刘润邦，朱志宇

（江苏科技大学电子信息学院，江苏 镇江 212003）

0 引言

目标跟踪一直以来都是计算机视觉和数字图像处理的重要组成部分，广泛应用于智能安防、行为识别和军事安全等领域。红外探测通过被动接收目标与背景间的辐射差和温度差来识别目标，具有隐蔽性优良、抗干扰能力强等优点［1］。但与可见光的目标相比，红外图像缺乏有效的特征模型和场景信息，跟踪效果并不理想［2］。

近年来，关于视频目标跟踪的算法层出不穷，逐渐形成了以Mean Shift算法为代表的确定性跟踪算法和以Kalman Filter、Particle Filter为代表的概率性跟踪方法［3-6］。相比较于卡尔曼滤波，粒子滤波算法在解决非线性非高斯问题时表现出良好的鲁棒性，广泛地应用于红外视频目标跟踪中［7］。粒子滤波跟踪算法的最大问题是如何建立准确的目标模型，单一的特征建模缺乏对图像背景的自适应能力，跟踪精度并不理想［8-9］。国内外学者对粒子滤波跟踪算法中目标观测模型的建立进行了大量研究。Fouad［10-11］等人在粒子滤波算法基础上，利用R，G，B颜色分量和纹理特征共同描述目标；Chong［12-13］等人将目标颜色特征和方向梯度特征融合，建立精确地粒子滤波观测模型；Tao［14］等人建立了基于SIFT特征和颜色特征的目标观测模型；杨志雄［15］等人将灰度特征和运动特征进行融合，增强红外目标跟踪算法的鲁棒性。

粒子滤波跟踪算法中观测模型的准确与否直接影响最终的跟踪效果。目前，目标的描述特征包括颜色、灰度、梯度、纹理、运动等。……