前言

隨著計算機硬件和人工智能理論的飛速發展，機器視覺的應用領域越來越廣，人工智能和機器視覺應用領域的企業數量也快速增長，作為機器視覺熱點研究方向之一的目標跟蹤技術獲得了空前絕后的發展機遇，在智能安防監控、交通流預測、人機交互和醫學輔助診斷等領域發出耀眼的光芒。實際應用場景中存在跟蹤環境復雜、相似目標干擾和目標遮擋等外在因素，也存在目標自身運行模糊、有形變和尺寸不穩定等內在因素，因此實現目標持續性跟蹤具有很大的困難。目標跟蹤技術融合了計算機科學與技術、控制科學與工程、信息與通信工程與數學等多學科知識，是涉及內容多、挑戰性強、交叉性強、更新速度快且極具前瞻性的研究課題。

目標跟蹤是在給定目標的條件下，對視頻序列中的興趣區域進行連續識別與定位的過程，主要包含目標定位、外觀模型、運動模型和觀測模型等幾部分。為了提高目標跟蹤方法的泛化能力和健壯性，子空間學習、流形學習、度量空間學習、稀疏學習、多任務學習和深度學習等機器學習策略不斷地被引入目標跟蹤研究，大大加快了其發展速度。依據不同的分類，目標跟蹤技術可以分為：①產生式和判別式跟蹤；②短期和長期跟蹤；③單目標和多目標跟蹤；④自底向上式和自頂向下式跟蹤；⑤隨機采樣式和概率模型式跟蹤；⑥基于相關濾波和基于非相關濾波跟蹤等多種形式。而不同的形式又具有不同的研究方法，豐富的研究內容和技術難點使得目標跟蹤技術具有很大的研究潛力和很高的研究價值。

群智能優化算法（以下簡稱“群優化算法”）是一種在目標函數解空間中獲得最優解的動態迭代優化過程，涉及數據挖掘、人工智能和仿生學等領域的思想和理念，研究內容包含能量函數、迭代策略、步長設計、開發和探索等幾個方面。目標跟蹤也可以視為在觀測模型度量下目標模型和候選目標集合動態匹配以獲得最佳候選目標的過程，它使目標跟蹤任務轉換為優化求解任務具有可行性。因此，分析目標跟蹤與群優化算法的關系，解讀群優化算法在目標跟蹤技術中應用的適應性意義重大，能夠促進目標跟蹤技術的進一步深入發展。

本書是作者近幾年來將群優化算法應用于目標跟蹤研究領域成果的積累，主要針對跟蹤過程中出現的低幀率、大位移、鏡頭切換和運動突變等現象，從優化的視角解決跟蹤任務，以實現算法的健壯性。全書內容分為9章，系統地介紹了群優化算法的發展及其在目標跟蹤中的應用。

本書的特色主要包括：①目前雖有研究目標跟蹤的相關文獻，但討論的多是基于外觀模型的分析方法，而本書將局部搜索方法、全局搜索方法與步長變化函數有機結合，提出了新的目標跟蹤方法，解決了突變運動目標和低幀率視頻目標的跟蹤問題。②對特定運動狀態下的目標跟蹤問題，以隨機產生、輪盤賭、大步長加小步長等方式避免了局部最優問題，結合概率分布、統計法、仿生學等的相關理論，設計了不同的搜索策略，以覆蓋目標運動狀態空間，實施特定情況下的目標跟蹤。這種方法能夠針對跟蹤過程中的具體問題設計群優化策略，獲得全局最優解，很好地保障了目標跟蹤的持續能力。③本書包含許多國內外專家的重要思想及成果，但主要內容是作者近幾年來的研究成果（部分研究成果公開發表在國內外重要刊物上，得到了同行專家的認可），研究內容能夠給研究目標跟蹤的學者提供借鑒和啟發，同時也能給從事相關研究的研究生提供參考。

本書對于在計算機科學、自動化、應用數學、人工智能、智能控制系統、通信工程領域從事相關研究的科技工作者和工程技術人員有較高的研究和參考價值，也可作為計算機科學、控制科學與工程、應用數學等相關專業的本科生和研究生的教材及教師的教學參考書。

在本書的編寫和出版過程中，中央民族大學楊國勝教授，上海交通大學胡士強教授，鄭州輕工業大學王延峰和張建偉教授、張杰講師及研究生張秀嬌、高增、陳鍵、聶國豪和程利云等人提供了很多幫助，并提出了許多寶貴意見和建議，在此表示衷心的感謝！最后，謹以此書獻給所有關心、支持和幫助過本書出版的朋友和同人。

本書的研究得到國家自然科學基金面上項目（61873246、61672471）、國家自然科學基金-河南聯合基金重點項目（U1804262），國家自然科學基金青年項目（61603347、61702464、61703373）、河南省高校科技創新團隊項目（19IRTSTHN013）及鄭州輕工業大學重點學科建設資助項目的資助，在此表示感謝！

鑒于作者的水平有限，書中難免有疏漏與不妥之處，熱忱歡迎廣大讀者批評指正。

鄭州輕工業大學 張煥龍

2020年2月