王建中， 张驰逸， 孙庸

(北京理工大学 机电学院，北京 100081)

目标跟踪算法被广泛应用于安防、工业、军事、服务等各个领域，一直是计算机视觉研究的重要课题. 通常的跟踪方法主要是在给定的视频序列上，由初始帧及其对应的目标位置作为跟踪器的输入，在后续的视频帧中跟踪器自主实现对目标位置的更新. 目标跟踪算法的发展面临着光照变化、快速运动模糊、背景相似干扰、外形变化、尺度变化、遮挡、出视野等难点问题[1]. 如何有效地提高跟踪器系统的鲁棒性以应对这些问题是跟踪算法的主要挑战.

按照跟踪算法实现目标位置更新原理的不同，跟踪算法可分为生成类(generative)和判别类(discriminative). 生成类算法是在当前帧针对目标区域建模，在一帧中挑选画面各处与模型相似度最高的区域作为目标位置的更新区域，同时在下一帧或下一个循环中实时更新模型的方法. 比较典型的生成类算法有kcf[2]、粒子滤波[3,4]、mean-shift[5]、eco[6]等. 这类算法一般具有速度较快的特点，在特征选择上以较低等级的特征类型为主，如颜色特征[7]、Hog特征等. 这类算法在面对上述难点问题时表现不佳.

判别类算法是将目标区域作为正样本，将背景信息作为负样本，利用机器学习的方式训练分类器，实现分类器在下一帧中找出置信度最高的区域作为目标预测的方法. 通过模拟生物神经系统行为特征的方式，深度学习神经网络在提取前景和背景特征后能较大程度保留特征信息并突……