我们把基于视频的目标跟踪算法归结为一种对应性问题。给定一组视频流或一组图像序列,目的就是在连续图像帧中检测到的目标之间建立一种对应关系。为了降低任务搜索的模糊程度,我们正在寻找具体不变的目标属性特征。可以使用图像特征来创建这种属性的分辨力。跟踪目标的空间可以从单点扩展到点集。一直扩展的空间会增强目标的特征属性,区域的表示符号有：直方图、形状、基于整体的模板,这些都表达了判别信息。在跟踪任务的术语中,对目标属性进行量化的测试过程称为观察。每一个类别的观察对象都被认为是单独的跟踪目标,对这些观察对象进行分类是一项非常复杂的任务。这种复杂源于对未知噪声内在的不确定性,这种不确定性可能是真实检测或错误警报引起的。这种情况的典型例子是以背景为依托的小目标检测方法[20]。
在计算机视觉领域有许多目标跟踪方法,包括卡尔曼滤波跟踪法[86,85]、粒子滤波跟踪法[251,149,595]、特征跟踪法[489]、模板匹配方法[176,476,41]、轮廓跟踪法[347,108]、内核跟踪法[489,35]、基于模型跟踪法[157,225]、基于颜色跟踪法[120,277,396]以及对象空间集跟踪法[416]。
按不同的标准可以把跟踪算法分类,比如,算法所使用的信息类型、信息是怎样产生的、采用确定的还是随机的方法,或者进程中所使用的数据类型。图11.1描述了一种典型跟踪法的分类。
图11.1 基于有用信息的跟踪方法的分类 一般来说,基于区域的原始像素强度的简单统计,比如颜色、梯度、滤波器响应,并不能捕获下面的图像结构,或跟踪目标的几何外形。简单地说,自下而上的分割技术,比如移动的前景或者小个体分割,通常会产生暂时性的不稳定分割结果,从这样的结果中不能推断出准确的几何描述,跟踪目标以及部分跟踪目标的特征（颜色、纹理）[172]。 基于直方图的技术,比如基于色彩的粒子滤波器,不是特别需要分割。单一或多区域彩色直方图对目标对象进行了描述。这种测量方法可能影响粒子权重,它是由计算相似性的测量或者测量目标的直方图与参考直方图之间的距离导出的,最常用的巴氏测量距离为-log∑kn=1pkqk,这里的p和q分别是测量的和参考直方图的值。(www.xing528.com)
由于使用基于特征的技术,在搜索领域进行了检测的特征比较。为了连接前一帧和当前帧的目标,我们必须采取前一跟踪目标和下一区域之间相似性的搜索方法。换句话说,动态方法是基于两帧之间或图像预定义区域中每个位置的运动估计思想。
通过考虑信息是怎么产生的这个问题,我们可以把跟踪算法分解成低层次跟踪方法（自下而上的方法）和基于模型的方法（自上而下的方法）。第一种情况,图像被分割成许多区域,运用图像的有用信息来确定和跟踪目标,第二种方法就是运用场景中目标的有关知识。
另一种分类要考虑问题能否通过确定的或随机的方式来解决。运用确定的方法,跟踪通过关联规则来确定,这种关联是通过前一帧获得的信息得到的,跟踪问题已经作为优化问题解决了。通过概率的方法,就可以运用估计技术来估计新位置,比如粒子滤波器,卡尔曼滤波器[274],这就是跟踪关联的PDF（Probability Density Function,PDF）准则。
根据在关联处理中涉及哪种数据,跟踪算法可以分为多目标的数据方法,或者单目标数据方法。运用多目标数据或者利用MHT（Mulitiple Hypothesis Track,MHT）[444]的联合体是和（Joint Probabilistic Data Association Filter,JPDAF）[45,442]有关系的。当卡尔曼滤波器、粒子滤波器用于多目标跟踪时,数据关联过程是特别有用的。这种滤波器假设在每个时段有一个单一测量值,确定特定目标和目标状态的匹配一致性很重要,因为在这种情况下,需要跟踪多目标,这就需要状态估计的解决办法和数据关联。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
