成像目标跟踪是指对探测器摄取的序列图像进行分析，确定目标位置和状态参数的技术。其实质是一种目标检测技术，跟踪的目的可以分为两类。其中，一类是面向快速检测的需要，根据序列图像目标的历史信息，快速确定目标的当前位置。定位目标后还需对目标进行精细分割，以确定目标的状态参数。这个过程可称为“先跟踪后检测”。另一类则是面向目标状态参数的精确估计，即对于每一帧图像检测到的目标参数，融合前面序列图像中目标检测的历史信息，采用统计滤波方法对目标参数进行精确估计，以获得鲁棒性好的、准确的目标状态参数。这一过程可以称为“先检测后跟踪”。常用的跟踪方法有对比度跟踪、特征序列匹配、图像相关跟踪等。常用的统计滤波方法包括卡尔曼滤波、粒子滤波、多假设跟踪等。跟踪过程涉及的图像特征可以是幅度分布、频谱、几何特征，如点、线、面、边缘、纹理、不变矩特征等。

基于亮瞳和暗瞳图像差分方案的VOG视线追踪系统的眼睛特征提取和视线参数检测过程，很大程度上依赖于瞳孔定位。以瞳孔定位为基础的特征和参数提取过程是在相邻两帧中完成的，可以在接下来的视频序列中重复进行以上的参数提取过程，得到实时的视线参数。但是这样做有下面几点问题：

1）每次在整幅图像中搜索瞳孔效率低、时间长，影响系统的实时性。

2）由于没有使用瞳孔的历史信息，所以使瞳孔检测的鲁棒性差，对外部光照、眼睛角度、眨眼等情况的适应性差，不能满足系统的鲁棒性要求。

3）由于没有使用瞳孔的历史信息，影响瞳孔定位的准确性，即每一帧图像的瞳孔中心都是由图像分割方法确定。其实还需根据以前的检测结果，通过统计滤波方法对当前检测到的瞳孔目标参数进行估计，以获得更准确可靠的瞳孔目标参数。

所以，在初始帧中对瞳孔进行定位以后，需要在接下来的视频序列中对瞳孔进行跟踪。瞳孔检测与跟踪是VOG视线追踪系统的共性问题，如前所述瞳孔跟踪也分为两种类型：一类是面向视线特征参数的快速检测，即上文所说的“先跟踪后检测”，跟踪的目的是在每一帧图像中对瞳孔快速定位；另一类是面向瞳孔特征参数的精确估计，即上文所说的“先检测后跟踪”，跟踪的目的是融合前帧瞳孔目标参数和当前检测的瞳孔目标参数对当前帧瞳孔目标参数进行估计，提高检测的鲁棒性和准确性。用于实时视线追踪系统的瞳孔跟踪方法一般需要满足以下几点要求：

1）由于采用的是灰度图像，所以必须充分利用亮瞳和暗瞳两个通道的图像信息，使瞳孔目标特征更加突出并增加跟踪过程可利用的瞳孔特征，从而增强瞳孔跟踪的鲁棒性。

2）由于瞳孔尺寸较小，所以必须选择一种能充分区分前景和背景的目标模型来描述瞳孔特征，以减小背景对目标模型的干扰。(www.daowen.com)

3）跟踪过程的状态转移方程必须体现瞳孔的运动规律。但是由于人头部运动和瞳孔运动的随机性，很难用一种准确的模型描述瞳孔运动。

4）根据跟踪过程所采取的统计方法，需要建立可信度高的瞳孔观测模型，才能有效融合历史信息和当前观测效果。

5）整个跟踪过程需要满足系统的实时性要求，才能达到跟踪的目的。

6）需要满足长时间跟踪的要求，跟踪效果不随时间的增加而下降。

7）引入跟踪方法后，通过对瞳孔参数的统计估计，应使检测实时性和精确性有所提高。

根据以上视线追踪系统对瞳孔跟踪方法的一般要求，本章将在阐述卡尔曼滤波和粒子滤波相关理论的基础上，主要介绍卡尔曼滤波和粒子滤波在瞳孔跟踪方法中的应用。本章将分别介绍基于卡尔曼滤波和均值漂移的瞳孔跟踪方法、基于粒子滤波的瞳孔跟踪方法、粒子滤波和卡尔曼滤波的瞳孔目标组合跟踪方法。基于卡尔曼滤波的瞳孔目标跟踪方法和基于粒子滤波的瞳孔目标跟踪方法主要是面向瞳孔检测的实时性的。即在相邻图像帧中通过目标跟踪方法进行瞳孔定位，通过跟踪算法可以解决相邻图像间瞳孔目标的定位。基于卡尔曼滤波和粒子滤波的瞳孔目标组合跟踪方法则面向瞳孔目标的精确分割。