郑晓萌 ，张德海

（1.中国科学院国家空间科学中心，北京100190；2.中国科学院大学北京100049）

目标跟踪是计算机视觉领域的研究热点，并得到了广泛的应用。目标跟踪算法可以分为产生式和判别式两大类。产生式跟踪方法如文献[1-2]所示，首先采用生成模型来描述目标的表观特征，然后在后续的图像中找到与该模型最为匹配的位置作为目标的位置。然而由于采用包围框的形式对目标进行初始化，在对目标建模的同时包含了一定的背景信息，当目标变化剧烈或者被遮挡时容易产生偏移。判别式跟踪方法如文献[3]所示采用训练过的分类器来区分前景目标和背景信息。与产生式算法相比，判别式算法鲁棒性更强，性能更优[4-5]。但由于受到目标姿态变化、尺度变化、目标快速运动、被遮挡或者消失等因素的影响，判别式算法也会产生漂移。

为了解决漂移现象，Kalal等将目标跟踪与检测相结合，并引入在线学习机制，提出了TLD（Tracking-Learning-Detection）视觉跟踪算法，解决了传统跟踪算法中无法获取丢失目标，无法进行长时间跟踪的问题。但TLD中存在一些明显的不足，如跟踪器稳定性不高、检测器中检测窗口过多耗时长等。Supancic[6]等采用自组织学习的方法选择训练样本更新检测器，将SVM目标方程中得分较高的跟踪结果替换样本集中早期样本，建立更有效的样本集，降低了时间复杂度。但该算法在目标发生剧烈形变时，跟踪效果较差。Alahari[7]等采用离线的方式对目标运动的轨迹进行学习，估计目标的形变变化，但该算法无法有效处理目标的尺度变化。……