牛一捷

(大连交通大学 软件学院，辽宁 大连 116028)*

0 引言

随着计算机技术的高速发展，计算机视觉研究领域受到了越来越多研究者的关注.目标跟踪是其中备受关注的前沿方向，在人机交互、安全监控、虚拟现实、医学、体育等方面都有广泛应用.虽然已经取得了一些进展，但到目前为止还没有一个通用算法适用于所有问题.这是因为目标跟踪问题受到多种因素影响，如:内在因素包括目标物体位置、形状和尺度的变化等;外在因素包括光照变化，摄像机运动及视角转换，遮挡、复杂背景等.

传统的经典目标跟踪方法有:光流法［1］、meanshift、kalman、粒子滤波.这些算法的准确率较低，表现为跟踪目标易发生漂移并很快中断跟踪任务.近年来，随着模式识别技术的发展，研究人员开始将跟踪问题看成目标检测、目标识别等模式识别问题，提出了很多算法，其中最具有代表性的有:Online Adaboost［2］，BeSemiT［3］，TLD［4］等.这类方法在实际应用中跟踪的准确率较高，但是需要提前学习并且在新的一帧到来时需要进行大量的识别操作，对于对实时性要求比较高的跟踪问题来说是一个瓶颈问题.

本文鉴于上面两类算法的优缺点，提出一种光流算法和稀疏表达技术相结合的新算法(SROF).不仅能够较好的避免发生漂移和跟踪任务突然中断问题，而且算法的准确性也得到了很大的提高.

1 传统光流算法

光流的概念是Gibson在1950年首先提出来的.后来将光流法应用于跟踪问题，即利用图像像素点在时间域上……