韩宇星，丁刚毅

(北京理工大学 软件学院，北京 100081)

0 引言

在工业生产、国防军事、智能监控以及无人驾驶等诸多领域中均涉及目标识别与跟踪技术[1-4]。由于跟踪场景的复杂性，跟踪过程中存在大量的干扰及随机因素，如，光照变化、尺寸变化、目标遮挡等[5-6]，这些因素对目标跟踪方法提出了苛刻的要求。对于复杂背景中的目标跟踪，相关匹配方法具有较好的目标识别性能[7-9]，但相关匹配计算量较大，且匹配结果通常对目标尺寸和旋转变化较为敏感，不适用于复杂运动情况下的跟踪。基于压缩感知的目标跟踪方法(Compressive Tracking, CT)采用贝叶斯分类器实现目标定位，具有机理简单、定位速度快的特点[10]，但跟踪结果通常也不具有尺度不变性，且跟踪鲁棒性不强。核相关滤波跟踪(Kernelized Correlation Filter, KCF)方法在跟踪过程中通过训练目标检测器实现目标位置的定位，并利用检测结果更新检测器，同样具有较高的运算速度[11]，但由于跟踪过程中目标框尺寸固定，容易因目标框漂移而导致跟踪失败。基于核密度估计的Meanshift和Camshift跟踪方法对目标的尺寸和旋转变化均具有良好的鲁棒性[12-13]，尤其当目标颜色与跟踪背景有显著性差异时，算法具有良好的跟踪性能。但由于采用颜色直方图模型描述目标，算法存在对光照变化的敏感性，此外，上述跟踪方法均缺少应对目标遮挡的跟踪机制。这也是现有跟踪方法普遍存在的问题，即当目标发生遮挡时，由于目标特征的丢失而导致跟踪失败。卡尔曼滤波方法由于能够实现目标状态的最优估计，可以与各种跟踪方法相结合以保证跟踪结果具有一定的抗遮挡性能[14-15]。……