摘 要：複雜背景目標跟蹤是近年來自動目標識別（ATR）領域的一個研究熱點，在軍事、醫療、安全等多個領域具有廣泛的應用前景。ATR的研究內容主要包括目標的檢測分類、特徵提取和目標定位識別等。本文對當前流行的目標跟蹤算法進行了全面的分析比較，最後對目標跟蹤算法的進一步研究方向進行了深入的探討。
關鍵詞：目標跟蹤；粒子濾波；自動目標識別
1 引言目標跟蹤（Target Tracking）是近年來計算機視覺領域最活躍的研究方向之一，它包含從目標的圖像序列中檢測、分類、識別、跟蹤並對其行爲進行理解和描述，屬於圖像分析和理解的範疇。從技術角度而言，目標跟蹤的研究內容相當豐富，主要涉及到模式識別、圖像處理、計算機視覺、人工智能等學科知識；同時，動態場景中運動的快速分割、目標的非剛性運動、目標自遮擋和目標之間互遮擋的處理等問題也爲目標跟蹤研究帶來了一定的挑戰。
由於目標跟蹤在視頻會議、安全監控、軍事制導、醫療診斷、高級人機交互及基於內容的圖像存儲與檢索等方面具有廣泛的應用前景和潛在的經濟價值，從而激發了國內外廣大科研工作者濃厚興趣，尤其在美國、英國等國家已經開展了大量相關項目的研究。
2 目標跟蹤算法的比較
視覺目標跟蹤是指在視頻圖像序列的各幀圖像中找到被跟蹤的目標。目標跟蹤算法具有不同的分類標準，可根據檢測圖像序列的性質分爲可見光圖像跟蹤和紅外圖像跟蹤；又可根據運動場景對象分爲靜止背景目標跟蹤和運動背景下的目標跟蹤。本文依據被跟蹤目標中提取的不同特徵來闡述不同的目標跟蹤算法。
1）基於區域的目標跟蹤算法。基於區域的跟蹤的基本思想是通過圖像分割或預先人爲確定，提取包含着運動目標的運動變化的區域範圍作爲匹配的目標模板，然後把目標模板與實時圖像在所有可能位置上進行疊加，然後計算某種圖像相似性度量的相應值，其最大相似性相對應的位置就是目標的位置，Jorge等人提出的區域跟蹤算法不僅利用了分割結果來給跟蹤提供信息，同時也能利用跟蹤所提供的信息改善分割效果，把連續幀的目標匹配起來跟蹤目標。
由於基於區域的目標跟蹤算法用的是目標的全局信息，比如灰度、色彩、紋理等。因此當目標未被遮擋時，跟蹤精度非常高、跟蹤非常穩定，對於跟蹤小目標效果很好，可信度高。但是在灰度級的圖像上進行匹配和全圖搜索，計算量較大，非常費時間，所以在實際應用中實用性不強；其次，算法要求目標不能有太大的遮擋及其形變，否則會導致匹配精度下降，造成運動目標的丟失。
2）基於特徵的跟蹤算法。基於特徵匹配的跟蹤方法不考慮運動目標的整體特徵，通過有目的的提取序列圖像中的過零點、邊緣輪廓、線段等相關特徵或是部分特性，並建立匹配模板，對目標對象進行特徵匹配，達到對目標對象跟蹤的目的。假定運動目標可以由惟一的特徵集合表達，搜索到該相應的特徵集合就認爲跟蹤上了運動目標。除了用單一的特徵來實現跟蹤外，還可以採用多個特徵信息融合在一起作爲跟蹤特徵。該算法主要包括特徵提取和特徵匹配兩個方面。其中，特徵提取指的是針對所包含的目標對象的序列圖像選擇合適的目標跟蹤特性，然後在下一幀採集的圖像中對目標對象進行特徵提取；特徵匹配的過程既是將提取出來的目標對象的特徵與我們事先已經建立的特徵模板進行匹配，通過與特徵模板的相似程度來確定被跟蹤的目標對象，實現對目標的跟蹤。
基於特徵的跟蹤算法的優點在於速度快、對運動目標的尺度、形變和亮度等變化不敏感，能滿足特定場合的處理要求。但由於特徵具有稀疏性和不規則性，所以該算法對於噪聲、遮擋、圖像模糊等比較敏感，如果目標發生旋轉，則部分特徵點會消失，新的特徵點會出現，因此需要對匹配模板進行更新。
3）基於活動輪廓的跟蹤算法。基於活動輪廓的跟蹤是利用可以自動更新的封閉輪廓曲線來表示目標並實現對目標的連續跟蹤。目標活動輪廓模型跟蹤算法的主要思想是首先通過活動輪廓模型將圖像進行分割，然後通過對分割的圖像區域進行特徵提取並與目標進行特徵匹配來實現跟蹤。活動輪廓由於具有很強的數學理論性以及有成熟的數值實現方案 ，目前成爲計算機視覺中一個研究熱點。活動輪廓最早是由Kass等人提出 ，目前已廣泛應用於計算機視覺的各個研究和應用領域，包括邊緣提取、圖像分割和運動目標跟蹤等。
基於活動輪廓跟蹤的優點是不但考慮來自圖像的灰度信息， 而且考慮整體輪廓的幾何信息， 增強了跟蹤的可靠性。由於跟蹤過程實際上是解的尋優過程， 帶來的計算量比較大，而且由於Snake模型的盲目性，對於快速運動的物體或者形變較大的情況， 跟蹤效果不夠理想。
4）基於Mean shift的跟蹤算法。均值漂移（mean shift）是Fukunage等人於1975年提出的一種非參數概率密度估計算法，可以通過迭代快速的收斂於概率密度函數的局部最大值。1995年Cheng首次在文獻中將Mean shift算法應用於計算機視覺領域。此後該算法被廣泛應用到諸多相關領域，如模式分類、圖像分割以及目標跟蹤等方面。
在實際的計算機視覺問題中，我們所接觸到的密度分佈是多變量多峯的，傳統的參數密度估計要求服從一個己知概率密度函數，而這個已知的概率密度函數般是典型函數，大部分是單峯的，因此並不適合應用到計算機視覺問題中。無參密度估計具有很好的收斂性，可以進行多變量多峯的密度估計，其中直方圖法、最近鄰域法及核密度估計法是常見的無參估計方法。
均值漂移算法算法思想簡單，計算量相對較小，實時性高，易於實現，對邊緣遮擋、目標旋轉、目標變化以及背景運動都不敏感。但是當目標較小而且運動較快的時候，容易出現跟蹤錯誤。而且在目標全部遮擋的情況下不能自我恢復跟蹤。爲降低 Mean shift 算法迭代偏差，有人提出Camshift 方案，出發點在於增大初始目標範圍。該方案在模板目標鄰域內選取若干個初始候選目標點，進行多次 Mean shift迭代。考慮到Mean shift算法耗時，此方案在實時監控環境不可行。有人提出結合kalman預測的方法。 5）基於粒子濾波的跟蹤算法。早在二十世紀五十年代，Hammersley等人就提出了一種稱爲序貫重要性採樣（Sequentia
l Important Sampling，SIS）的蒙特卡羅方法，爲後來提出粒子濾波算法奠定了最初的理論基礎，這一方法在提出後被應用於物理學、統計學以及控制等領域。其後有許多學者對SIS算法提出了改進算法，但始終未能解決粒子退化問題和計算量制約問題，使得該算法的發展受到了很大的限制。直到90年代，N.J.Gordon等人提出了在遞推過程中重新採樣的思想，通過採樣重要性重採樣（ Sampling Importance Resampling，SIR）算法在一定程度上克服了粒子退化問題，使得粒子濾波技術得到了長足的發展，從而也奠定了現代粒子濾波算法的基礎。從此以後，粒子濾波算法引起各國學者的廣泛關注，也產生了一批改進的SIR算法，掀起了一股粒子濾波的研究熱潮。
粒子濾波是一種基於蒙特卡羅（Monte Carlo，MC）和遞推貝葉斯估計的統計濾波方法，它依據大數定理採用非參數化的蒙特卡羅方法來求解貝葉斯估計中的積分運算。粒子濾波基本算法包括兩個基本部分：序貫重要性採樣（sequential impo
Rtance sampling， SIS） 和採樣重要性重採樣 （sampling importance resampling， SIR）。 粒子濾波算法的基本思想是：首先依據系統狀態向量的經驗條件分佈，在狀態空間產生一組隨機樣本集合，這些樣本稱爲粒子；然後根據觀測量不斷的調整粒子的權重和位置，通過調整後的粒子的信息，修正最初的經驗條件分佈。
粒子濾波器在處理非線性或非高斯問題方面所顯示出的巨大潛力，使其在非線性濾波領域受到了廣泛的關注。與傳統濾波方法相比，具有簡單易行的特點，因此在諸多研究領域得到了廣泛應用。但是，傳統的粒子濾波算法存在粒子退化問題，即算法經過幾次迭代以後，少數粒子的權值變得很大，而大多數粒子的權值卻很小，這就意味着大量的計算浪費在那些權值很小的粒子上，而這些粒子對狀態估計的貢獻幾乎爲零。很多學者採用重採樣方法解決粒子退化問題，即複製權重較大的粒子而刪除權重較小的粒子，儘管重採樣在一定程度上解決了退化問題，但是由於重採樣是根據權值進行，這樣多次選取大權值的粒子後，導致採樣後的粒子由大量重複的點組成，粒子集裏相異樣本減少，最後致使粒子集的多樣性喪失，即出現樣本枯竭問題。但重採樣的引入又會導致粒子枯竭問題。在用於目標跟蹤時，以至於在跟蹤一段時間後會出現跟蹤精度下降，甚至目標丟失的現象。
3 結語
目標跟蹤算法具有不同的分類標準，本文依據被跟蹤目標中提取的不同特徵來闡述不同的目標跟蹤算法，並對每種算法的基本思想、優缺點等進行了綜述。可以看到，不同的算法優缺點各不相同，適用的場合也就不同。然而，不同跟蹤算法有些優缺點存在互補性，所以由兩個或多個算法組成的混合目標跟蹤算法已成爲目前研究的熱點。國內外衆多研究者綜合運用各學科知識，大膽嘗試，運動目標跟蹤算法具有廣闊的研究前景。
基金項目：甘肅省教育廳基金項目（1113-01）
參考文獻：
[1]Jorge Badenas，Bober M，and Pla F.Motion and intensitybased segmentation and its application to traffic monitoring[C].In Proceedings， International Conferece on Image Analysis and Processings ICIAP'97，Florence，Italy，1997，502-509.
[2]張娟，毛曉波，陳鐵軍.運動目標跟蹤算法研究綜[J].計算機應用研究，2009，26（12）：4407-4410
[3]塗虯，許毅平，周曼麗.基於全局最小化活動輪廓的多目標檢測跟蹤[J].計算機應用研究， 2010，27（2）： 794-797
[4]KASS M，W ITKI N A，TERZOPOULOS D.Snakes： active contour models[J].International Journal of Computer Vision，1988，（ 4 ）：321-2331.
[5]Fukunage K， Hostetler L D.The estimation of the gradient of a density function with application in pattern recognition [J] .IEEE Trans on Information Theory， 1975， 21（1） ：32-40.
[6]CHENG Y.Mean shift，mode seeking and clustering[J].IEEE Trans.on Pattern Analysis and Machine Intelligence，1995，17（ 8） ：790-799.
[7]江紹明.基於背景減的Mean Shift目標跟蹤算法[J].內江師範學院學報，2010，25（12）：45-48.
[8]N.J.Gordon，D.J.Salmond，A.F.M.Smith.Novel approach to non-linear/non-Gaussian Bayesian state estimation[J].IEEE Proceedings on Radar， Sonar and Navigation， 1993， 140 （2）：107-113.[9]胡士強，敬忠良.粒子濾波算法綜述.控制與決策，2005，20（4）：361-365.
作者簡介：
曹曉麗（1980-）：女，甘肅會寧人，碩士研究生，主要研究方向：目標跟蹤
李明（1959-）：男，河北辛集人，教授，主要研究方向：智能信息處理。