1、得益于科學(xué)技術(shù)尤其是計(jì)算機(jī)技術(shù)的飛速發(fā)展，機(jī)器視覺(jué)成為當(dāng)前科學(xué)研究中最有挑戰(zhàn)性的熱門(mén)課題之一。作為機(jī)器視覺(jué)的一個(gè)重要分支，目標(biāo)跟蹤在國(guó)防軍事、智能交通和生活安防等眾多領(lǐng)域得到廣泛的應(yīng)用。目標(biāo)跟蹤即利用圖像識(shí)別技術(shù)根據(jù)目標(biāo)區(qū)別于背景的特征將目標(biāo)從圖像中自動(dòng)識(shí)別出來(lái)并進(jìn)行定位。在實(shí)際的目標(biāo)跟蹤過(guò)程中，由于目標(biāo)特征的多樣性、運(yùn)動(dòng)速度的不確定性和跟蹤背景的復(fù)雜性等因素的影響，往往無(wú)法精確跟蹤目標(biāo)，導(dǎo)致跟蹤失敗。尤其是目標(biāo)跟蹤場(chǎng)景越來(lái)越趨于復(fù)雜化

2、，針對(duì)單一化背景的跟蹤技術(shù)已經(jīng)無(wú)法滿足現(xiàn)實(shí)需求，這對(duì)跟蹤技術(shù)的應(yīng)用推廣和普及造成了很大掣肘。因此，提高系統(tǒng)的穩(wěn)定性和實(shí)時(shí)性，對(duì)其推廣應(yīng)用意義重大。
　　理論上可以從硬件和軟件兩方面提高跟蹤系統(tǒng)的性能，如硬件方面可以采用更高性能的處理器，軟件方面可以對(duì)目標(biāo)跟蹤算法進(jìn)行改進(jìn)。由于核心技術(shù)瓶頸和成本問(wèn)題，通過(guò)革新硬件提高跟蹤系統(tǒng)性能在現(xiàn)實(shí)中受到諸多限制，短時(shí)間內(nèi)很難在眾多領(lǐng)域普及應(yīng)用，而通過(guò)改進(jìn)和優(yōu)化軟件的方法提高系統(tǒng)的穩(wěn)定性和實(shí)時(shí)性具

3、有涉及范圍小、易于實(shí)現(xiàn)的優(yōu)勢(shì)。
　　在實(shí)際目標(biāo)跟蹤過(guò)程中，遮擋問(wèn)題是不可避免且對(duì)算法實(shí)用性限制較為嚴(yán)重的問(wèn)題。隨著運(yùn)動(dòng)目標(biāo)被遮擋部分逐漸變化，其特征會(huì)發(fā)生不同程度的變化，容易導(dǎo)致目標(biāo)跟蹤失敗。另外，當(dāng)目標(biāo)運(yùn)動(dòng)速度過(guò)高時(shí)，由于算法的復(fù)雜度不同，會(huì)導(dǎo)致跟蹤出現(xiàn)一定程度的滯后和偏差。
　　本文主要研究目標(biāo)跟蹤算法中對(duì)遮擋問(wèn)題的解決方法。首先介紹了各種傳統(tǒng)目標(biāo)跟蹤算法的原理和方法，對(duì)應(yīng)用較為廣泛的Mean Shift算法進(jìn)行了深入分

4、析并引出了幾種基于Mean Shift的改進(jìn)算法，且進(jìn)行了仿真實(shí)驗(yàn)分析。
　　通過(guò)對(duì)現(xiàn)有的目標(biāo)跟蹤算法進(jìn)行研究，提出了引入神經(jīng)網(wǎng)絡(luò)進(jìn)行位置預(yù)測(cè)的方法。通過(guò)對(duì)幾種神經(jīng)網(wǎng)絡(luò)的比較，選擇了極限學(xué)習(xí)機(jī)(ELM)進(jìn)行位置預(yù)測(cè)。極限學(xué)習(xí)機(jī)結(jié)構(gòu)簡(jiǎn)單且學(xué)習(xí)能力和速度都強(qiáng)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，具有很大優(yōu)勢(shì)。本文基于此提出ELM與Mean Shift相結(jié)合的抗遮擋目標(biāo)跟蹤算法。
　　該算法借助于ELM根據(jù)過(guò)去3個(gè)時(shí)刻目標(biāo)的位置信息預(yù)測(cè)出目標(biāo)在下一幀的