目標跟蹤是計算機視覺領域的一個熱門課題。雖然研究者提出了很多不同的算法，但是這些算法都依賴于傳統的圖像采集系統，即CCD相機成像原理生成的圖像。圖像各個像素在成像平面中具有相同的分辨率，從仿真學的角度看，這些像素具有相同的敏感度。因此，造成了跟蹤與識別的一個難點，即必須首先確定圖像中目標的位置（興趣點），然后才能實現跟蹤。
    然而生物視覺系統，例如人眼成像系統，能夠捕捉到感興趣目標并對該區域提供較高的分辨率。而在興趣目標之外，生物視覺系統產生的圖像分辨率則會相對降低。利用對生物視覺系統的模擬，人造成像傳感器件也能產生類似的成像效果，這類器件被稱為視網膜凹區成像（Fovea image）器件。這類器件的優勢是能將采集到的有用信息集中到所感興趣的目標上，而對于其他區域則減少所涵蓋的信息。這對于信息壓縮傳輸和目標的識別都能起到非常積極的作用，尤其對于運動目標識別和跟蹤，能提供有效的目標信息，同時減少噪聲的干擾。
    參考文獻[1]介紹了一種基于人眼視網膜中央凹區成像原理的成像芯片模型。該系統具有體積小、功耗低、自帶運動傳感及運動組件的優點，通過模擬人眼跟蹤的原理能實現快速目標定位和平滑跟蹤。但是，該系統的一個主要缺點是其無法根據場景變換或者針對新目標進行有效的自動配置。因此對于在視場中出現的新目標，系統需要對芯片的邏輯元器件和外置運動部件進行重新設置。
    針對以上缺陷，參考文獻[2]提出了一種可實時編程成像跟蹤傳感器，可動態地對芯片參數進行設置。該成像傳感器能實時地將圖像分成若干不同等級分辨率的子圖像，從而使得該系統較常規人眼視覺系統模型更具靈活性。
    對于通常的目標跟蹤系統，一般以當前時間t的系統狀態來預測未來時間t+1的系統狀態。例如常用的卡爾曼濾波跟蹤模型，認為兩個連續狀態之間存在著線性關系。較新的模型則在卡爾曼濾波的基礎上引入了非線性關系到系統狀態中。例如利用隱馬爾科夫模型（HMM）的跟蹤系統[3]則允許觀測值與系統狀態之間保持任意形式的概率分布，而無需像卡爾曼濾波那樣限定為高斯模型。而基于Particle模型[4]的跟蹤系統則假設當前狀態是若干子狀態的組合，它們按照某個概率分布。當前狀態的具體取值決定于概率子狀態的概率分布結果，這些技術都是對原始卡爾曼濾波跟蹤算法的有效改進[5]。

2 試驗設置與結果分析
    在本實驗中，所設置的模擬目標大小S=16，仿真的視網膜中心凹區大小G=48。對于跟蹤系統的準確率，采用在仿真中央凹區中準確發現目標的比率計算。在圖5和圖6中，顯示了本文所采用的跟蹤算法的準確率。
　　在圖5中，分析了系統跟蹤精度與式(5)中添加噪聲水平之間的關系。其中虛線為任意軌跡方程所仿真的運動目標跟蹤系統，細實線為正弦波軌跡方程仿真的運動目標跟蹤結果，粗實線為線性軌跡方程仿真跟蹤結果。可以發現，系統對于線性運動目標跟蹤精度最高，而對任意軌跡運動的目標準確率則有所下降。并且整個系統隨著系統噪聲的增加，跟蹤精度會隨之下降。但是當噪聲水平達到一定高度后，無論是線性運動目標或是任意軌跡運動目標的跟蹤準確性都很低。

    圖6中，對比顯示了不同運動軌跡（零噪聲）下，中央凹區尺寸大小對于跟蹤精度的影響。從圖中曲線可以看到，線性運動目標和簡單正弦波規律運動目標，由于其運動規律較為容易預測，中央凹區大小的選擇對于跟蹤結果幾乎沒有影響。而對于復雜的任意軌跡運動目標,較大尺寸的中央凹區能明顯提高跟蹤系統的準確性。

    為了對比基于模擬人眼視網膜中央凹區跟蹤算法與常規模板匹配算法的區別，對比顯示了兩類算法的跟蹤準確率,如表1所示。分別采用兩種方法初始設置中央凹區，一種是直接將中央凹區定位在運動目標上，然后開始跟蹤；另一種是隨機給定中央凹區的位置，然后依靠系統自動檢測目標并實現跟蹤。可以發現兩種方法的跟蹤準確度基本一致，自動搜索目標的算法準確率稍有下降。而采用常規模版匹配的算法，其跟蹤準確度明顯偏低，顯示出基于視網膜中央凹區的算法具有較高的穩定性和可靠性。
    針對傳統利用模板原理進行目標跟蹤系統容易受到系統噪聲干擾導致跟蹤精度不高的問題，本文提出了一種仿真人眼視網膜中央凹區進行軟件跟蹤的系統。由于人眼視網膜中央凹區模型在芯片還未得到較為廣泛的應用，因此，本文的仿真方法能對這一模型在跟蹤系統中的效能進行有效評估。該方法簡單有效，能很好地模擬生物視覺的成像原理，并利用該成像原理的優勢有效的提高目標跟蹤的精確度。該方法能推廣應用到視頻監控等系統中。
參考文獻
[1] CUMMINGS R E, SPIEGEL J V D, MUELLER P, et al. A foveated silicon retina for two dimensional tracking[J]. IEEE Transactions on Circuits and Systems-II: Analog and Digital Signal Processing, 2000,47(6)：1101-1107.
[2] PAIN B, Yang Guang. Real time programmable reconfigurable vision active pixel sensors[C]. NASA.2003.
[3] 劉剛，劉明，匡海鵬,等.多目標跟蹤方法綜述[J].電光與控制,2004，11(3): 432-437.
[4] 馬奔，史忠科，皮燕妮.成像目標跟蹤算法分析[J]. 西安電子科技大學學報(自然科學版)，2005,32(3):150-155.
[5] 吳曉娟,翟海亭,王 磊,等.一種改進的CAMSHIFT手勢跟蹤算法[J]. 山東大學學報, 2004,34(6):120-124.
[6] 馮馳,王萌,汲清波.粒子濾波器重采樣算法的分析與比較[J]. 系統仿真學報, 2009,21(4):1101-1105.
[7] 王來雄, 黃士坦. 一種新的粒子濾波算法[J]. 武漢大學學報(工學版), 2006,39(1):118-120.