杨红霞，杭亦文，刘 旭

(1.武汉理工大学自动化学院，湖北 武汉 430070;2.武汉大学电气工程学院，湖北 武汉 430072)

对运动目标进行跟踪不仅可以提供目标的运动状态和轨迹，也为运动分析、场景理解等提供可靠的数据来源，在智能监控、突发事件检测等方面有着重要的应用。而图像噪声、天气突变、光照变化、目标运动随机性等复杂的场景，都会给运动目标的跟踪带来困难。近年来，所提出的跟踪方法通常有基于模型的跟踪、基于区域的跟踪、基于活动轮廓的跟踪和基于特征的跟踪等[1]。基于模型的跟踪方法通过对运动目标进行建模，利用视频图像序列确定模型的参数，从而精确分析出目标的运动轨迹[2]。该方法在遮挡或干扰下，性能较好，但几何模型的建立非常困难，计算量大、运行时间长，难以实现实时跟踪;基于区域的跟踪是基于对连续帧中分割出的目标区域建立联系而提出的[3]，对多目标跟踪效果较好，但由于只能获得区域级的跟踪，当目标发生形变或存在遮挡时，就会导致目标跟踪丢失，且费时，无法做到实时跟踪;基于活动轮廓的跟踪则利用目标边界信息来实现跟踪[4]，该方法能有效克服干扰或部分遮挡问题，但其对跟踪的初始化特别敏感;基于特征的跟踪是利用目标的某个或局部特征进行匹配[5]，在目标部分遮挡时，利用部分特征仍能跟踪，常用的特征有目标质心、颜色特征、角点等局部特征。最典型的基于特征的方法是利用颜色特征的Meanshift算法，该方法是一种基于迭代收敛到概率密度的局部极大的非参数估计算法，具有实时性好，易于与其他算法集成，对目标的旋转、变形，以及边缘遮挡不敏感等优点。……