視覺跟蹤是通過對圖像序列中的運動目標進行檢測、識別、跟蹤，獲得運動目標的運動參數，通過進一步處理與分析，實現對運動目標的行為認識，以完成對運動目標的跟蹤[1-2]等更高級的任務。處理理背景復雜多變的目標運動的跟蹤問題，要運用到現階段各相關領域相結合的識別跟蹤算法，如均值漂移算法(Mean Shift)[3]，卡爾曼濾波算法(Kalman)、粒子群跟蹤算法(Pso)[4]，以及粒子濾波跟蹤算法PF(Particle Filter)[5]。粒子濾波算法適合處理非線性系統的目標跟蹤問題，它擺脫了解決非線性濾波問題時，隨機量必須滿足高斯分布的制約[6]。因此，粒子濾波能夠比較精確地表達基于觀測量和控制量的后驗概率分布,可用于解決即時定位與地圖構建SLAM(Simultaneous Localization and Mapping)問題。

4 實驗與結果分析
4.1實驗環境
    實驗的硬件環境：CPU型號：Intel 酷睿i5 3210 M,CPU主頻為2.5 GHz,內存為4 GB,顯存為2 GB。
    實驗的軟件環境：操作系統為Windows 7，編程環境為Microsoft Visual C++ 6.0,所用函數庫為OpenCV,MFC。
4.2 實驗結果與分析
    采用基于加權顏色直方圖粒子濾波的視覺跟蹤器對目標進行跟蹤的。
    本文將基于加權顏色直方圖的粒子濾波算法用于目標人物的實時跟蹤。實驗是在VC++6.0和OpenCV的環境下進行，矩形為人為設定，每幀圖像的大小為640×480像素，粒子數N=150。圖2所示為對小件物體的運動目標的視覺跟蹤，并把粒子樣本顯示出來，如圖方框中的粒子，粒子分布符合高斯分布。圖3所示為對女生的運動目標的視覺跟蹤，圖中矩形內部是待跟蹤的目標人物，矩形為人為設定,用基于加權顏色直方圖的粒子濾波方法對具有特定顏色的目標進行跟蹤，計算每幀圖像每個像素點的顏色概率分布直方圖，對每個像素進行加權處理，只需保留樣本中權值大的粒子，拋棄權值小的粒子，這樣就大大減少了計算。實驗結果表明，粒子濾波跟蹤算法對系統資源要求不高，計算時間少，一幀平均處理時間為170 ms。而在有遮擋的運動目標的圖像序列當中，每幀圖像的大小為640×480像素,粒子數N=150，對有遮擋的運動目標能夠有很好的魯棒性，平均每幀跟蹤時間為350 ms。圖4所示為對男生的運動目標的視覺跟蹤，對有遮擋的目標，跟蹤的準確率有所下降；而有遮擋的運動目標則有很好的魯棒性，平均每幀跟蹤時間為350 ms。表1為圖像序列在這兩種情況下,跟蹤算法的成功率的比較，當跟蹤窗口沒有跟蹤目標視為失敗。

    本文闡述了通過基于特征跟蹤策略，應用OpenCV函數庫進行對圖像序列的運動目標進行跟蹤和監測，實現了基于加權顏色直方圖粒子濾波的視覺跟蹤器。通過實驗表明,基于加權顏色直方圖的粒子濾波方法計算效率高，魯棒性好，實現了對彩色物體的實時跟蹤。
參考文獻
[1] 侯志強，韓崇昭.視覺跟蹤技術綜述[J].自動化學報，2006，32（4）：604-612.
[2] 楊戈，劉宏.視覺跟蹤算法綜述[J].智能系統學報, 2010，5（2）：96-102.
[3] 周芳芳，樊曉平，葉榛.均值漂移算法的研究與應用[J].控制與決策, 2007(8)：841-847.
[4] 竇永梅. 基于粒子群算法和卡爾曼濾波的運動目標跟蹤算法[D]. 太原：太原理工大學,2011.
[5] 王法勝，郭權.視覺跟蹤中的粒子濾波算法研究進展[J]. 山西大學學報(自然科學版)，2011，34(4)：528-533.
[6] 胡昭華，樊鑫，梁德群，等.基于雙線非線性學習的軌跡 跟蹤和識別[J].計算機學報,2007,30(8):1390-1397.
[7] 吳長江，趙不賄，鄭博，等.基于FPGA的動態目標跟蹤系統設計[J].電子技術應用，2010，36(3):45-50.
[8] 李由，張恒，李立春.基于多測量融合的粒子濾波跟蹤算法[J].國防科技大學學報,2007,29(5)：27-30.
[9] 楊柳，張寶亮，趙建，等.基于改進粒子濾波算法的人體運動跟蹤[J]. 電子技術應用,2007,33(11):74-79.