演算法跟蹤器

Ⅰ 如何實現多種目標跟蹤演算法並行實現對比

本文通過理論和實際的分析，提出一種在以矩不變數為特徵的目標跟蹤系統中引入並行計算機處理的演算法，該演算法將目標跟蹤過程中的特徵提取和模塊匹配演算法結合起來進行合理劃分，使得在每個控制間隔里，兩部分交換信息後分別同時計算，從而在任務級上實現並行處理。

Ⅱ 目標跟蹤檢測演算法（四）——多目標擴展

姓名：劉帆；學號：20021210609；學院：電子工程學院

https://blog.csdn.net/qq_34919792/article/details/89893665

【嵌牛導讀】基於深度學習的演算法在圖像和視頻識別任務中取得了廣泛的應用和突破性的進展。從圖像分類問題到行人重識別問題，深度學習方法相比傳統方法表現出極大的優勢。與行人重識別問題緊密相關的是行人的多目標跟蹤問題。

【嵌牛鼻子】深度多目標跟蹤演算法

【嵌牛提問】深度多目標跟蹤演算法有哪些？

【嵌牛正文】

第一階段（概率統計最大化的追蹤）

1）多假設多目標追蹤演算法（MHT，基於kalman在多目標上的拓展）

多假設跟蹤演算法(MHT)是非常經典的多目標跟蹤演算法，由Reid在對雷達信號的自動跟蹤研究中提出，本質上是基於Kalman濾波跟蹤演算法在多目標跟蹤問題中的擴展。

卡爾曼濾波實際上是一種貝葉斯推理的應用，通過歷史關聯的預測量和k時刻的預測量來計算後驗概率：

關聯假設的後驗分布是歷史累計概率密度的連乘，轉化為對數形式，可以看出總體後驗概率的對數是每一步觀察似然和關聯假設似然的求和。但是若同時出現多個軌跡的時候，則需要考慮可能存在的多個假設關聯。

左圖為k-3時刻三個檢測觀察和兩條軌跡的可能匹配。對於這種匹配關系，可以繼續向前預測兩幀，如圖右。得到一種三層的假設樹結構，對於假設樹根枝乾的剪枝，得到k-3時刻的最終關聯結果。隨著可能性增加，假設組合會爆炸性增多，為此，只為了保留最大關聯性，我們需要對其他的節點進行裁剪。下式為選擇方程

實際上MHT不會單獨使用，一般作為單目標追蹤的擴展添加。

2）基於檢測可信度的粒子濾波演算法

這個演算法分為兩個步驟：

1、對每一幀的檢測結果，利用貪心匹配演算法與已有的對象軌跡進行關聯。

其中tr表示一個軌跡，d是某一個檢測，他們的匹配親和度計算包含三個部分：在線更新的分類學習模型(d)，用來判斷檢測結果是不是屬於軌跡tr; 軌跡的每個粒子與檢測的匹配度，採用中心距離的高斯密度函數求和(d-p)表示；與檢測尺寸大小相關的閾值函數g(tr,d)，表示檢測與軌跡尺度的符合程度, 而α是預設的一個超參數。

計算出匹配親和度矩陣之後，可以採用二部圖匹配的Hungarian演算法計算匹配結果。不過作者採用了近似的貪心匹配演算法，即首先找到親和度最大的那個匹配，然後刪除這個親和度，尋找下一個匹配，依次類推。貪心匹配演算法復雜度是線性，大部分情況下，也能得到最優匹配結果。

2、利用關聯結果，計算每個對象的粒子群權重，作為粒子濾波框架中的觀察似然概率。

其中tr表示需要跟蹤的對象軌跡，p是某個粒子。指示函數I(tr)表示第一步關聯中，軌跡tr是不是關聯到某個檢測結果，當存在關聯時，計算與關聯的檢測d 的高斯密度P{n}(p-d )；C{tr}§是對這個粒子的分類概率；§是粒子通過檢測演算法得到的檢測可信度，(tr)是一個加權函數，計算如下：

3）基於馬爾科夫決策的多目標跟蹤演算法

作者把目標跟蹤看作為狀態轉移的過程，轉移的過程用馬爾科夫決策過程(MDP)建模。一個馬爾科夫決策過程包括下面四個元素：(S, A, T(.),R(.))。其中S表示狀態集合，A表示動作集合，T表示狀態轉移集合，R表示獎勵函數集合。一個決策是指根據狀態s確定動作a, 即 π: SA。一個對象的跟蹤過程包括如下決策過程：

從Active狀態轉移到Tracked或者Inactive狀態：即判斷新出現的對象是否是真。

從Tracked狀態轉移到Tracked或者Lost狀態：即判斷對象是否是持續跟蹤或者暫時處於丟失狀態。

從Lost狀態轉移到Lost或者Tracked或者Inactive狀態：即判斷丟失對象是否重新被跟蹤，被終止，或者繼續處於丟失狀態。

作者設計了三個獎勵函數來描述上述決策過程：

第一個是：

即判斷新出現的對象是否為真，y(a)=1時表示轉移到跟蹤狀態，反之轉移到終止狀態。這是一個二分類問題，採用2類SVM模型學習得到。這里用了5維特徵向量：包括x-y坐標、寬、高和檢測的分數。

第二個是：

這個函數用來判斷跟蹤對象下一時刻狀態是否是出於繼續跟蹤，還是處於丟失，即跟蹤失敗。這里作者用了5個歷史模板，每個模板和當前圖像塊做光流匹配，emedFB表示光流中心偏差， 表示平均重合率。 和 是閾值。

第三個是：

這個函數用來判斷丟失對象是否重新跟蹤，或者終止，或者保持丟失狀態不變。這里當丟失狀態連續保持超過 (=50)時，則轉向終止，其他情況下通過計算M個檢測匹配，來判斷是否存在最優的匹配使上式(3-14)獎勵最大，並大於0。這里涉及兩個問題如何設計特徵以及如何學習參數。這里作者構造了12維與模板匹配相關的統計值。而參數的學習採用強化學習過程，主要思想是在犯錯時候更新二類分類器值。

第二階段 深度學習應用

1）基於對稱網路的多目標跟蹤演算法

關於Siamese網路在單目標跟蹤深度學習中有了介紹，在這里不再介紹，可以向前參考。

2）基於最小多割圖模型的多目標跟蹤演算法

上述演算法中為了匹配兩個檢測採用LUV圖像格式以及光流圖像。Tang等人在文獻中發現採用深度學習計算的類光流特徵(DeepMatching)，結合表示能力更強的模型也可以得到效果很好的多目標跟蹤結果。

基於DeepMatching特徵，可以構造下列5維特徵：

其中MI,MU表示檢測矩形框中匹配的點的交集大小以及並集大小，ξv和ξw表示檢測信任度。利用這5維特徵可以學習一個邏輯回歸分類器。

同樣，為了計算邊的匹配代價，需要設計匹配特徵。這里，作者採用結合姿態對齊的疊加Siamese網路計算匹配相似度，如圖9，採用的網路模型StackNetPose具有最好的重識別性能。

綜合StackNetPose網路匹配信任度、深度光流特徵(deepMatching)和時空相關度，作者設計了新的匹配特徵向量。類似於[2], 計算邏輯回歸匹配概率。最終的跟蹤結果取得了非常突出的進步。在MOT2016測試數據上的結果如下表：

3）通過時空域關注模型學習多目標跟蹤演算法

除了採用解決目標重識別問題的深度網路架構學習檢測匹配特徵，還可以根據多目標跟蹤場景的特點，設計合適的深度網路模型來學習檢測匹配特徵。Chu等人對行人多目標跟蹤問題中跟蹤演算法發生漂移進行統計分析，發現不同行人發生交互時，互相遮擋是跟蹤演算法產生漂移的重要原因[4]。如圖10。

在這里插入圖片描述

針對這個問題，文獻[4]提出了基於空間時間關注模型(STAM)用於學習遮擋情況，並判別可能出現的干擾目標。如圖11，空間關注模型用於生成遮擋發生時的特徵權重，當候選檢測特徵加權之後，通過分類器進行選擇得到估計的目標跟蹤結果，時間關注模型加權歷史樣本和當前樣本，從而得到加權的損失函數，用於在線更新目標模型。

該過程分三步，第一步是學習特徵可見圖：

第二步是根據特徵可見圖，計算空間關注圖(Spatial Attention):

其中fatt是一個局部連接的卷積和打分操作。wtji是學習到的參數。

第三步根據空間注意圖加權原特徵圖：

對生成的加權特徵圖進行卷積和全連接網路操作，生成二元分類器判別是否是目標自身。最後用得到分類打分選擇最優的跟蹤結果。

4）基於循環網路判別融合表觀運動交互的多目標跟蹤演算法

上面介紹的演算法採用的深度網路模型都是基於卷積網路結構，由於目標跟蹤是通過歷史軌跡信息來判斷新的目標狀態，因此，設計能夠記憶歷史信息並根據歷史信息來學習匹配相似性度量的網路結構來增強多目標跟蹤的性能也是比較可行的演算法框架。

考慮從三個方面特徵計算軌跡歷史信息與檢測的匹配：表觀特徵，運動特徵，以及交互模式特徵。這三個方面的特徵融合以分層方式計算。

在底層的特徵匹配計算中，三個特徵都採用了長短期記憶模型(LSTM)。對於表觀特徵，首先採用VGG-16卷積網路生成500維的特徵ϕtA，以這個特徵作為LSTM的輸入計算循環。

對於運動特徵，取相對位移vit為基本輸入特徵，直接輸入LSTM模型計算沒時刻的輸出ϕi，對於下一時刻的檢測同樣計算相對位移vjt+1,通過全連接網路計算特徵ϕj，類似於表觀特徵計算500維特徵ϕm，並利用二元匹配分類器進行網路的預訓練。

對於交互特徵，取以目標中心位置周圍矩形領域內其他目標所佔的相對位置映射圖作為LSTM模型的輸入特徵，計算輸出特徵ϕi，對於t+1時刻的檢測計算類似的相對位置映射圖為特徵，通過全連接網路計算特徵ϕj，類似於運動模型，通過全連接網路計算500維特徵ϕI，進行同樣的分類訓練。

當三個特徵ϕA，ϕM，ϕI都計算之後拼接為完整的特徵，輸入到上層的LSTM網路，對輸出的向量進行全連接計算，然後用於匹配分類，匹配正確為1，否則為0。對於最後的網路結構，還需要進行微調，以優化整體網路性能。最後的分類打分看作為相似度用於檢測與軌跡目標的匹配計算。最終的跟蹤框架採用在線的檢測與軌跡匹配方法進行計算。

5）基於雙線性長短期循環網路模型的多目標跟蹤演算法

在對LSTM中各個門函數的設計進行分析之後，Kim等人認為僅僅用基本的LSTM模型對於表觀特徵並不是最佳的方案，在文獻[10]中，Kim等人設計了基於雙線性LSTM的表觀特徵學習網路模型。

除了利用傳統的LSTM進行匹配學習，或者類似[5]中的演算法，拼接LSTM輸出與輸入特徵，作者設計了基於乘法的雙線性LSTM模型，利用LSTM的隱含層特徵(記憶)信息與輸入的乘積作為特徵，進行匹配分類器的學習。

這里對於隱含層特徵ht-1,必須先進行重新排列(reshape)操作，然後才能乘以輸入的特徵向量xt。

其中f表示非線性激活函數，mt是新的特徵輸入。而原始的檢測圖像採用ResNet50提取2048維的特徵，並通過全連接降為256維。下表中對於不同網路結構、網路特徵維度、以及不同LSTM歷史長度時，表觀特徵的學習對跟蹤性能的影響做了驗證。

可以看出採用雙線性LSTM(bilinear LSTM)的表觀特徵性能最好，此時的歷史相關長度最佳為40，這個值遠遠超過文獻[5]中的2-4幀歷史長度。相對來說40幀歷史信息影響更接近人類的直覺。

Ⅲ 德雲系：擴展模塊的目標跟蹤演算法有哪些

你好，分為了以下四種：
1. KCF：TrackerKCF 使用目標周圍區域的循環矩陣採集正負樣本,利用脊回歸訓練目標檢測器,並成功的利用循環矩陣在傅里葉空間可對角化的性質將矩陣的運算轉化為向量的Hadamad積,即元素的點乘,大大降低了運算量,提高了運算速度,使演算法滿足實時性要求.
2.MIL：TrackerMIL 以在線方式訓練分類器將對象與背景分離;多實例學習避免魯棒跟蹤的漂移問題
3. OLB：TrackerBoosting 基於AdaBoost演算法的在線實時對象跟蹤.分類器在更新步驟中使用周圍背景作為反例以避免漂移問題.
4.MedianFlow：TrackerMedianFlow 跟蹤器適用於非常平滑和可預測的運動,物體在整個序列中可見.
5.TLD：TrackerTLD 將長期跟蹤任務分解為跟蹤，學習和檢測.跟蹤器在幀之間跟蹤對象.探測器本地化所觀察到的所有外觀,並在必要時糾正跟蹤器.學習估計檢測器的錯誤並進行更新以避免再出現這些錯誤.追蹤器能夠處理快速運動,部分遮擋,物體缺失等情況.

Ⅳ 計算機視覺中，目前有哪些經典的目標跟蹤演算法

跟蹤是一個很混亂的方向。

比如TLD、CT、Struct這些效果不錯的Tracker其實都不是單純的Tracker了。09年的時候我記得比較流行的是Particle Filtering， 或者一些MeanShift/CamShift的變形，比如特徵變了，比如對問題的假設變了。

後來突然出現一些tracking by detection的方法，之前的很多朋友就覺得這是耍流氓。比如TLD，嚴格的跟蹤演算法也許只是裡面的Forward/Backward Opitcal Flow的部分，但是效果很Impressive，所以不管怎樣，一下就火了。

之後所謂的跟蹤就不再是一個傳統的跟蹤問題，而是一個綜合的工程問題。online learning，random projection ，sparse learning的東西都加進來，大家其實到底是在做跟蹤還是在做檢測或者online learning，其實已經不重要，因為衡量的標準是你在某些public dataset上的精度。

但這些對實際的項目有沒有幫助呢？

這是個很有意思的地方，在很多時候，我們之所以需要跟蹤演算法，是因為我們的檢測演算法很慢，跟蹤很快。基本上當前排名前幾的跟蹤演算法都很難用在這樣的情況下，因為你實際的速度已經太慢了，比如TLD，CT，還有Struct，如果目標超過十個，基本上就炸了。況且還有些跟蹤演算法自己drift掉了也不知道，比如第一版本的CT是無法處理drift的問題的，TLD是可以的，究其原因還是因為檢測演算法比較魯棒啊……

實際中我覺得速度極快，實現也簡單的純跟蹤演算法居然是NCC和Overlap。

NCC很簡單，這個是對點進行的，對於區域也有很多變種，網上有一些相關的資源。

Overlap是我取的名字，一般用在裡面，假如你的攝像頭是靜止的，背景建模之後出來的前景可以是一個一個的blob，對相鄰兩幀的blob檢測是否Overlap就可以得到track。在一些真實場景下，這個演算法是非常有效的。關於背景template的問題在真實的裡面也是很好解決的。

坐在電腦前面調試代碼tuning 各種閾值讓跟蹤演算法在某一個幀下面不要drift的事情我是再也不想幹了。
順祝你2015幸福快樂。

Ⅳ 計算機視覺中，目前有哪些經典的目標跟蹤演算法

第一章介紹運動的分類、計算機視覺領域中運動分析模型、計算機視覺領域運動檢測和目標跟蹤技術研究現狀、計算機視覺領域中運動分析技術的難點等內容；
第二章介紹傳統的運動檢測和目標跟蹤演算法，包括背景差分法、幀間差分法、光流場評估演算法等；
第三章介紹具有周期性運動特徵的低速目標運動檢測和跟蹤演算法，並以CCD測量系統為例介紹該演算法的應用；
第四章介紹高速運動目標識別和跟蹤演算法，並以激光通信十信標光捕獲和跟蹤系統為例介紹該演算法的應用；
第五章介紹具有復雜背景的目標運動檢測過程中採用的光流場演算法，包括正規化相關的特性及其改進光流場評估演算法，並介紹改進光流場演算法的具體應用；
第六章介紹互補投票法實現可信賴運動向量估計。

Ⅵ 電動車定位跟蹤器是用的什麼原理呀

工作原理:

1、內置特殊運動感知晶元，在任何由靜態變為動態的場合，系統均可偵測並報警。

2、內置運動位移特殊演算法，任何非法移動（大於100M）均可偵測並報警。

3、內置高品質gprs通信模塊和GPS晶元，將定位地理信息發送給用戶手機或者上傳數據到指定軌跡網站。

4、Gps定位：定位信息含速度信息，定位精度5-50米。室內無法定位。

5、基站定位：定位信息無速度信息。定位精度依據基站密度而定，室內可定位。

(6)演算法跟蹤器擴展閱讀:

工作方式:

1、雙定位：GPS定位+基站定位：

全程定位無盲點。在無GPS信號場合，系統自動轉基站物檔定位，即有手機信號的地方都可以定位。

2、震動即報梁螞棚警，移動即跟蹤：

系統由靜態轉為動態時（移動或者震動），即報警跟蹤。

3、獲橡則取即時動態定位信息多樣化：

簡訊回復車輛當前所處的地理位置信息和登錄軌跡網站，可查詢運動軌跡，並可下載運動軌跡文字資料（路書）。

4、低電壓報警：

產品內置電池低電壓時系統會自動簡訊提示用戶及時充電。

5、手機卡欠費報警：

產品內安裝的電話卡如果收到電信部門發來的簡訊（比如手機卡欠費提醒簡訊等），系統會全部轉發給機主手機。

Ⅶ 目標跟蹤都有那些演算法

目標跟蹤,利用相鄰兩幀的區域匹配從圖像序列中建立目標鏈,跟蹤目標從進入監視范圍到駛離監視范圍的整個過程。首稱要確定匹配准則。常用的圖像匹配方法有Hausdorff距離區域法和圖像互相關。

Ⅷ 自動跟蹤系統的詳解

由光學系統、探測器、信號處理系統、伺服系統和跟蹤架等部分組成。高精度伺服系統一般採用直接耦合轉矩電動機和高靈敏度測速機組合驅動。跟蹤架有垂直（方位）軸和水平（俯仰）軸。光學跟蹤系統通常在紅外光譜、可見光譜和紫外光譜工作。常用的有紅外跟蹤系統、激光跟蹤系統和電視跟蹤系統。
紅外跟蹤系統接收目標的輻射能量，經過調制或掃描後會聚在紅外探測器上，將紅外輻射信號轉換成電信號，經信號處理後送給伺服系統，驅動跟蹤架，自動跟蹤目標。紅外調制器分為調幅、調頻、調相或脈沖編碼。常用波長分別為 1～3微米、3～5微米和8～14微米。紅外探測受目標輻射特性影響，又稱為被動式跟蹤。
激光跟蹤系統是70年代發展起來的。激光發射系統向目標發射激光束，由目標的表面漫反射或裝在目標上的角反射器反射回來激光信號，經接收系統轉換成比例於目標偏離光軸的角位置誤差的電信號，送給伺服系統，驅動跟蹤架，使跟蹤架上光學系統對准目標。激光跟蹤系統同無線電跟蹤系統一樣，靠接收本身發射能量來跟蹤目標，又稱主動式跟蹤系統。激光接收系統測角分成和差式單脈沖制和圓錐掃描制兩種。激光單色性、方向性好，波束窄，測角精度高，沒有多路徑效應，用於高精度跟蹤和測量。接收探測器採用光電倍增管、硅光電二極體和光電雪崩二極體。
電視跟蹤系統採用電視攝像機作為探測器，電視攝像機對視場內目標像進行光柵掃描，把光信號轉換成電信號。電視跟蹤按目標跟蹤點的不同分邊緣跟蹤、矩心跟蹤和相關跟蹤。以最先掃描到的目標像位置作為目標跟蹤點的跟蹤稱為邊緣跟蹤；全掃描目標像後經過計算，算出目標像的矩心作為目標跟蹤點，稱為矩心跟蹤；算出幀間目標像的相關函數，選取相關系數最大點或者按照幀間目標像的匹配演算法算出匹配函數最大點作為目標跟蹤點，稱為相關跟蹤。
自動跟蹤系統信息處理由簡單處理向圖像信息處理方向發展，由點跟蹤向點跟蹤和圖像處理技術相結合方向發展,充分利用目標圖像信息,提高抗干擾性能。電視跟蹤器產生多個窗口，能同時跟蹤視場內數字目標。多目標跟蹤採用先求出各個目標中心，然後求出多個目標中心形成多邊形的中心進行跟蹤，也能由人工指定需要的某個目標進行自動跟蹤。
光學跟蹤的探測器向固態多元器件發展，線陣和面陣的可見光和紅外電荷耦合器件的出現，提高了可靠性。光學跟蹤系統結構簡單可靠、成本低、功耗少、體積小和重量輕、隱蔽性好、角解析度高和抗干擾性好；缺點是受大氣影響大，不能全天候工作。
應用 自動跟蹤系統主要用於靶場跟蹤和測量、武器控制和制導等方面。環境和目標特性多樣化，使得自動跟蹤系統採用多感測器，有無線電的,也有光學的,互補長短。同時增加識別能力，各感測器依置給度不同進行自動切換，構成智能自動跟蹤系統。 太陽能是已知的最原始的能源，它干凈、可再生、豐富，而且分布范圍廣，具有非常廣闊的利用前景。但太陽能利用效率低，這一問題一直影響和阻礙著太陽能技術的普及，如何提高太陽能利用裝置的效率，始終是人們關心的話題，太陽能自動跟蹤系統的設計為解決這一問題提供了新途徑，從而大大提高了太陽能的利用效率。
跟蹤太陽的方法可概括為兩種方式：光電跟蹤和根據視日運動軌跡跟蹤。光電跟蹤是由光電感測器件根據入射光線的強弱變化產生反饋信號到計算機，計算機運行程序調整採光板的角度實現對太陽的跟蹤。光電跟蹤的優點是靈敏度高，結構設計較為方便；缺點是受天氣的影響很大，如果在稍長時間段里出現烏雲遮住太陽的情況，會導致跟蹤裝置無法跟蹤太陽，甚至引起執行機構的誤動作。
而視日運動軌跡跟蹤的優點是能夠全天候實時跟蹤，所以本設計採用視日運動軌跡跟蹤方法和雙軸跟蹤的辦法，利用步進電機雙軸驅動，通過對跟蹤機構進行水平、俯仰兩個自由度的控制，實現對太陽的全天候跟蹤。該系統適用於各種需要跟蹤太陽的裝置。該文主要從硬體和軟體方面分析太陽自動跟蹤系統的設計與實現。

Ⅸ 控制演算法系列 純跟蹤控制

純跟蹤演算法（Pure Pursuit）是一種傳統且經典的車輛橫向運動控制演算法，其基本思想是在每個控制周期，通過前方目標軌跡上的一個點態則，指導當前方向盤的動作，使車輛車產生向目標點的運動。

純跟蹤演算法重要的參數在於前視距離系數，一般而言，其前視距離與速度正相關。
以下圖為例，跟蹤目標為藍色軌跡，車輛初始位置為綠色圓點。恆定跟蹤速度2m/s。

由以上示例可以看出，純跟蹤演算法收到前視距離的影響很大。
在實際應用過程中，除了跟蹤數據調整預瞄系數，其還和軌跡類型強相關。

總結一下純跟蹤的一些特點：
（1）要求軌跡多幀連續性好，因預瞄的笑敬特性無法對變化軌跡（尤其是預瞄距碰閉慎離內）進行響應；
（2）要求軌跡性能穩定，因為標定系數是按照軌跡性能進行標定的，如果軌跡性能變化，可能導致車輛轉彎內切等現象；

Ⅹ 自動跟蹤的跟蹤演算法

質心跟蹤演算法：這種跟蹤方式用於跟蹤有界目標，且目標與環境相比有明顯不同灰度等級，如空中飛機等。目標完全包含在鏡頭視場范圍內。

相關跟蹤演算法：相關可用來跟蹤多種類型的目標，當跟蹤目標無邊界且動態不是很強時這種方式非常有效。典型應用於：目標在近距離的范圍，且目標擴展到鏡頭視場范圍外，如航行在大海中的一艘船。

相位相關演算法：相位相關演算法是非常通用的演算法，既可以用來跟蹤無界目標也可以用來跟蹤有界目標。在復雜環境下（如地面的汽車）能給出一個好的效果。

多目標跟蹤演算法：多目標跟蹤用於有界目標如飛機、地面汽車等。它們完全在跟蹤窗口內。對復雜環境里的小目標跟蹤，本演算法能給出一個較好的性能。
邊緣跟蹤演算法：當跟蹤目標有一個或多個確定的邊緣而同時卻又具有不確定的邊緣，這時邊緣跟蹤是最有效的演算法。典型如火箭發射，它有確定好的前邊緣，但尾邊緣由於噴氣而不定。

場景鎖定演算法：該演算法專門用於復雜場景的跟蹤。適合於空對地和地對地場景。這個演算法跟蹤場景中的多個目標，然後依據每個點的運動，從而估計整個場景全局運動，場景中的目標和定位是自動選擇的。當存在跟蹤點移動到攝像機視場外時，新的跟蹤點能自動被標識。瞄準點初始化到場景中的某個點，跟蹤啟動，同時定位瞄準線。在這種模式下，能連續跟蹤和報告場景里的目標的位置。

組合跟蹤演算法：顧名思義這種跟蹤方式是兩種具有互補特性的跟蹤演算法的組合：相關類演算法 + 質心類演算法。它適合於目標尺寸、表面、特徵改變很大的場景。