一、跟踪系统概述

各位同学好，今天我们开始讲目标跟踪。说实话，这个课题我做了十几年，从最早的雷达跟踪到现在的自动驾驶，感触挺深的。

目标跟踪，说白了就是让系统持续锁定一个目标，实时知道它在哪里、要去哪。你想想看，无人机要跟拍一个人，自动驾驶要锁定前车，机器人要抓取一个移动的零件——这些都需要目标跟踪技术。

1.1 目标跟踪的定义

目标跟踪，我习惯这样定义：通过传感器持续观测，估计目标在每一时刻的状态（位置、速度、加速度等），并预测其未来轨迹的过程。

嗯，这里要注意，跟踪不是一次性的检测。检测是“这里有个目标”，跟踪是“这个目标从哪来、到哪去、接下来会怎样”。

我在项目中遇到过不少新手，把检测和跟踪混为一谈。检测是跟踪的前提，但跟踪要解决的是“目标丢失了怎么办”、“多个目标交叉了怎么区分”这些更棘手的问题。

1.2 应用领域

目标跟踪的应用场景，我挑三个最典型的讲讲。

自动驾驶

这是目前最火的方向。自动驾驶车辆需要跟踪周围的车辆、行人、自行车。我记得2018年做的一个项目，高速上跟踪前方车辆，最头疼的是目标被大卡车遮挡后的重识别问题。

自动驾驶中的跟踪，通常需要融合多种传感器：

传感器	优势	劣势
摄像头	颜色、纹理信息丰富	受光照影响大
激光雷达	距离精度高	雨天性能下降
毫米波雷达	全天候工作	角度分辨率低

无人机

无人机跟踪，我做过一个电力巡检的项目。无人机要跟踪输电线路上的一个故障点，同时还要避开障碍物。这里有个难点——无人机自身在运动，目标也在运动，属于典型的“动对动”跟踪。

为什么会这么难？因为无人机的姿态变化会导致传感器坐标系一直在变，需要做坐标变换补偿。我曾经因为坐标系搞反了，无人机直接朝反方向飞过去了……嗯，从那以后我再也不敢轻视坐标系转换。

机器人

机器人领域的跟踪，我接触最多的是服务机器人。比如机器人要跟踪一个移动的人，给他送水或者引导他参观。这里有个避坑指南：人不是刚体，人的姿态变化、手臂摆动都会影响跟踪的稳定性。

1.3 系统组成

一个完整的目标跟踪系统，我习惯把它分成四个模块。下面这张图是我自己总结的，你们可以保存下来。

下面我详细说说每个模块。

传感器模块

这是系统的“眼睛”。我建议根据应用场景选传感器：

• 室内机器人：摄像头+超声波就够了
• 自动驾驶：必须多传感器融合，单一传感器靠不住
• 无人机：轻量化传感器，要考虑载重和功耗

预处理模块

原始数据不能直接用。我举个例子，摄像头采集的图像有噪声，雷达数据有杂波。预处理要做的事情包括：

• 滤波去噪（中值滤波、高斯滤波）
• 坐标变换（从传感器坐标系到世界坐标系）
• 时间同步（不同传感器的采样频率不同）

跟踪算法模块

这是核心。常用的算法有：

• 卡尔曼滤波：线性系统、高斯噪声下的最优估计
• 扩展卡尔曼滤波：处理非线性系统
• 粒子滤波：非高斯、多模态分布
• 匈牙利算法：解决数据关联问题

我个人习惯，能用卡尔曼滤波的场合绝不用粒子滤波。为什么？计算量差一个数量级。无人机上跑粒子滤波，电池撑不了多久。

输出模块

输出不仅仅是目标的位置。我一般会输出：

• 当前状态（位置、速度、加速度）
• 不确定性（协方差矩阵）
• 预测轨迹（未来N步的估计）
• 置信度（这个跟踪结果有多可靠）

嗯，这里要特别提一下置信度。很多初学者只输出位置，不输出置信度。但在实际工程中，下游决策模块需要知道“这个跟踪结果到底靠不靠谱”。置信度低的时候，决策模块可以采取保守策略。