視訊跟蹤是計算機視覺中的一項重要任務, 是指對視訊序列中的目標狀態進行持續推斷的過程，其任務在於通過在視訊的每一幀中定位目標, 以生成目標的運動軌跡, 並在每一時刻提供完整的目標區域。視訊跟蹤技術在軍事和民用方面都有著十分廣泛的應用, 軍事方面包括無人飛行器、精確制導、空中預警、戰場監視等；民用方面包括移動機器人、智慧視訊監控、智慧交通系統、人機互動、虛擬現實等。
定義跟蹤可定義為估計物體圍繞一個場景運動時在影象平面中的軌跡，即一個跟蹤系統給同一個視訊中不同幀的跟蹤目標分配相一致的標籤。目標跟蹤是一個頗具挑戰性的問題。在計算機視覺領域目標跟蹤是一項重要工作。隨著相機的普及，對自動視訊分析與日俱增的需求引起人們對目標跟蹤演算法的濃厚興趣。

應用領域
目前，目標跟蹤技術主要應用於以下領域：
1.智慧視訊監控：基於運動識別（基於步法的人類識別、自動物體檢測等），自動化監測（監視一個場景以檢測可疑行為）；交通監視（實時收集交通資料用來指揮交通流動）；2.人機互動：傳統人機互動是通過計算機鍵盤和滑鼠進行的，為了使計算機具有識別和理解人的姿態、動作、手勢等能力，跟蹤技術是關鍵；3.機器人視覺導航：在智慧機器人中，跟蹤技術可用於計算拍攝物體的運動軌跡；4.虛擬現實：虛擬環境中3D互動和虛擬角色動作模擬直接得益於視訊人體運動分析的研究成果，可給參與者更加豐富的互動形式，人體跟蹤分析是其關鍵技術；5.醫學診斷：跟蹤技術在超聲波和核磁序列影象的自動分析中有廣泛應用，由於超聲波影象中的噪聲經常會淹沒單幀影象有用資訊，使靜態分析十分困難，而通過跟蹤技術利用序列影象中目標在幾何上的連續性和時間上的相關性，可以得到更準確的結果。
經典的目標跟蹤演算法目標跟蹤的目的是定位目標在每幀視訊影象中的位置，產生目標運動軌跡。目前，基於視覺的目標跟蹤演算法依據目標型別大致可以分為兩類：點目標跟蹤、以及對於目標占有一定區域有紋理、輪廓等特徵的目標跟蹤，其中後者可分為基於特徵點檢測的方法、基於背景相減的幀差法、基於分割思想的方法、基於監督學**的方法、及基於目標形狀輪廓等特徵的方法。

下面介紹一些比較經典的目標跟蹤演算法。

Mean-Shift演算法Mean-Shift演算法又稱均值漂移演算法，是一個基於梯度分析的無引數快速模式匹配演算法，可用於多種應用的通用的資料分析方法。Mean-Shift演算法的步驟如下：（1）選擇搜尋視窗，確定視窗的初始位置、型別、形狀、大小；（2）計算視窗（可能帶有權重）的重心；（3）將視窗的中心設定在計算出的重心處；（4）迴圈第二步，直至視窗位置不再變化。
CamShift演算法CamShift（Continuously Adaptive Mean-Shift）演算法是Mean-Shift演算法的改進演算法，成為連續自適應的均值漂移。CamShift演算法的步驟如下：
（1）首先在影像串列中選擇1個區域。（2） 計算此區域的顏色2D機率分佈。（3）用Mean-Shift演演算法來收斂欲跟蹤的區域。（4）集中收斂的區域，並標示之。（5）每個幀影象重複第（3）、（4）步驟。
Mean-Shift演算法和CamShift演算法的優缺點如下表所示。CamShift同經典的Mean-Shift演算法的基本思想是相同的，所不同的它是建立在顏色概率分佈圖和矩的基礎之上。CamShift對室內環境下的目標跟蹤具有較高的魯棒性。
粒子濾波（Particle Filter）演算法粒子濾波（Particle Filter，簡稱PF）利用粒子集來表示概率，可以用在任何形式的狀態空間模型上，其核心思想是通過從後驗概率中抽取的隨機狀態粒子來表達其分佈，是一種順序重要性取樣法。粒子濾波演算法包括以下步驟：（1）初始化所有粒子；（2）更新粒子當前位置；（3）評估每個粒子的重要性；（4）根據粒子重要性重新取樣。粒子濾波跟蹤演算法可用於視訊監控領域，可以跟蹤速度較快的跟蹤目標。雖然粒子濾波演算法可以作為解決SLAM（simultaneous localization and mapping，即時定位與地圖構建）問題的有效手段，但該演算法需要用大量的樣本數量才能很好地近似系統的後驗概率密度，當面臨的環境越複雜，描述後驗概率分佈所需要的樣本數量就越多，演算法的複雜度就越高。
TLD演算法TLD（tracking learning detection）演算法是一個用於針對視訊中未知物體長期跟蹤的架構，由跟蹤模組、檢測模組、學**模組三部分組成，圖1給出了TLD的框架圖）。
圖1 TLD的框架圖1跟蹤模組根據物體在前一幀已知的位置估計在當前幀的位置，這樣就會產生一條物體運動的軌跡，從這條軌跡可以為學**模組產生正樣本（Tracking->Learning）；2檢測模組對每一幀影象都做全面的掃描，找到與目標物體相似的所有外觀的位置，從檢測產生的結果中產生正樣本和負樣本，交給學**模組（Detection->Learning）；從所有正樣本中選出一個最可信的位置作為這一幀TLD的輸出結果，然後用這個結果更新追蹤器的起始位置（Detection->Tracking）；3學**模組根據追蹤器和檢測器產生的正負樣本，迭代訓練分類器，改善檢測器的精度（Learning->Detection）。
TLD演算法的特點

將傳統的跟蹤演算法和傳統的檢測演算法相結合來解決被跟蹤目標在被跟蹤過程中發生的形變、部分遮擋等問題；通過一種改進的線上學**機制不斷更新跟蹤模組的“顯著特徵點”和檢測模組的目標型別及相關引數，從而使得跟蹤效果更加穩定、魯棒、可靠。

智芯原動跟蹤演算法演示視訊：

目標跟蹤演算法是ADAS系統的關鍵技術之一，智芯原動在行車安全、車牌識別等功能模組中也採用了目標跟蹤演算法。與現有的目標跟蹤演算法相比，智芯原動的目標跟蹤演算法跟蹤效果更加穩定、魯棒、可靠。 與其他公司的嵌入式演算法不同，智芯原動將目標跟蹤演算法在晶片上實現了智慧硬化。含有目標跟蹤硬化運算元的晶片可以實現直接在相機端進行實時處理，提高了運算速率，節約了運算時間和成本。