毛晓波， 周晓东， 刘艳红

(郑州大学 电气工程学院，河南 郑州 450001)

0　引言

目标跟踪是计算机视觉领域的重要研究内容，可以理解为在已知目标先验信息情况下，在视频序列中持续地对目标的位置、形状和运动状态进行发现的过程.同时，目标跟踪也一直是计算机视觉的难点之一[1]，除了光照变化，障碍物遮挡等环境影响，目标本身的旋转、尺度变化及出视野都对准确地进行目标跟踪造成挑战.

近些年来，国内外的研究人员根据实际需要提出和实现了多种跟踪算法.如meanshift[2]、卡尔曼滤波[3]、粒子滤波[4]等算法，它们针对特定的场景都有较好的效果.我们注意到上述算法在跟踪过程中，随着跟踪误差的逐渐增大及目标本身的大小、形态改变，尤其是当目标离开视野后又重新回到视野时，都会造成跟踪失败.这种随着跟踪时间的延长逐渐导致跟踪失败的算法称为短时跟踪算法.为了解决这一问题，与之对应的长时间跟踪算法是我们研究的重点.为了避免随着时间推移导致跟踪失败，长时间跟踪算法应该至少具有以下两个特点，一是能够在跟踪过程中逐渐地减少或保持跟踪误差；二是在完全遮挡或是出视野造成跟踪失败后，具有对目标的重识别能力.

TLD(tracking-learning-detection)算法[5]是近年来十分具有代表性的长时间跟踪算法,它将传统的跟踪算法和检测算法结合起来，同时引入在线学习机制，三者并行运行，实现长时间跟踪.然而该算法也存在明显的不足，如:算法计算量大，运行帧率达不到实时应用的标准；……