基于分类模型的目标跟踪算法研究
基于卷积神经网络的目标检测与跟踪方法研究
基于卷积神经网络的目标检测与跟踪方法研究随着计算机算力和机器学习算法的不断进步，目标检测和跟踪技术在许多应用领域得到了广泛的应用，例如自动驾驶、智能家居、安防监控等。
其中，卷积神经网络（Convolutional Neural Network，CNN）是目前应用最广泛、效果最好的深度学习模型之一。
本文将重点介绍基于CNN的目标检测和跟踪方法研究，探讨其原理、技术挑战及应用前景等相关问题。
【一、目标检测】目标检测指的是在一幅图像或视频中，自动识别出感兴趣的物体并确定其位置。
传统的目标检测方法主要是基于手工设计的特征和分类器，例如Haar特征、HOG特征等，这种方法需要大量的人力和时间，而且准确率也不够高。
随着深度学习的出现，基于CNN的目标检测方法开始得到广泛的应用。
1. Faster R-CNNFaster R-CNN是一种非常流行的基于CNN的目标检测算法，由Ross Girshick等人于2015年提出。
Faster R-CNN的核心思想是引入一个Region Proposal Network（RPN），在图像中生成一些候选区域，然后对每个候选区域进行分类和回归，从而得到最后的目标检测结果。
相比于传统的目标检测方法，Faster R-CNN的优点在于可以实现端到端的训练，自动学习特征和分类器，同时具有更高的准确率和更快的检测速度。
2. YOLOYOLO（You Only Look Once）是由Joseph Redmon等人于2016年提出的基于CNN的目标检测算法。
与Faster R-CNN不同的是，YOLO将输入图像分为一定数量的网格，在每个网格中预测物体的位置和类别，从而得到最终的目标检测结果。
YOLO的优点在于速度非常快，可以实现实时的目标检测，但准确率相对较低。
【二、目标跟踪】目标跟踪指的是在一段视频中，自动跟踪并定位感兴趣的物体。
目标跟踪是目标检测的延伸和拓展，它可以实现实时跟踪，有很大的应用价值。
基于检测的多目标跟踪算法综述
基于检测的多目标跟踪算法综述一、本文概述随着计算机视觉技术的快速发展，多目标跟踪（Multi-Object Tracking，MOT）算法在视频监控、自动驾驶、人机交互等领域的应用日益广泛。
多目标跟踪算法旨在从视频序列中准确地识别并持续跟踪多个目标对象，为上层应用提供稳定、连续的目标状态信息。
本文旨在对基于检测的多目标跟踪算法进行全面的综述，分析各类算法的优势与不足，并探讨未来的发展趋势。
本文将介绍多目标跟踪算法的研究背景与意义，阐述其在各个领域的应用价值。
本文将对基于检测的多目标跟踪算法进行详细的分类和介绍，包括基于滤波的方法、基于数据关联的方法、基于深度学习的方法等。
对于每类算法，本文将分析其基本原理、实现步骤以及优缺点，并通过实验数据对其性能进行评估。
本文还将讨论多目标跟踪算法面临的挑战，如目标遮挡、目标丢失、场景变化等问题，并探讨相应的解决方案。
本文将展望多目标跟踪算法的未来发展趋势，提出可能的研究方向和应用前景。
通过本文的综述，读者可以全面了解基于检测的多目标跟踪算法的研究现状和发展趋势，为相关领域的研究和应用提供有益的参考。
二、基于检测的多目标跟踪算法的基本原理基于检测的多目标跟踪算法（Detection-Based Multi-Object Tracking，DBT）是计算机视觉领域的一个重要研究方向。
其主要原理是将目标检测和目标跟踪两个任务结合起来，通过利用目标检测算法提供的目标位置信息，实现多目标在连续视频帧中的持续跟踪。
目标检测：通过目标检测算法（如Faster R-CNN、YOLO等）在每一帧图像中检测出所有感兴趣的目标，并获取它们的位置信息（如边界框）。
特征提取：对于每个检测到的目标，提取其视觉特征（如颜色、纹理、形状等）或运动特征（如速度、加速度等），以便在后续的跟踪过程中进行匹配和识别。
数据关联：在连续的视频帧中，通过数据关联算法（如匈牙利算法、Joint Probabilistic Data Association等）将当前帧中的目标与前一帧中的目标进行匹配，形成目标的轨迹。
多目标跟踪算法及实现研究
多目标跟踪算法及实现研究一、本文概述Overview of this article随着计算机视觉技术的快速发展，多目标跟踪算法已成为该领域的研究热点之一。
多目标跟踪旨在从视频序列中识别并持续跟踪多个目标对象，是许多实际应用如智能监控、人机交互、自动驾驶等不可或缺的关键技术。
本文旨在深入研究和探讨多目标跟踪算法的原理、发展现状以及实际应用。
With the rapid development of computer vision technology, multi-objective tracking algorithms have become one of the research hotspots in this field. Multi object tracking aims to identify and continuously track multiple target objects from video sequences, and is an indispensable key technology in many practical applications such as intelligent monitoring, human-computer interaction, and autonomous driving. This article aims to conduct in-depth research and exploration on the principles, current development status, and practical applications of multi-objective tracking algorithms.本文将对多目标跟踪算法的基本框架和关键技术进行概述，包括目标检测、数据关联、轨迹预测等核心组件。
文章将重点介绍当前主流的多目标跟踪算法，如基于滤波的方法、基于深度学习的方法等，并分析它们的优缺点和适用场景。
基于深度学习的实时目标检测及追踪研究
基于深度学习的实时目标检测及追踪研究近年来，随着深度学习技术的逐渐成熟和应用的普及，人工智能技术在工业、交通、医疗等领域都有了广泛的应用。
其中，基于深度学习的实时目标检测及追踪技术是人工智能应用的重要方向之一。
随着物联网和5G技术的普及，越来越多的设备可以接入网络，并产生大量的视频数据。
如何高效地对这些数据进行处理和分析，成为了摆在我们面前的重要问题。
实时目标检测和追踪技术是利用机器视觉技术来自动识别和跟踪视频中的目标，实现对环境的感知和理解的方法。
目标检测的过程就是通过图像分析算法自动的在图像中定位目标物体的位置、类别、数量和大小等属性。
而目标追踪则是基于目标检测的结果，对目标在一段时间内的位置、大小、形态等进行跟踪。
基于深度学习的实时目标检测及追踪技术具有很高的准确性和可靠性。
这种技术能够自动进行分类和定位，其模型的参数可以通过反向传播算法来学习。
与传统的目标检测算法相比，基于深度学习的算法具有更高的鲁棒性和泛化性能，即对于不同尺度、角度、遮挡、光照等因素造成的影响也能实现较好的检测效果。
在目标检测方面，深度神经网络（DNN）是被广泛使用的算法。
其中，区域卷积神经网络（R-CNN）是目前最先进的目标检测算法之一。
该算法先利用区域生成网络（RPN）提取感兴趣区域（RoIs），而后对每个RoI进行分类和边界框回归，通过级联分类器和部件卷积网络（part-based convolutional network，P-CNN）的融合，可以达到较高的检测准确率。
在目标追踪方面，长短时记忆网络（LSTM）和卷积神经网络（CNN）的结合被广泛使用。
LSTM是一种深度神经网络，具有记忆功能和时序建模的能力，可以解决非线性平稳时间序列数据的处理问题。
将LSTM与CNN相结合，可以实现图像序列中物体的不同时间戳之间的自然跟踪。
目前，基于LSTM-CNN的目标追踪算法已经在各种情况下取得了较好的效果。
基于深度学习的实时目标检测及追踪技术的应用在众多领域都得到广泛的应用。
面向复杂场景的目标跟踪算法研究
面对复杂场景的目标跟踪算法探究关键词：目标跟踪；复杂场景；图像增强；多目标跟踪；神经网络一、引言目标跟踪是计算机视觉领域中重要的探究课题之一。
它在许多领域中都有广泛的应用，例如视频监控、自动驾驶和无人机等。
目标跟踪的目标是在视频序列中找到特定目标的位置，并在图像序列中跟踪它的运动轨迹。
但是，在实际应用中，目标跟踪往往会面临浩繁挑战，例如复杂背景、光照变化和目标遮挡等。
因此，如何在复杂场景中实现高效的目标跟踪一直是该领域的探究重点。
二、目标跟踪算法分类目标跟踪算法可以分为两类：基于区域的跟踪算法和基于点的跟踪算法。
基于区域的算法通过检测人工定义的目标区域来实现跟踪。
其中，常用的基于区域的跟踪算法包括均值漂移、卡尔曼滤波、粒子滤波和相关滤波等。
而基于点的跟踪算法则是通过识别特征点，并持续计算它们的相对位置来跟踪目标。
在基于点的跟踪算法中，SIFT和SURF算法是最常用的。
虽然两种算法的原理不同，但它们都具有很强的鲁棒性，在光照变化和目标旋转等状况下均能实现可靠的跟踪效果。
三、面对复杂场景的目标跟踪算法在复杂场景下，目标跟踪会受到许多干扰。
为了解决这些问题，探究人员们提出了许多新的算法。
1. 图像增强技术光照变化是导致目标跟踪误差的主要原因之一。
为了解决这个问题，许多探究者使用图像增强技术来改善图像质量。
常用的图像增强技术包括直方图均衡化、自适应直方图均衡化和对比度受限自适应直方图均衡化等。
这些技术可以将输入图像的亮度范围调整到更适合跟踪的范围。
2. 多目标跟踪算法在某些状况下，需要同时跟踪多个目标。
但是，传统的单目标跟踪算法并不能满足这种需求。
因此，探究人员提出了一些针对多目标跟踪的算法，例如基于马尔科夫随机场的多目标跟踪算法、基于分布式卡尔曼滤波的多目标跟踪算法和基于整体局部最小代价的多目标跟踪算法等。
3. 神经网络结构近年来，神经网络在计算机视觉中越来越受到重视。
许多探究人员将神经网络应用于目标跟踪，并取得了不错的效果。
基于深度学习的目标跟踪算法研究(一)
基于深度学习的目标跟踪算法研究近年来，深度学习技术在计算机视觉领域取得了重大突破，其中目标跟踪算法更是受到了广泛关注。
目标跟踪是指通过连续的帧图像，从中准确地追踪特定目标的位置和运动轨迹。
传统的目标跟踪算法往往依赖于手工设计的特征和模型，缺乏泛化能力。
而基于深度学习的目标跟踪算法则通过学习大量数据的特征表示和模式，能够更好地适应各种目标和场景的变化，使跟踪结果更加准确和鲁棒。
一、深度学习与目标跟踪的结合深度学习是指一种通过模拟人类大脑神经网络结构，对输入数据进行高层次抽象和表达的机器学习方法。
在目标跟踪领域，深度学习能够有效学习图像的语义信息和目标的特征表示，从而实现准确的目标检测和跟踪。
与传统的基于特征的方法相比，深度学习能够自动生成更高级别的特征表示，并且具有更好的泛化能力。
二、深度学习目标跟踪算法的研究现状近年来，基于深度学习的目标跟踪算法得到了快速发展。
其中，卷积神经网络（CNN）的应用尤为广泛。
CNN能够通过学习图像的局部特征表示和上下文信息，来实现目标的准确定位和跟踪。
常见的CNN-based目标跟踪算法包括Siamese网络、MDNet等。
Siamese网络是一种通过两个共享参数的CNN网络，在训练阶段通过损失函数来计算模板样本和待跟踪样本之间的相似度，从而实现目标的准确定位和跟踪。
Siamese网络具有极高的计算效率和准确度，在实际应用中取得了良好的效果。
MDNet是一种多通道的CNN网络，通过自适应地选择候选框样本，并使用多层网络对目标进行跟踪。
MDNet在准确性和鲁棒性方面都取得了显著的提升，成为目前最先进的目标跟踪算法之一。
除了CNN，循环神经网络（RNN）也在目标跟踪中得到了应用。
RNN能够通过记忆上一帧图像的信息，来实现目标的连续跟踪。
通过使用长短时记忆网络（LSTM），可以有效处理图像中目标的运动模式和变化。
三、深度学习目标跟踪算法的挑战与展望尽管基于深度学习的目标跟踪算法在准确性和鲁棒性上取得了显著的进展，但仍然存在一些挑战。
目标检测和跟踪算法
目标检测和跟踪算法目标检测和跟踪算法是计算机视觉领域中的重要研究方向，其主要目标是从图像或视频中准确地检测和跟踪特定的目标。
通过这些算法，计算机可以自动识别出图像或视频中的目标，并对其进行跟踪，实现对目标的实时监测和分析。
目标检测算法是指通过计算机视觉技术，自动地从图像或视频中检测出目标的位置和大小。
目标检测算法可以分为两大类：基于特征的方法和基于深度学习的方法。
基于特征的目标检测算法是早期的目标检测方法，其主要思想是通过提取图像中的特征，如边缘、纹理和颜色等，然后利用分类器对目标进行识别。
常用的特征提取方法包括Haar特征、HOG特征和SIFT特征等。
这些方法在精度和效率方面有一定的优势，但对于复杂场景和多类别目标的检测效果有限。
基于深度学习的目标检测算法是近年来发展起来的一种新兴方法。
深度学习算法通过构建深层神经网络模型，实现对图像特征的端到端学习和自动提取。
其中，卷积神经网络（CNN）是最常用的深度学习模型之一，通过卷积层、池化层和全连接层等组成，可以有效地提取图像中的特征。
常用的基于深度学习的目标检测算法包括RCNN、Fast RCNN、Faster RCNN和YOLO等。
这些算法在目标检测的精度和效率上都取得了显著的突破，广泛应用于计算机视觉领域。
目标跟踪算法是指在目标检测的基础上，通过连续的图像或视频帧，实现对目标的连续追踪。
目标跟踪算法可以分为两大类：基于特征的方法和基于深度学习的方法。
基于特征的目标跟踪算法主要通过提取目标在连续帧中的特征，如颜色、纹理和形状等，然后利用相似度度量或运动模型进行目标的匹配和跟踪。
常用的特征提取方法包括MeanShift、CamShift和MIL等。
这些方法在简单场景和目标运动较小的情况下效果较好，但对于目标形状变化大或遮挡较多的情况下效果有限。
基于深度学习的目标跟踪算法是近年来的研究热点，其主要思想是通过构建深度神经网络模型，实现对目标的连续追踪。
基于深度学习的目标追踪技术研究与应用
基于深度学习的目标追踪技术研究与应用第一章绪论随着计算机技术的不断发展和深度学习技术的不断创新，目标追踪技术逐渐成为了研究热点之一。
目标追踪技术可以用于视频监控、智能交通系统、实时人脸识别等众多领域。
本文旨在研究基于深度学习的目标追踪技术，并探讨其在实际中的应用。
第二章目标追踪技术目标追踪技术是计算机视觉领域的一个重要分支。
其主要任务是在连续的视频图像中识别出一个或多个目标，并跟踪它们的运动轨迹。
目标追踪技术的主要挑战在于克服光照变化、目标形状变化、遮挡和背景干扰等因素的干扰。
目前，目标追踪技术主要分为传统机器学习方法和深度学习方法两种。
其中，深度学习方法因其优异的性能和高效的实现成为了当前研究的热点。
第三章基于深度学习的目标追踪方法基于深度学习的目标追踪方法主要分为两大类：单目标追踪和多目标追踪。
其中，单目标追踪方法主要采用卷积神经网络（CNN）进行目标检测和跟踪，其主要思路是在目标区域内对目标进行识别和分类，然后使用卷积神经网络学习目标的运动状态。
另一种多目标追踪方法主要采用结合卷积神经网络和循环神经网络（RNN）的深度学习模型进行目标跟踪，其中卷积神经网络主要用于目标检测，循环神经网络主要用于学习目标的运动模式和状态。
第四章基于深度学习的目标追踪应用基于深度学习的目标追踪技术可以应用于很多领域。
例如，在智能交通领域中，可以通过目标追踪技术实现车辆和行人的实时监控和统计；在安防领域中，可以通过人脸追踪和识别技术对不法分子进行监控和追踪；在医疗领域中，可以通过肺部结节的追踪和识别技术实现早期诊断等。
总之，基于深度学习的目标追踪技术在实际中具有广泛的应用前景。
第五章目标追踪技术的未来发展趋势随着人工智能技术的不断发展和深度学习模型的不断更新，目标追踪技术也将不断更新和发展。
未来，目标追踪技术将会更加注重算法的效率、精准度和鲁棒性，并进一步发掘深度学习和计算机视觉的潜力。
此外，随着硬件技术的不断发展和成本的降低，基于深度学习的目标追踪技术也将更加普及和广泛应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ａｂ ｔａ ｔ Ｔｈ ｌ ｏ ｉ ｍ ｆｔ ｒ ｅ ｒ ｃ ｎ ｓｂ ｓ ｄ ｏ ｈ ｌ ｓ ｉ ｃ ｔ ｎ ｍｏ ｅ．Ｉ ｈ ｓａｇ ｒｔ ｍ ｈ ａ ｇ ｔ ｓｎ ｔ ｎ ｓ ｒ ｃ ｅ ａｇ ｒｔ ｈ ｏ ａ ｇ ｔ ａ ｋｉｇ ｉ ａ ｅ ｎ ｔ ｅ ｃａ ｓｆ ａ ｉ ｄ １ ｎ ｔ ｉ ｌ ｏ ｉ ｔ ｉ ｏ ｈ ｔ ｅ ｔ ｒ ｅ ｗａ ｏ Ｏ ｌ ｈ ａ ｌ ｓ ｆｏ ｔ ｅ ｓ ｎ ｏ ｓ ａ ｌｓ ｗｅ ｅ ｃａ ｓｆ ｄ ｂ ｕ ｅ ｉｈ ｗｅ ｅ ｄ ｆ ｅ ｙ ｔ ｅ ｍｏ ｅ ．Ｉ ｖ ｒ ｌｓ ｐ ｃａ ｙ ｔ ｅ ｓ ｍｐ ｅ ｒ ｍ ｈ ｅ ｓ ｒ ．Ｓ ｍｐ ｅ ｒ ｌ ｓ ｉ ｅ ｙ ｒ ｌｓ ｗｈ ｃ ｒ ｅ ｉ ｄ ｂ ｈ ｄ １ ｎ ｅ ｅ ｙ ｃａ ｓ ａ ｓ ｅ ｉｌ ｉ ｎ ｖ ｌ ｅ ｗａ ａ ｃ ｌ ｔ ｄ ｗｈ ｃ ｓ ｃ ｎ ｉ ｅ ｅ ｓ ａ ｎ ｗ ａ ｌ ｎ ｔｗａ ｈ ｐ ｔｏ ｈ ｅ ｔｌｖ １ ａ ｕ ｓ ｃ ｌ ｕ ａ ｅ ｉｈ ｗａ ｏ ｓｄ ｒ ｄ ａ ｅ ｓ ｍｐ ｅａ ｄ ｉ ｓｔ ｅ ｉ ｕ ｆｔ ｅｎ ｘ ｅ ｅ ．Ｔｈ ｌｓ ｉ ｅ ｓｃ ｎ ｂ ｅ ｎ ｅ ｃａ ｓｆ ｒ ａ ｅ ｄ — ｉ
Ｃ Ａ模 型 的缺 陷在 于模 型 中 目标 的运 动 形 式 单一 ，
而 在 Ｓｎ ｅ 模 型 中对 于 机动 加 速 度 的概 率 密 度 函 ｉｇ ｒ 数 服从 均匀分 布 ， 且机 动加速 度 均值 为零 的假设 一
踪滤 波器 Ｓ Ｆ ， Ｔ ［ Ｈ 滤 波 器 和 交 互 多 模 型 算 法
摘
要
基于分类模 型的 目标跟踪算法采用分类模型实现对多 目标 的跟 踪。在传统算法 中 目标跟踪 的对象是每个传
感器的实时采样 ， 而在分类模 型中将传感器 采样 根据 分类 规则进行分类 。然后将类 的特征作为一个新 的采样为下一层 的模 型提供输入 ， 可以减少计算 的复杂度 。该模 型是一个 可扩展模 型， 以为分类 器设计不 同的算法对模 型进行扩展 。模 型 自 可
Ｘｕ Ｔｉｃ ｅ ｇ Ｒａ ｅ ｂ Ｌｖ Ｆａ ｇ ｕ ｅｈ ｎ ｏＷ ｎ ｉ ｎ ｓ
（ ｃ ｏ １ ｆＳ ｉｎ ｅ Ｓ ｈ ｏ ｃｅ ｃ ，Ｗ ｕ ａ ｎｖ ｒｉｙｏ ｃ ｎ ｌｇ ｏ ｈ ｎＵ ｉｅｓｔ ｆＴｅ ｈ ｏｏ ｙ，Ｗ ｕ ａ ４ ０ ７ ） ｈｎ ３ ０ ０
Ｉ Ｍ［ Ｍ
。
般 不符 合机 动 目标 的运 动实 际 。多模 型 算 法 ， 用 采
多个滤 波器建 立机 动模 型 ， 有代 表 性 的算 法有 广 具 义伪 贝 叶斯 （ ｎ ｒｌｐ ｅ ｄ ａ ｅ ， Ｂ 和 交 互 Ｇｅ ｅａ ｓｕ ｏ Ｂ ｙ ｓ ＧＰ ） 式多 模 型 （ｎ ｅａ ｔ ｇｍｕｔ ｌ ｍｏ ｅ，ＭＭ ） 法 Ｉｔｒｃｉ ｌｐｅ ｄ ｌＩ ｎ ｉ 算
ｓｇ ｅ ｔ ｉ ｅｅ ｔａｇ ｒｔ ｍｓａ ｄ ｔ ｅｍｏ ｅ ｃ ｎ ｂ ｏ ｉｅ ｔ ｉｆｒｎ ｌｓｉｉｒ． ｉｎ ｄｗｉｈｄｆ ｒｎ ｌｏ ｉ ｆ ｈ ｎ ｈ ｄ ｌ ａ ｅｃ ｍｂｎ ｄｗｉ ｄｆｅｅ ｔｃａ ｓｆ ｓ ｈ ｅ
Ｋｅ ｏ ｄ ｃ ａ ｓ ｆ ａ ｉｎ，ｔ ｒ ｅ ｒ ｃ ｉ ｇ ｉ ｅ ，ｍａ ｅ ｖ ｒ ｇ ｔ ｒ ｅ ，ｔ ａ ｋ ｎ ｄ ｌ ｙＷ ｒｓ ｌｓｉ ｃ ｔ ｉ ｏ ａ ｇ ｔ ｔａ ｋ ｎ ，ｆ ｔ ｒ ｌ ｎ ｕ ｅ ｉ ａ ｇ ｔ ｒ ｃ ｉ ｇ ｍｏ ｅ ｎ Ｃｌｓ ｉ ｂ ｒ ＴＰ３ １ ６ ａ ｓ Ｎｔ ｍ ｅ ０ ．
总第 ２ ８ ５ 期 ２１ 第 ４ ０ １年 期
计 算机 与数 字工 程
Ｃ ｍｐ ｔｒ＆ Ｄｉｉ ｌＥ ｇｎ ｅｉｇ ｏ ｕｅ ｇｔ．
１ ８
基 于分 类 模 型 的 目标 跟 踪 算 法研 究
徐铁城 饶 文碧 吕方苏
武汉 ４０７） ３０ ０ （ 武汉理工大学理学院
身采用低耦合的层次化设计 ， 每一层均 可以采用不 同的分类器 ， 这样 可以充分利用各种分类 算法 的优 点。
关键词 分类 ；目标跟踪 ； 滤波 ；机动 目标 ； 跟踪模型
ＴＰ ０ ． ３１６ 中 图分 类 号
Ｒｅ ｅ ｒ ｈ ｏ ａ ｇ ｔ Ｔ ａ ｋ ｎ ｇ ｒｔ ｍ ｓ ｄ ｏ ｈｅＣｌ ｓ ｉｉａ ｉｎ Ｍ ｏ ｅ ｓ ａ ｃ ｆＴ ｒ ｅ ｒ ｃ ｉ ｇ Ａｌｏ ｉｈ Ｂａ ｅ ｎ ｔ ａ ｓｆｃ ｔｏ ｄ ｌ
ＵＫＦ ［ 粒子 滤 波 器 （ ａｔ ｌ ｆ ｔｒ Ｐ ）３， 跟 ） ， Ｐ ｒ ｃｅ ｉ ｅ ， Ｆ Ｌ 强 ｉ ｌ
果较 差 。机动 目标 跟 踪 的理 论 研 究 大 体 朝 两方 面
发展 。单 模 型 算 法 ， 要 有 匀 速 （ ｏ ｓａ ｔ ｅｏ ｉ 主 Ｃ ｎ ｔｎ— ｌｃ ｖ — ｔ ， Ｖ） 型 ， 加 速 （ ｏ ｓａ ｔ ｃｅ ｒｔ ｎ Ｃ ｙＣ 模 匀 Ｃ ｎ ｔｎ— ｃ ｌ ａｉ ， Ａ） ａ ｅ ｏ 模 型 ， ｉｇ ｒ 型和“ Ｓｎ ｅ 模 当前 ” 统计 模型 等 。其 中 Ｃ Ｖ、
１ 引言
目标 跟踪 的研 究 已经取得 了大量 的成 果 ， 当前 主要 的 目标跟 踪算 法包 括 ： ｌ ｎ滤 波 器 ， Ｋａｍａ 扩展 卡 尔 曼 滤 波器 （ ｘ ｅ ｄ ｄＫａｍａ ｉｅ ， ＫＦ ＿ ， Ｅ ｔｎ ｅ ｌ ｎ ｆｔｒ Ｅ ）１ 无 ｌ 迹 卡 尔 曼 滤 波 器 （ ｓｅ ｔｄ Ｕｎ ｃｎ ｅ Ｋａｍａ ｆ ｔｒ ｌ ｎ ｉｅ， ｌ