運動目標跟蹤算法綜述

霍玲玲+楊瑩

隨著視頻監控技術的不斷發展和視頻監控系統的廣泛應用，目標跟蹤是近年來一個重要的研究課題，目標跟蹤技術是監控系統中最重要、應用范圍最廣的技術之一，目標跟蹤技術的實現依托于目標跟蹤算法。運動目標跟蹤算法具有廣泛的研究價值和挑戰性。本文對當前主流的運動目標跟蹤算法：Kalman濾波算法、Mean Shift算法、粒子濾波算法等進行了研究，歸納總結了每種跟蹤算法的優缺點、適用性和局限性，通過對跟蹤算法的分析對運動目標跟蹤技術的發展趨勢進行了展望。

【關鍵詞】視頻監控 運動目標跟蹤 跟蹤算法

目標跟蹤是計算機視覺領域的一個基本問題，是監控領域中的重點問題，目標跟蹤方法是監控領域最為關鍵的技術，也是現在研究的熱點問題之一。目標跟蹤技術是多種技術的綜合技術，如計算機技術、模式識別技術、圖像處理技術和人工智能等。它已廣泛的應用在智能監控、交通監視、人機交互、日常生活、視頻索引、國防、車輛導航、天文觀測、高校教室監控、圖像檢索等方面，由于跟蹤的對象是視頻圖像序列中每一幀的運動目標，所以其跟蹤結果中包含了大量目標顏色、位置等特征，所以目標跟蹤在其應用領域起著重要的作用。在對目標進行跟蹤時，需要對跟蹤圖像序列的某一幀或者多帖結合起來的圖像進行顏色變換、濾波、提取背景等操作，使用計算機在復雜環境中進行目標跟蹤是一項具有挑戰性的工作，目前沒有一種通用的跟蹤算法能夠準確跟蹤任何環境下的運動目標，所以目標跟蹤方法有很大的提升空間，對目標跟蹤的研究是一項非常有意義的工作。本文將對目標跟蹤的基本算法進行詳細的介紹。

1 目標跟蹤算法

1.1 基于Mean Shift（均值偏移）的目標跟蹤算法

Mean Shift算法第一次是由Fukunaga和Hostetle在1975 年提出的，他們的文章是關于概率密度梯度函數的估計的，它是一種無參估計算法，Mean Shift是一個不斷進行迭代的循環，通過不停的迭代過程尋找到跟蹤目標的下一個位置。簡單來說，Mean Shift算法過程就是首先計算起始點的偏移的均值，給定一個初始點，核函數和容許誤差，得到的數值就是目標移動的距離，然后通過迭代方法，沿著概率密度函數的梯度方向不斷的移動，最終收斂于一個局部密度的峰值。

Mean Shift算法計算簡單，對目標的形狀變化、尺度變化有一定的適應性，效率較高，分析結果的可靠性越高跟蹤的魯棒性越好。但是這種算法只是一種局部優化的方法，當目標顏色與背景顏色相近或者跟蹤目標的距離較遠時，跟蹤效果不夠理想，可能出現丟失跟蹤目標的現象。

1.2 基于Kalman（卡爾曼）濾波器的目標跟蹤算法

1960年Rudolph E. Kalman發表了關于用遞歸方法解決離散數據線性濾波問題的論文，從那以后，Kalman濾波算法逐漸被推廣使用。如今，Kalman濾波廣泛應用在機器人導航、軍事雷達系統和導彈追蹤等領域。近年來Kalman濾波被應用于數字圖像處理，例如人臉識別、目標跟蹤等。卡爾曼濾波器是一種用于時變線性系統的遞歸濾波器，它包括預測下一個狀態和更新當前狀態，通過對這兩種狀態進行遞歸和反復的計算，通過一系列遞歸數學公式，計算出最小預測估計均方誤差值。

Kalman濾波算法是一個最優化自回歸數據處理算法，這種算法跟蹤成本較低，計算量小，實時性強，效率較高，預測結果穩定，它不需要保存先前的數據，當進行新的測量時也不需要對原來數據進行處理，所以很容易實現，但是它只適合于零均值白噪聲的系統，也就是線性高斯系統。

1.3 基于粒子濾波器（Particle Filter）的目標跟蹤算法

粒子濾波在上世紀90年代后期才發展起來，是一種基于貝葉斯估計理論和蒙特卡羅理論的實時推理算法。其基本思想是用隨機樣本描述概率分布，以遞歸的方式對測量數據進行序貫處理，粒子權值的大小和樣本的位置用測量數據來調節。這種方法是把概率密度函數用一組隨機樣本來表示，用樣本均值代替積分運算，進而獲得系統狀態的最小方差估計的過程，這些樣本被形象的稱為“粒子”，所以叫粒子濾波。

這種跟蹤算法的粒子濾波較為靈活，并且可以能夠并行化。用粒子濾波器跟蹤過程中，在很大程度上能夠維持目標的假設狀態，在跟蹤目標被遮擋或者跟蹤的目標運動速度較快時，用這種算法能夠較好的跟蹤。粒子濾波器算法能夠解決非線性、非高斯動態系統問題。但是這種算法跟蹤時需要大量樣本，重采樣階段會出現樣本貧化現象，導致算法的復雜度高，實時性差。

1.4 其他目標跟蹤算法

除了以上介紹的三種經典算法外，還可以進行多算法框架融合使用，還有PDF（概率數據關聯）算法、JPDF（聯合概率數據關聯）算法、基于模板匹配算法等，以提高跟蹤的可靠性和準確性。近年來，新的目標跟蹤算法越來越受到了相關人員的關注，如TDL（單目標長時間跟蹤）算法、生成跟蹤算法、判別跟蹤算法等來解決復雜條件下的目標跟蹤，尤其是解決跟蹤過程中目標變形、目標部分遮擋、光照變化、場景噪聲大等問題，使跟蹤效果更加準確，跟蹤結果更加具有魯棒性。

2 結束語

本文對運動目標跟蹤Mean Shift算法、Kalman濾波算法、粒子濾波算法等基本算法進行了研究，同時還簡單介紹了其他目標跟蹤算法和新發展起來的目標跟蹤算法。盡管近年來有很多研究學者不斷的提出新的運動目標跟蹤算法，目標跟蹤算法取得了很大的進步，但是在目標跟蹤領域來說，還有很多問題需要解決，目前沒有一種通用的跟蹤方法能夠實時準確的對運動目標進行跟蹤。因此，目標跟蹤具有很好的發展前景和研究空間。

參考文獻

[1]黃凱奇，陳曉棠，康運鋒等.智能視頻監控技術綜述[J].計算機學報，2015（06）：1093-1118.

[2]蔡榮太，吳元昊，王明佳等.視頻目標跟蹤算法綜述[J].視頻技術應用與工程，2010，34（12）：135-142

作者單位

1.吉林工商學院 吉林省長春市 130000

2.沈陽市渾南區第四小學 遼寧省沈陽市 110180