·100 智能系统学报 第5卷 知的，如果假设的密度模型不恰当，估计就会有偏 2.2无参密度估计方法 差，而且偏差又很难消除，另外参数的估计也不一定 2.2.1 Mean shift方法 是最优的，有时只是收敛于一些局部点， Mean shift方法是一种快速的、沿着梯度方向进 文献[35]提出了线性无偏递推卡尔曼滤波器， 行迭代的方法，因此能够较快地找到核密度估计的峰 将状态变量引入到滤波器理论中，用状态空间模型 值（模式）.它倾向于忽略离感兴趣区域较远的数据。 代替通常用来描述它们的协方差函数.Kalman滤波 Mean shift的优点： 器是针对线性状态空间模型的最优的最小均方误差 1)Mean shi进计算量不大，在目标区域已知的情 估计.传统的卡尔曼滤波器只是适用状态方程和观 况下完全可以做到实时跟踪； 测方程是线性系统的情况，同时要求后验概率分布 2)作为一个无参数密度估计算法，很容易作为 密度和系统噪声以及观测噪声都是服从高斯分布 一个模块和别的算法集成； 实际状态方程或者观测方程却是非线性系统，为此 3)采用核函数直方图建模，对边缘遮挡、目标 很多研究学者对传统的卡尔曼滤波器进行了相应的 旋转、变形和背景运动不敏感 扩展.最直接的扩展是扩展卡尔曼滤波器(extended Mean shift的缺点： Kalman filter,EKF)[364o1,它是通过方程的一级泰勒 1)缺乏必要的模板更新算法； 展开式来近似最优解，即先将随机非线性系统模型 2)跟踪过程中窗宽的大小如果保存不变，当目 的非线性向量函数f,和h,围绕滤波值线性化，得到 标有尺度变化时，可能跟踪失败； 系统线性化模型，然后应用卡尔曼基本方程，解决非 3)直方图是一种比较弱的对目标特征的描述， 线性滤波问题！ 当背景和目标的颜色分布较相似时，算法效果欠佳， Iterated EKF(IEKF)以迭代的方式使用状态向 当场景中目标的运动速度很快时，目标区域在 量的当前估计来线性化观测方程36：7列 相邻2帧间会出现没有重叠的区域的情况，目标这 Unscented Kalman filter(UKF)[36-3,l4s]是性能 时往往收敛于背景中与目标颜色分布比较相似的物 比EKF更高的替代方法，两者的主要不同是高斯随 体，而不是场景中的目标.文献[4546]定义了一系 机变量传递的表示法不同.在UKF中，它使用确定 列核函数和权重系数，指出mean shift的应用领域： 性抽样方法，即无味转换(unscented transformation, UT).虽然UT需要几个近似值，但它还是比其他用 文献[47]把跟踪作为二值化分类问题来处理， 通过在线方式训练弱分类器来区别对象特征和背景 非线性转换传递随机变量的方法准确.UKF的另外 一个优点是不需要转换观测方程的解析表达式，使 特征，强分类器用来计算下一帧的信任图，通过 得它能应用到基于仿真的系统中.状态分布由随机 mean shi进算法找到信任图的峰值（对象的新位 变量来近似，这些高斯型随机变量是通过一些抽样 置).通过不断地训练弱分类器，更新强分类器，使 点(sigma点)来确定的.这些点完全代表了随机变 得跟踪器以较低的计算成本取得较好的健壮性.文 量的真实均值和协方差，而且不管非线性程度如何， 献[47]能够跟踪各种场景，包括：摄象机静止或移 后验均值和协方差都能准确地获取到第2级（泰勒 动、灰度图象或红外图象、不同尺寸的对象.这个跟 级数展开)，因此它比EKF具有更好的滤波性能.当 踪算法还能处理一些遮挡：分类评分被用来检测遮 状态维数是n,则只需要2n+1个sigma点.另外， 挡：粒子滤波器被用来克服遮挡.但是，这个跟踪算 UKF不需要明确衍生的计算，也不需要对非线性系 法不能处理长时间、大范围的遮挡，另外目前被选择 统的表示进行分析.UKF的计算复杂度和EKF的相 的特征空间没有考虑空间信息， 同级别36.不同的方法在计算成本和结果的准确性 针对非刚性对象，文献[48]提出了新的对象表 方面有不同的性能特点， 示和定位方法，基于直方图的对象表示由各向同性 文献[44]提出了基于窗口匹配的跟踪算法，它 的核来规范化，对象的定位问题转化成寻找局部最 使用差平方和作为距离相似的量度，结合了卡尔曼滤 大兴趣区的问题.对象模型和对象候选区模型的相 波器，增加了跟踪算法的鲁棒性.这个跟踪算法可以 似程度由Bhattacharyya系数来表示，使用mean shift 应用到市内车辆跟踪，2人会面中的跟踪，乒乓比赛 来优化.文献[48]能够较好的处理镊像机运动，部 中对球的跟踪.但这个跟踪算法没有解决遮挡问题， 分遮挡、混乱、对象尺度变化等问题.但是，它不是针