1.2 相关技术的现状

目前的跟踪算法主要被分为两大类：产生式跟踪算法和判别式跟踪算法。产生式方法主 要是将目标的外形特征模型化，然后搜索候选目标，将重构误差最小化。常常提到的产生式 方法包括稀疏编码，在线密度估计和主成分分析等。而判别式跟踪算法又称作检测跟踪，它 依靠训练分类器，把目标和背景区分开来。近些年，基于相关滤波器的跟踪方法由于它的高 效和快速，发展得相当迅速。它的训练样本来自于输入特征的高斯回归，目标则依据后续帧 的响应峰值来定位。视觉跟踪已经被众多应用广泛研究，在本节中，我们讨论与以下工作密 切相关的：（i）相关性跟踪(correlation tracking)；（ii）检测跟踪(tracking-by- detection)。

1.2.1 相关性跟踪

2010 年，Bolme 等人提出了最小均方误差和输出(MOSSE)滤波器［2］，第一次将相关滤波 器应用到视觉跟踪领域。由于相关滤波器的计算效率很高，近几年在视觉跟踪领域引起了越 来越高的关注。使用相关滤波器，MOSSE 跟踪器的计算速度可以达到每秒几百帧。2012 年， Heriques 等人提出利用 CSK 方法在内核空间中使用相关滤波器［3］，让速度得到了进一步提 高。CSK 方法建立在照明强度特征上，2014 年，Danelljian 等人通过将多通道特征映射到 高斯内核空间来学习自适应相关滤波器，提出了使用 HOG 特征改进的 KCF 跟踪算法[4]。同 年，Zhang 等人将上下文信息合并到滤波器学习中，并且基于连续相关响应对尺度变化进行 建模，提出了 DSST 跟踪算法［5］。

1.2.2 检测跟踪

检测跟踪目前有以下几种常用的方法：光流法、背景差法、区域匹配、主轮廓跟踪、卡 尔曼滤波等。

视觉跟踪中在线模型更新往往存在着稳定性和可塑性之间的矛盾，为了减轻这一矛盾， Kala 等人将跟踪任务分解为跟踪、学习和检测，从而提出了 TLD 算法［6］。TLD 算法中，跟 踪和检测互相促进，将来自跟踪器的结果作为训练数据以更新检测器，在检测遭遇失败时， 重新激活检测器并将之初始化。结合不同自适应速率的多个分类器，设计熵测量以融合所有 跟踪结果。Hare 等人考虑样本在搜索空间内的空间分布，提出了一个联合化结构输出Struck 算法［7］来预测对象的位置。这一设计已被证实执行效果良好。

1.3 总体技术方案及其社会影响

由于跟踪算法的性能受很多不同因素的影响，截止到现在还无法找出能够在所有场 景下完美运行的跟踪算法。同样，一个跟踪算法也需要在不同的情况下运行来衡量它的综合 性能。在面对大量被提出的跟踪方法时，我们需要一个评估基准来评估这些跟踪器的性能， 以展现其各自的优缺点，这有助于发现视觉跟踪领域当前或未来面对的困难，并为更准确高 效的跟踪算法指明研究方向。幸运的是，Wu Y［1］等人开发了一套用于评估当前最先进的跟 踪算法的标准库，以多种评价标准进行了大量的实验。最后通过定量定性分析各算法在标准 数据集上的运行结果，衡量比较一系列跟踪算法的各项综合性能。

根据 Wu Y 等人的实验结果，可以得到一些对今后目标跟踪算法具有指导意义的结论。 第一点，需要利用跟踪时得到的背景信息，这关乎到是否能够在后续帧中很好地区别目标物 体和背景。可以在判别式模型中对背景信息进行编码，这需要一种隐式的学习过程。或者直 接显式的使用背景信息，将其作为上下文信息。第二点，在动态模型上进行对后续帧上的目 标位置估计，从而大大缩小搜索范围，提升跟踪算法的性能。改进这些方面，能够进一步提 高在线目标跟踪算法的水平。