计算机视觉中的目标跟踪是图像处理和机器学习领域的一个核心问题，其目标是在连续的视频帧中定位和追踪特定对象的状态，如位置、大小和方向等。对于复杂的环境，尤其是存在遮挡的情况，目标跟踪的准确性会受到严重影响。本文介绍了一种基于鲁棒性的计算机视觉目标跟踪算法，旨在提高在遮挡情况下的跟踪性能。
该算法首先引入了一种适用于噪声统计特性未知的无迹扩展H-infinity滤波（Unscented Extended H-infinity Filter, UEHPF）方法。传统的滤波器如卡尔曼滤波器（Kalman Filter）在噪声统计特性已知的情况下表现良好，但在实际应用中，噪声往往难以精确建模。UEHPF通过UT变换（Unscented Transform）简化了扩展H-infinity滤波中的复杂计算，无需知道噪声的具体统计特性，从而提高了算法的适应性和鲁棒性。
接下来，算法将遮挡导致的目标模型变化视为观测噪声统计特性的变化。在粒子滤波（Particle Filter, PF）框架内，算法建立了目标状态估计与噪声统计特性之间的联系。当目标被遮挡时，粒子预测值和基于当前观测信息的估计值通过权重求和处理，动态调整状态和观测模型的噪声协方差，以克服遮挡造成的观测信息失效问题。
实验结果显示，该算法在跟踪精度和稳定性方面表现出色，即使在大面积遮挡的情况下，粒子更新概率也能保持在约90%。这种方法的优点在于它能自适应地调整权重大小，以应对遮挡导致的跟踪挑战，从而提高了跟踪的稳定性和鲁棒性。
相比其他方法，如基于多维信息矩阵的遮挡处理、Mean Shift与Kalman滤波的结合，以及局部敏感直方图的观测模型，该算法在处理遮挡问题上更有效，计算量相对较小，并且能更好地应对长时间或完全遮挡的情况。
该研究提出了一种创新的鲁棒性目标跟踪策略，结合了无迹扩展H-infinity滤波和粒子滤波的优势，能够适应噪声特性未知和遮挡频繁的复杂场景，为计算机视觉领域的目标跟踪提供了一种新的解决方案。这一技术对于视频监控、自动驾驶、无人机导航等需要实时目标跟踪的领域具有重要的应用价值。
