梁文辉，宋 涛，叶永达

(1.解放军31004部队，北京 100094；2.解放军信息工程大学，河南 郑州 450000；3.解放军陆军工程大学，江苏 南京 210001)

0 引 言

视觉跟踪的主要任务是在视频序列中连续得到感兴趣目标的运动轨迹、形状和速度等状态，在智能交通、自动监控、精确制导等领域应用广泛。近年来，跟踪算法研究成果层出不穷，但由于现实目标变化灵活、伪目标干扰、遮挡及复杂背景等原因，使得构建高精度、高稳定性的视觉跟踪算法仍然亟待研究。

基于一阶马尔可夫模型的贝叶斯滤波将视觉跟踪转化为求解目标状态最大后验概率密度估计问题或后验概率的期望估计问题，为视觉跟踪提供了一个非常优秀的空时融合框架。但是，近年来出现的大多主流视觉跟踪方法均致力于研究目标观测模型[1-4]，仅将动态模型和目标更新视为简单的辅助机制。文献[5]结合Mean-Shift算法提出基于核密度估计的贝叶斯滤波跟踪方法，利用多线索融合提高了观测模型的可靠性，但Mean-Shift易陷入局部极值，无法有效预测目标运动信息。文献[6]结合生成和判别模型提出鲁棒的协作外观模型，该类方法难点在于如何平衡学习阶段两类模型训练样本集之间的比重，过度依赖正样本易导致模型过拟合，过度依赖负样本则会降低模型的泛化能力。文献[7]利用像素、超像素和整体目标建立多级外观模型，增加了观测模型的匹配精度，但该方法以整体目标的似然匹配来预测目标的运动信息，易陷入局部极值。……