2。2  运动目标的跟踪

通过目标检测技术得到运动目标对象后，目标跟踪所做的事情则是通过对目标对象的有效表达，在不同时间、不同方位对目标依序连续获取的一系列图像中探寻与模板图像最相似的候选目标区域位置，与此同时实现对目标对象的定位。目标对象的有效表达主要是通过提取其自身特征来实现的，常用的目标特征主要有以下几类：

1。视觉特征：图像的边缘，轮廓，形状，纹理，区域等；

2。统计特征：直方图，矩形特征等；

3。变换系数特征：傅里叶描述子系数，小波变换系数；

4。代数特征：图像矩阵的奇异值分解等。

提取所需的特征后,还需要将模板图像与待检测的帧图像做匹配，才能实现目标跟踪。在实际应用中通常使用欧式距离、Hausdorff距离、曼哈顿距离等算法来度量两幅图像之间的相似性。其中应用最广泛，同时也最简单的是欧式距离。按照所选择的目标特征和相似性度量算法，常用的目标跟踪算法可分为如下四种： 

1。基于主动轮廓的跟踪算法 

1987年Kass[10]等人提出的基于主动轮廓的Snake模型，已广泛应用于数字图像分析和计算机视觉领域。Snake模型本质是定义在图像域中的可变形曲线，其基本原理是预先提供一个初始轮廓的位置给待检测图像，同时赋予其一个能量函数，通过不断降低能量函数，使初始轮廓逐渐靠近目标区域，当能量函数达到最小时，就可认为初始轮廓已经收敛到与目标真实轮廓一致的状态。Menet[11]等人创造性地提出了B-Snake使得轮廓的表达变得更加有效和结构化。为了进一步提高目标跟踪实时性，Wom[12]等人在Snake的基础上提出了跳跃模型。基于主动轮廓这种方法实现跟踪的优点在于不单考虑了图像灰度信息，还充分利用了目标的整体轮廓信息，在一定程度上使得跟踪结果更加可靠。相对的，目标跟踪过程实际上是将分割问题转化成最优化问题，因此计算过程繁杂，再加上Snake模型本身的盲目性，遇到快速运动或有较大形变的目标时，实际的跟踪效果并不理想。

2。基于区域的跟踪算法

该方法基本思想是通过衡量模板图像与当前图像中候选区域位置的相似程度来确定运动目标，模板图像的选取必须要包含目标，可以人为预先确定或者利用图像分割生成。Jorge[13]等人提出的相关区域跟踪方法则是通过分割图像来给跟踪提供先验信息，与此同时跟踪结果也会改善图像分割的效果，使模板图片更加准确。基于区域的跟踪算法的优点是在没有遮挡物的理想条件下，对运动目标的跟踪精确程度非常高，效果也十分稳定，但精度高且稳定的代价就是实时性不高，算法过程耗时长。再者，无遮挡物的理想条件在实际应用中几乎是不可能达到的，运动目标的形状也会发生较大变化，在这些情况下，跟踪精度会大大下降甚至造成目标的丢失，无法进行目标跟踪。目前，有人提出了从预测目标变化的角度来改进基于区域的跟踪算法。 

3。基于核函数的跟踪算法

均值漂移（Mean shift）是Fukunage[14]等人于1975年提出的一种有关概率密度梯度函数估计的算法，其最初的含义就是偏移的均值向量，算法的关键就是迭代，以当前点的偏移均值为起点，通过不断的迭代均值偏移向量收敛到目标区域。1995年Cheng[15]对Mean shift算法做出了改进，通过一个设定的权重系数，使得不同样本点间的重要性不同，其次定义了一组核函数，使得随着样本与被偏移点间距离的变化，其样本点的偏移量所占权重也不同，对计算偏移均值向量所做出的贡献各不相同。这两个方面的极大的扩展了算法的适用范围。目标跟踪中的Mean shift算法，通过计算目标模板与候选区域的相似度，统计其概率分布，利用梯度下降的方向来获取匹配搜索的最佳路径，从而实现目标的快速搜索与定位。