何亚磊?许乾坤

摘 要 针对因光照变化、目标形态变化和遮挡等问题引起的目标自动跟踪失效问题，本文采用优化后的TLD算法在opencv2.4.9和VS2010搭建的平臺上进行仿真实验。结果表明，利用扩展Kalman滤波器进行目标预测，Mean-shift算法替代TLD算法中跟踪模块的光流法，可减少TLD的计算量，增强TLD算法的稳定性和鲁棒性并且能够自适应的进行目标跟踪。

关键词 TLD；目标跟踪；自适应

前言

目标自动跟踪技术是一项融合图像处理、模式识别、人工智能、自动控制、大规模集成电路等多种不同领域先进成果的综合性技术。和目标识别一样，目标自动跟踪被广泛应用在军事中。但战场环境复杂多变，再加上目标本身会发生诸如姿态、大小、运动轨迹、运动速度以及如目标被遮挡等其他各种因素的影响，使得对运动目标的跟踪成为一个难点。

虽然目前已有的算法有很多，但是他们只能在一定条件下或特定场合中对解决某一个或某几个问题效果较好，很难解决复杂场景中各种不确定情况及适应不同场合的运动目标跟踪。为此，本文对TLD算法进行了改进与优化，使其能较好地解决上述问题[1]。

1 TLD算法的优化

由于TLD（Tracking-Learning-Detection）能够较好地实现单目标长时间稳定跟踪，适应目标形态发生的变化，近年来在计算机视觉领域被广泛应用。相比传统的只能在高斯运动场下使用的粒子滤波、卡尔曼滤波等算法而言， 跟踪模块采用光流法的TLD算法则可应用于各种运动场。但其也有诸多缺点，例如，光流法计算量较大，存在对快速移动目标跟踪准确度不高，有外观相似物体干扰时不能实现较好的稳定跟踪等问题。……