1.3　目标跟踪技术的研究现状

詹令明、姬红兵等人［28］提出了一种基于显著图的红外弱小目标动态规划检测前跟踪算法。该算法采用改进的局部区域差分算子提取显著图，根据注意力转移机制设计搜索策略，利用目标移动速度实时更新搜索范围，对多帧连续的显著图进行滤波跟踪，实现对红外图像弱小目标的检测。

近年来，受到人类视觉机制的启发，在红外图像弱小目标检测方法中，基于视觉显著特性的算法引起了广泛关注。文献［29］首次提出基于自下向上视觉注意机制的目标检测方法，其结合方向、强度和颜色三种模式的信息获取显著图检测目标，多种信息的融合成为算法检测性能好坏的关键。文献［30］认为，从视觉上，一个小目标通常有一个各向同性的高斯型形状，而背景杂波普遍存在方向性，从而区分出目标和背景，避免多种特征信息融合带来的困难。文献［31］利用边界联通性感知图像背景，前景目标利用颜色特征计算获取，最后融合多个低级特征获得显著图。该方法适用于空间分布复杂的背景，但是需要设计严格的边界先验条件。

王智文等人［32］针对帧间差分运动目标检测方法检测出的运动目标容易产生拖影现象及存在一定程度的空洞等缺陷，提出基于关联帧差分法的运动目标检测与跟踪方法，通过计算相邻三帧图像的相似度，求取相邻帧之间的差分图像，对差分图像进行与操作后进行轮廓填充来获取运动目标，弥补了帧间差分运动目标检测方法存在的缺陷。

张家铭等人［33］选用Canny边缘检测算法和霍夫变换进行白线检测，基于自适应阈值化图像分割算法分割出的目标，选用卡尔曼滤波器方法实现目标跟踪，最后对跟踪的目标选用卷积神经网络进行分类识别，对不同的声呐图像目标获得了较高的识别准确率。

马珊、张铁栋等人［34］通过引入联合概率数据关联算法，建立了联合概率数据关联—粒子滤波算法模型，使粒子权值得以反映量测与目标轨迹间的关联概率，有效保证了各目标跟踪轨迹的连续性，但该算法双重跟踪门的距离及角度门限仅由经验确定，在更复杂的运动跟踪场景中适用程度还有待进一步验证。

EI-Hawary［35］采用广义卡尔曼滤波模型进行自适应水下目标跟踪，通过指定权值使跟踪在精确性和稳定性间取得平衡。Tena-Ruiz等人［36］引入最近邻数据关联方法（Nearest Neighbor Data Association，NNDA），利用卡尔曼滤波器进行目标跟踪，并通过NNDA将量测和轨迹关联起来，实现对目标的持续跟踪。Lane等人［37］基于暂态及静态特征将声呐图像中的目标进行分类，并采用光流运动估计法跟踪运动目标。张铁栋等人［38］进行了基于前视声呐图像的高斯粒子滤波目标跟踪技术研究，采用不变矩和面积进行双特征匹配。虽然针对水下目标跟踪已有一定的研究，但水下环境复杂多变及声呐图像的固有缺陷，现有的粒子滤波及数据关联算法不能直接应用于水下多目标的探测与跟踪，在特定应用中仍会存在一定的问题。

刘立昕、卞红雨［39］针对前视声呐的成像特点，研究了目标多特征提取、多特征和粒子群优化粒子滤波（Particle Swarm Optimized Particle Filter，PSOPF）的融合方法，设计了以自适应加权特征值为适应度值的优化跟踪算法。这种方法可有效控制粒子贫乏和发散，提高系统鲁棒性，在降低粒子数目的同时提高了跟踪精度。文献［40］提出的PSOPF将最新的观测值引入采样分布，以优化采样过程，使采样分布向后验概率较高的区域运动，从而避免粒子贫乏现象的产生。与此同时，PSOPF能在较少粒子数目的情况下保证较强的系统鲁棒性［41］。文献［42］利用多特征融合粒子滤波，将直方图和边缘特征融于PF算法，通过动态调节粒子数目实现了光学图像的非线性目标跟踪，但不能及时修正似然概率位于先验概率尾部的情况，因此无法准确地逼近后验概率。

高文等人［43］提出一种步步为营的反馈式学习方法，该方法在通过正、负约束实现提高目标模型和分类器的判别能力和容错能力的同时，使更新带来的误差尽量小，对提高目标的尺度变化、形变、旋转、视角变化、模糊等都有较好的适应性，该方法的鲁棒性较好，有很高的研究和应用价值。许多学者利用自学习这种跟踪器预测目标，用靠近当前位置的正实例和远离当前位置的负实例来更新模型。这种策略能使跟踪器适应新的外观和背景，但是只要跟踪器出错，这个策略也将失败。自学习的这个弊端被Rosenberg用互训练得以解决，即以跟踪为背景采用互训练来得到可移植的、判别能力强的分类器。这种跟踪算法有重检测的能力，在处理一些有挑战性的视频时比自学习效果更好［43］。Kalal等人［44］证实了这种互训练方法不适用于目标检测，因为实例（图像块）是从一个形态中采样得到的。从一个形态中提取的特征可能是相互关联的，这与互训练的假设前提相违背。互训练的另一个缺点是不能利用实例间的数据结构，因为其认为实例间的数据结构是相互独立的［44］。