基于Mean Shift目標(biāo)跟蹤

Mean Shift（均值移動(dòng)）算法由Fukunaga于1975年在一篇關(guān)于概率密度梯度函數(shù)的估計(jì)的文章中首次提出，其含義為移動(dòng)的均值向量，該算法計(jì)算簡(jiǎn)單，實(shí)時(shí)性強(qiáng)，對(duì)目標(biāo)的形狀變化、尺度變化不敏感，但是對(duì)顏色相近的干擾情況，跟蹤效果不夠理想。Mean Shift算法是一個(gè)迭代收斂的過(guò)程，即計(jì)算當(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)，直到滿足一定閾值條件或迭代次數(shù)限制條件的約束。Comaniciu最早將Mean Shift算法應(yīng)用于圖像濾波、分割和目標(biāo)跟蹤領(lǐng)域。Camshift算法是一種基于均值漂移（Mean Shift）的算法，在連續(xù)幀上使用Mean Shift算法就是Camshift跟蹤算法。Camshift同經(jīng)典的均值移動(dòng)跟蹤算法的基本思想是相同的，所不同的是，Camshift是建立在顏色概率分布圖和矩的基礎(chǔ)之上，Camshift算法對(duì)室內(nèi)環(huán)境下的目標(biāo)跟蹤具有較高的魯棒性。

陳建軍[4]等人提出了一種基于核共生矩陣的均值移動(dòng)跟蹤算法，使用目標(biāo)的紋理特征作為跟蹤線索，將灰度共生矩陣改進(jìn)成核共生矩陣作為特征模板，采用Bhattacharyya系數(shù)度量核共生矩陣的相似度，在Mean Shift跟蹤算法基礎(chǔ)上實(shí)現(xiàn)了人臉的跟蹤；田綱[5]等人使用目標(biāo)的顏色和運(yùn)動(dòng)特征，將目標(biāo)的運(yùn)動(dòng)矢量作為特征模板，在Mean Shift跟蹤算法基礎(chǔ)上實(shí)現(xiàn)了跟蹤；袁廣林[6]等人使用目標(biāo)的顏色特征，通過(guò)多顏色直方圖自適應(yīng)組合作為特征模板，利用目標(biāo)區(qū)域?qū)γ恳活伾狈綀D的概率圖的均值和方差的比值，自適應(yīng)計(jì)算權(quán)值，在Mean Shift跟蹤算法基礎(chǔ)上實(shí)現(xiàn)穩(wěn)定跟蹤，該方法對(duì)目標(biāo)外觀變化具有較強(qiáng)的魯棒性。

4.2 基于卡爾曼濾波目標(biāo)跟蹤

卡爾曼濾波算法是一種經(jīng)典的預(yù)測(cè)估計(jì)算法，如果已知目標(biāo)運(yùn)動(dòng)是線性的，且圖像噪聲服從高斯分布，便可應(yīng)用卡爾曼濾波預(yù)測(cè)目標(biāo)下一幀位置，從而實(shí)現(xiàn)目標(biāo)跟蹤?？柭鼮V波器是一個(gè)最優(yōu)化自回歸數(shù)據(jù)處理算法，對(duì)動(dòng)態(tài)系統(tǒng)的狀態(tài)序列進(jìn)行線性最小方差估計(jì)，利用狀態(tài)方程和觀測(cè)方程描述動(dòng)態(tài)系統(tǒng)，根據(jù)之前的狀態(tài)序列對(duì)下一個(gè)狀態(tài)作最優(yōu)估計(jì)，預(yù)測(cè)時(shí)具有無(wú)偏、穩(wěn)定的特點(diǎn)，在存在部分短暫遮擋的目標(biāo)跟蹤中有很好的跟蹤效果。其計(jì)算量小，實(shí)時(shí)性強(qiáng)，可以準(zhǔn)確預(yù)測(cè)目標(biāo)的位置和速度，但是它只適合于線性高斯系統(tǒng)。

徐哈寧[7]等人使用目標(biāo)的運(yùn)動(dòng)特征，提出一種交互多模型作為目標(biāo)特征模板，交互多模型包括勻速模型、加速度模型、轉(zhuǎn)彎模型以及“當(dāng)前”統(tǒng)計(jì)模型等，并將傳統(tǒng)的卡爾曼濾波跟蹤算法基礎(chǔ)上進(jìn)行改進(jìn)，即在去偏轉(zhuǎn)換測(cè)量卡爾曼濾波器（CMKF-D）框架下完成了體育視頻中球類目標(biāo)的跟蹤；齊美彬[8]等人提出一種基于自適應(yīng)權(quán)值的區(qū)域馬爾科夫隨機(jī)場(chǎng)（MRF）分割與跟蹤方法，利用相鄰像素的空間相關(guān)性，自適應(yīng)更新系統(tǒng)能量函數(shù)中的參數(shù)，使用目標(biāo)的灰度直方圖特征，建立分片積分直方圖特征模板，在卡爾曼濾波算法基礎(chǔ)上實(shí)現(xiàn)部分遮擋和光線變化時(shí)的準(zhǔn)確分割與跟蹤。endprint

4.3 基于粒子濾波（Particle Filter）目標(biāo)跟蹤

粒子濾波是上世紀(jì)90年代后期發(fā)展起來(lái)的，是一種基于蒙特卡羅和貝葉斯估計(jì)理論的最優(yōu)算法，其基本思想是用隨機(jī)樣本描述概率分布，以遞歸的方式對(duì)測(cè)量數(shù)據(jù)進(jìn)行序貫處理，無(wú)須對(duì)之前的測(cè)量數(shù)據(jù)存儲(chǔ)和處理，根據(jù)測(cè)量數(shù)據(jù)調(diào)節(jié)各粒子權(quán)值的大小和樣本的位置，適合于非線性非高斯跟蹤系統(tǒng)，有效克服了卡爾曼濾波的缺點(diǎn)，同時(shí)可以跟蹤運(yùn)動(dòng)速度較快的目標(biāo)。但粒子濾波算法的計(jì)算量會(huì)隨著所選取粒子數(shù)目的增加而驟增，因此較難滿足跟蹤的實(shí)時(shí)性要求。

王歡[9]等人利用目標(biāo)的顏色、紋理、邊緣、運(yùn)動(dòng)的融合特征，并將這四種特征用統(tǒng)一的直方圖模型來(lái)表示，在Auxiliary粒子濾波算法基礎(chǔ)上將所有特征觀測(cè)進(jìn)行概率融合，實(shí)現(xiàn)了復(fù)雜背景干擾和遮擋時(shí)的剛體和非剛體目標(biāo)的跟蹤；夏利民等人使用目標(biāo)的顏色、Harr小波和LBP紋理特征，利用背景信息和目標(biāo)信息建立特征分類器，自適應(yīng)地更新目標(biāo)的特征模板，在粒子濾波跟蹤算法基礎(chǔ)上實(shí)現(xiàn)了穩(wěn)定跟蹤；趙曉林等人提出基于活動(dòng)基模型的目標(biāo)跟蹤方法，用一定數(shù)量的粒子表示運(yùn)動(dòng)目標(biāo)的輪廓，以目標(biāo)的局部邊緣作為特征，以活動(dòng)基模型（局部邊緣特征模型）作為特征模板，在粒子濾波算法基礎(chǔ)上進(jìn)行非剛體目標(biāo)跟蹤，該方法在目標(biāo)發(fā)生形狀變化以及存在遮擋情況下有很好的跟蹤性能。

4.4 基于支持向量機(jī)SVM分類學(xué)習(xí)目標(biāo)跟蹤

有效的區(qū)分目標(biāo)與背景是非常重要的，通過(guò)特征評(píng)價(jià)算法建立對(duì)目標(biāo)和背景具有良好可分性的的視覺(jué)特征實(shí)現(xiàn)跟蹤。Avidan以支持向量機(jī)SVM離線學(xué)習(xí)得到目標(biāo)與背景特征，稱為支持向量機(jī)跟蹤算法（SVM-Tracking）。

Tian等人利用一組線性支持向量機(jī)分類器構(gòu)建了SVM分類模型，這些分類器在跟蹤中不同時(shí)期具有自適應(yīng)加權(quán)判別功能，在外觀變化較大時(shí)候跟蹤結(jié)果比較魯棒。但是，對(duì)于背景和目標(biāo)相似情況，會(huì)產(chǎn)生起凡是和不可靠的訓(xùn)練樣本選擇。Lu等人 設(shè)計(jì)SVM分類器采用多內(nèi)核學(xué)習(xí)（MKL）的視覺(jué)目標(biāo)跟蹤，MKL的目的是學(xué)習(xí)的最佳線性組合不同的內(nèi)核的基礎(chǔ)上的不同特征，包括顏色信息和視覺(jué)詞空間金字塔直方圖，解決了上面文獻(xiàn)的問(wèn)題。

4.5 跟蹤算法框架融合應(yīng)用

上面介紹的三種跟蹤算法除了可以單獨(dú)作為框架使用，還可以進(jìn)行多算法框架融合使用，以提高跟蹤的可靠性和準(zhǔn)確性。例如：姚紅革等人使用目標(biāo)的顏色特征，把目標(biāo)的顏色直方圖改進(jìn)成顏色概率分布圖，以加權(quán)顏色概率分布模型作為目標(biāo)的特征模板，采用Bhattacharyya度量系數(shù)，在Mean Shift和卡爾曼濾波跟蹤算法基礎(chǔ)上實(shí)現(xiàn)了人的部分遮擋時(shí)的跟蹤；王相海等人利用目標(biāo)的顏色特征，以基于重要區(qū)域的目標(biāo)顏色直方圖統(tǒng)計(jì)模型作為特征模板，在Mean Shift、卡爾曼濾波和粒子濾波融合跟蹤算法基礎(chǔ)上實(shí)現(xiàn)了車輛的有效跟蹤；王鑫等人融合目標(biāo)的顏色和運(yùn)動(dòng)特征，以顏色直方圖和運(yùn)動(dòng)直方圖作為目標(biāo)的特征模板，使用改進(jìn)的Camshift算法嵌入到粒子濾波算法中實(shí)現(xiàn)了人手和杯子的有效跟蹤。

4.6 目標(biāo)跟蹤研究最新發(fā)展

除了以上介紹的四種經(jīng)典算法外，近年來(lái)發(fā)展起來(lái)的一些視頻目標(biāo)跟蹤算法如，TLD、CT、Struck、MILTrack等，也越來(lái)越受到了研究人員的廣泛關(guān)注。簡(jiǎn)要的介紹前兩種算法：TLD是Zdenek Kalal 等提出的一種新的單目標(biāo)長(zhǎng)時(shí)間跟蹤算法。該算法結(jié)合傳統(tǒng)檢測(cè)和跟蹤算法來(lái)解決被跟蹤目標(biāo)在被跟蹤過(guò)程中發(fā)生的形變、部分遮擋等問(wèn)題。同時(shí)，通過(guò)一種改進(jìn)的在線學(xué)習(xí)機(jī)制不斷更新跟蹤模塊的“顯著特征點(diǎn)”和檢測(cè)模塊的目標(biāo)模型及相關(guān)參數(shù)，從而使得跟蹤效果更加穩(wěn)定、魯棒、可靠。壓縮感知跟蹤（CT）算法是Zhang等人通過(guò)一定的寬松規(guī)則，生成一個(gè)稀疏的投影矩陣，然后直接將壓縮后的數(shù)據(jù)作為特征使用，可以進(jìn)行快速的運(yùn)動(dòng)目標(biāo)跟蹤。對(duì)于目標(biāo)的旋轉(zhuǎn)和縮放變化的有較好處理，理論上有了較大的突破。

5 結(jié)束語(yǔ)

運(yùn)動(dòng)目標(biāo)跟蹤作為計(jì)算機(jī)視覺(jué)領(lǐng)域研究的一個(gè)重要內(nèi)容，融合了多學(xué)科知識(shí)，具有很好的發(fā)展前景。盡管近年來(lái)運(yùn)動(dòng)目標(biāo)跟蹤領(lǐng)域取得了很大進(jìn)步，性能優(yōu)異的跟蹤算法不斷被提出，但仍存在許多需要解決的問(wèn)題。研究出一種通用性好、實(shí)時(shí)性強(qiáng)、準(zhǔn)確度高的跟蹤算法是未來(lái)的發(fā)展方向。對(duì)已有的跟蹤算法進(jìn)行優(yōu)化可以提升跟蹤的可靠性和精度。根據(jù)文章提出的運(yùn)動(dòng)目標(biāo)跟蹤方法分析流程體系結(jié)構(gòu)圖，可以在特征的選擇、跟蹤算法框架、運(yùn)動(dòng)預(yù)測(cè)算法這三方面做出創(chuàng)新，充分利用上下情景信息、背景和輔助目標(biāo)信息，在一些特定的場(chǎng)合，適當(dāng)增加機(jī)位擴(kuò)展視頻的拍攝角度，更多的獲取目標(biāo)特征信息，再對(duì)這些特征信息進(jìn)行融合來(lái)降低跟蹤的難度，有效解決遮擋的跟蹤問(wèn)題。

參考文獻(xiàn)

[1]X. Li，W. Hu，C. Shen，Z.Zhang，A. Dick，and A. Hengel.“A Survey of Appearance Models in Visual Object Tracking” TIST，2013.

[2]張娟，毛曉波，陳鐵軍.運(yùn)動(dòng)目標(biāo)蹤算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2009，26（12）.

[3]薛陳，朱明，劉春香.遮擋情況下目標(biāo)跟蹤算法綜述[J].中國(guó)光學(xué)與應(yīng)用光學(xué)，2009，2（5）.

[4]陳建軍，安國(guó)成，張索非，等.基于核共生矩陣的均值移動(dòng)跟蹤算法[J].中國(guó)圖像圖形學(xué)報(bào)，2010，15（10）：1499-1506.

[5]田綱，胡瑞敏，王中元.一種基于運(yùn)動(dòng)矢量分析的MeanShift目標(biāo)跟蹤算法[J].中國(guó)圖像圖形學(xué)報(bào)，2010，15（1）：85-90.

[6]袁廣林，薛模根，謝愷，等.多顏色直方圖自適應(yīng)組合MeanShift跟蹤[J].中國(guó)圖像圖形學(xué)報(bào)，2011，16（10）：1832-1840.

[7]徐哈寧，肖慧，侯宏錄.體育視頻序列中基于IMM的運(yùn)動(dòng)目標(biāo)跟蹤算法[J].中國(guó)圖像圖形學(xué)報(bào)，2009，14（5）：920-924.

[8]齊美彬，楊立賓，蔣建國(guó).自適應(yīng)權(quán)值的MRF分割與跟蹤方法[J].中國(guó)圖像圖形學(xué)報(bào)，2011，16（4）：572-578.

[9]王歡，王江濤，任明武，等.一種魯棒的多特征融合目標(biāo)跟蹤新算法[J].中國(guó)圖像圖形學(xué)報(bào)，2009，14（3）：489-498.endprint