基于多特征在线模板更新的鲁棒目标跟踪算法

陈东岳，陈宗文，桑永嘉

(东北大学信息科学与工程学院，110136沈阳)

目标跟踪是计算机视觉领域的核心研究课题之一，在视频监控、智能机器人、导弹制导、汽车辅助驾驶系统、体感控制等诸多领域有着广泛的应用.

基于单摄像机的目标跟踪算法根据算法思想的不同可以分为三大类.第一类是基于在线学习的跟踪算法，这类算法可以通过学习建立并更新目标的表观模型，也可以通过学习训练分类器，实现目标与背景的区分.代表性工作包括在线Adaboost算法(简称 OAB)［1-2］、多实例学习算法(简称MIL)［3］.这类算法的本质是通过单帧目标检测与识别实现跟踪，因此又称为“先检测后跟踪”.此类方法的特点是鲁棒性强，缺点是训练耗时，跟踪速度较慢.

第二类是蒙特卡罗跟踪算法，这类算法将跟踪问题转化为非线性非高斯的贝叶斯滤波问题，通过求解滤波问题实现目标的状态估计.比较典型的算法包括粒子滤波跟踪［4-5］与马尔可夫链蒙特卡罗方法［6］.由于实际跟踪问题都是非线性非高斯的，其贝叶斯准则下的后验概率计算是一个积分运算.考虑到退化问题，大多数粒子滤波算法采用候选样本状态的加权均值进行目标状态估计［7］.马尔可夫链蒙特卡罗方法则从众多候选框中选取后验概率最大的样本，通常还会与扩展卡尔曼滤波方法相结合进行运动估计［8］.此类方法在理论上比较完善，但现实中的跟踪问题通常难以满足贝叶斯估计的要求，因此在……