1.2.2 行人跟踪技术国内外研究现状
行人跟踪就是在各帧图像中检测定位出行人。近年来，行人跟踪技术备受国内外专家学者的重视。常用的跟踪算法有粒子滤波算法[4,5]、Kalman 滤波算法[6]以及MeanShfit算法[7,8]。Kalman 滤波是基于高斯分布的线性运动状态预测方法，不能有效的处理多峰模式的分布情况；以颜色特征来描述目标特征的MeanShift算法具有实时、快速、计算简单、易于实现等优点，而被广泛使用。然而已有的MeanShift算法大多只利用单一的颜色特征而忽略其它特征，当目标与背景颜色相似，或者光照剧烈变化时难以对目标进行有效的跟踪。粒子滤波算法存在粒子退化的严重问题，运算量通常较大。
根据跟踪方法的不同，一般将行人跟踪分为四类：基于模型的跟踪、基于区域的跟踪、基于主动轮廓的跟踪和基于特征的跟踪。1）基于特征的跟踪主要包括特征提取和特征匹配两步。特征提取是在原始图像中提取出最能描绘和识别行人的易用特征。提取的特征应具有代表性，特征计算应该相对简单，以及对图像平移、旋转、尺度变化等的不变性[5]。行人跟踪中常用特征主要有颜色、高宽比、边缘、轮廓、周长、面积、质心、位置等。行人是非刚性目标，具有不规则性，对其提取的特征直接影响到跟踪的准确性。实际应用中，常选择多个特征相结合进行匹配，提高跟踪的准确性。
文献[16] 提出了一种基于空间边缘方向直方图的Meanshift 跟踪算法，使用空间分布和纹理信息作为匹配特征，克服了传统的Meanshift 算法，只利用颜色直方图作为特征容易造成跟踪丢失缺陷，实现了遮挡、和尺度缩放等复杂情况下对行人的有效跟踪。
文献[17]提出使用空间位置、形状特征和颜色信息结合的方法，使用Kalman 滤波预测进行行人跟踪，用一个紧密包含行人的矩形框中心表示行人的位置；跟踪过程中，当形状特征不可靠时使用颜色特征，在实际场景中对单个和多个行人跟踪都具有很好的鲁棒性。
行人跟踪技术国内外研究现状
