石祥滨，乔利英，刘 芳，吴杰宏

(沈阳航空航天大学 a.计算机学院;b.工程训练中心，沈阳 110136)

在动态环境下进行目标跟踪是当今机器视觉中的一个研究热点和难点，并被广泛应用于军用和民用领域。目前，国内外学者提出了许多不同的跟踪算法［1－3］，但是这些算法大都是面向特定应用环境的。为了提高跟踪的鲁棒性，许多人研究认为利用多个特征进行目标跟踪是解决这一问题的有效途径。但是，多特征跟踪存在的两个问题即如何合理选择目标特征以及如何构造有效的融合机制。文献［4］使用串行结构处理多个视觉线索，最大的特点就是跟踪系统对环境和场景变化的自组织和自适应力强。Collins等［5］将一种在线多特征自适应选择机制嵌入在均值漂移跟踪方法中，但该方法本质上还是只利用了目标的颜色特征，当目标和背景相似时其跟踪效果较差。对此，文献［6］提出的算法从颜色和形状－纹理等7个特征分量中选择前两个较可靠的特征集合来描述目标，并且跟踪过程中对模板进行了更新。但该方法在模板跟踪过程中是对一定间隔的帧数进行模板更新，无法适应跟踪过程中的环境突变，所以不具有完全的自适应性。王欢等［7］在Auxiliary粒子滤波框架内将所有特征观测进行概率融合，并使用融合权系数计算法进行择优过滤，跟踪结果更可靠，但是该方法复杂度高，跟踪实时性难以保证。

Mean Shift算法［8］是一种基于非参数概率密度估计的核跟踪方法。该方法实时性好、易于实现，且对边缘遮挡、目标旋转以及轻微的变形都不敏感，因而在人体目标跟踪中得到了广泛应用。……