高 阳，徐长波，曹少中

(北京印刷学院 信息工程学院，北京 102600)

视觉目标跟踪技术是计算机视觉领域内的研究热点之一，已经被广泛应用到了日常生活、社会保障、军事和医疗等各个重要领域[1-2]。目前，应用视觉目标跟踪技术面临着一些挑战，如跟踪环境光照的变化、目标遮挡、目标快速移动和复杂背景等因素会影响跟踪效果。

跟踪学习检测(Tracking Learning Detection，TLD)算法[3]通过相关的训练和学习技术对跟踪目标与背景区域进行分类，以达到目标跟踪的目的，适用于长时间的目标跟踪。但是，TLD算法的特征点无法准确表达目标特征，另外，还存在检测模块计算量大，无法适应遮挡场景等问题。采用支持向量机(Support Vector Machine，SVM)技术代替TLD算法检测模块[4]，能够提高算法的实时性，改善目标受到严重遮挡时算法的准确性，但是，在目标受到完全遮挡时，仍然不能准确地预测到目标位置。多实例学习(Multiple Instance Learning，MIL)算法[5]采用多个图像块作为一个样本集，若样本集中存在至少一个正样本，则设置样本集的标签为正，这种方式具有更好的灵活性。核相关滤波(Kernel Correlation Filter，KCF)算法[6]采用核函数和岭回归的方式，减小了算法复杂度，有效提升了算法速度。

已经有许多研究者对抗遮挡目标跟踪算法进行了研究。目前的主流的抗遮挡目标跟踪算法主要分为基于有效特征信息的目标跟踪算法、基于状态估计信息的目标跟踪算法和基于稳定时空信息的目标跟踪算法等3种[7]，其中，基于状态信息的目标跟踪算法又包括应用卡尔曼滤波(Kalman Filter，KF)和粒子滤波(Particle Filter，PF)两种技术。……