目标跟踪是计算机视觉领域的一个热门课题。虽然研究者提出了很多不同的算法，但是这些算法都依赖于传统的图像采集系统，即CCD相机成像原理生成的图像。图像各个像素在成像平面中具有相同的分辨率，从仿真学的角度看，这些像素具有相同的敏感度。因此，造成了跟踪与识别的一个难点，即必须首先确定图像中目标的位置（兴趣点），然后才能实现跟踪。
    然而生物视觉系统，例如人眼成像系统，能够捕捉到感兴趣目标并对该区域提供较高的分辨率。而在兴趣目标之外，生物视觉系统产生的图像分辨率则会相对降低。利用对生物视觉系统的模拟，人造成像传感器件也能产生类似的成像效果，这类器件被称为视网膜凹区成像（Fovea image）器件。这类器件的优势是能将采集到的有用信息集中到所感兴趣的目标上，而对于其他区域则减少所涵盖的信息。这对于信息压缩传输和目标的识别都能起到非常积极的作用，尤其对于运动目标识别和跟踪，能提供有效的目标信息，同时减少噪声的干扰。
    参考文献[1]介绍了一种基于人眼视网膜中央凹区成像原理的成像芯片模型。该系统具有体积小、功耗低、自带运动传感及运动组件的优点，通过模拟人眼跟踪的原理能实现快速目标定位和平滑跟踪。但是，该系统的一个主要缺点是其无法根据场景变换或者针对新目标进行有效的自动配置。因此对于在视场中出现的新目标，系统需要对芯片的逻辑元器件和外置运动部件进行重新设置。
    针对以上缺陷，参考文献[2]提出了一种可实时编程成像跟踪传感器，可动态地对芯片参数进行设置。该成像传感器能实时地将图像分成若干不同等级分辨率的子图像，从而使得该系统较常规人眼视觉系统模型更具灵活性。
    对于通常的目标跟踪系统，一般以当前时间t的系统状态来预测未来时间t+1的系统状态。例如常用的卡尔曼滤波跟踪模型，认为两个连续状态之间存在着线性关系。较新的模型则在卡尔曼滤波的基础上引入了非线性关系到系统状态中。例如利用隐马尔科夫模型（HMM）的跟踪系统[3]则允许观测值与系统状态之间保持任意形式的概率分布，而无需像卡尔曼滤波那样限定为高斯模型。而基于Particle模型[4]的跟踪系统则假设当前状态是若干子状态的组合，它们按照某个概率分布。当前状态的具体取值决定于概率子状态的概率分布结果，这些技术都是对原始卡尔曼滤波跟踪算法的有效改进[5]。

2 试验设置与结果分析
    在本实验中，所设置的模拟目标大小S=16，仿真的视网膜中心凹区大小G=48。对于跟踪系统的准确率，采用在仿真中央凹区中准确发现目标的比率计算。在图5和图6中，显示了本文所采用的跟踪算法的准确率。
　　在图5中，分析了系统跟踪精度与式(5)中添加噪声水平之间的关系。其中虚线为任意轨迹方程所仿真的运动目标跟踪系统，细实线为正弦波轨迹方程仿真的运动目标跟踪结果，粗实线为线性轨迹方程仿真跟踪结果。可以发现，系统对于线性运动目标跟踪精度最高，而对任意轨迹运动的目标准确率则有所下降。并且整个系统随着系统噪声的增加，跟踪精度会随之下降。但是当噪声水平达到一定高度后，无论是线性运动目标或是任意轨迹运动目标的跟踪准确性都很低。

    图6中，对比显示了不同运动轨迹（零噪声）下，中央凹区尺寸大小对于跟踪精度的影响。从图中曲线可以看到，线性运动目标和简单正弦波规律运动目标，由于其运动规律较为容易预测，中央凹区大小的选择对于跟踪结果几乎没有影响。而对于复杂的任意轨迹运动目标,较大尺寸的中央凹区能明显提高跟踪系统的准确性。

    为了对比基于模拟人眼视网膜中央凹区跟踪算法与常规模板匹配算法的区别，对比显示了两类算法的跟踪准确率,如表1所示。分别采用两种方法初始设置中央凹区，一种是直接将中央凹区定位在运动目标上，然后开始跟踪；另一种是随机给定中央凹区的位置，然后依靠系统自动检测目标并实现跟踪。可以发现两种方法的跟踪准确度基本一致，自动搜索目标的算法准确率稍有下降。而采用常规模版匹配的算法，其跟踪准确度明显偏低，显示出基于视网膜中央凹区的算法具有较高的稳定性和可靠性。
    针对传统利用模板原理进行目标跟踪系统容易受到系统噪声干扰导致跟踪精度不高的问题，本文提出了一种仿真人眼视网膜中央凹区进行软件跟踪的系统。由于人眼视网膜中央凹区模型在芯片还未得到较为广泛的应用，因此，本文的仿真方法能对这一模型在跟踪系统中的效能进行有效评估。该方法简单有效，能很好地模拟生物视觉的成像原理，并利用该成像原理的优势有效的提高目标跟踪的精确度。该方法能推广应用到视频监控等系统中。
参考文献
[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] 刘刚，刘明，匡海鹏,等.多目标跟踪方法综述[J].电光与控制,2004，11(3): 432-437.
[4] 马奔，史忠科，皮燕妮.成像目标跟踪算法分析[J]. 西安电子科技大学学报(自然科学版)，2005,32(3):150-155.
[5] 吴晓娟,翟海亭,王 磊,等.一种改进的CAMSHIFT手势跟踪算法[J]. 山东大学学报, 2004,34(6):120-124.
[6] 冯驰,王萌,汲清波.粒子滤波器重采样算法的分析与比较[J]. 系统仿真学报, 2009,21(4):1101-1105.
[7] 王来雄, 黄士坦. 一种新的粒子滤波算法[J]. 武汉大学学报(工学版), 2006,39(1):118-120.