目標跟蹤之輪廓跟蹤

輪廓跟蹤

形狀複雜的目標難以用簡單的幾何形狀來表示。基於輪廓的方法提供了較為準確的形狀描述。這類方法的主要思想是用先前幀建立的目標模型找到當前幀的目的地區域。其中目標模型可以是顏色長條圖、目標邊緣或者輪廓。基於輪廓的跟蹤方法可以分為兩類：形狀匹配方法和輪廓跟蹤方法。前者在當前幀中搜尋目標性狀，後者則通過狀態空間模型或直接的能量最小化函數推演初始輪廓在當前幀中的新位置。

1 形狀匹配方法

  這種方法類似於基於模板的跟蹤，在當前幀中搜尋目標的輪廓和相關模型。

Huttenlocher et al.[1993] - 用基於邊緣的表達方式進行形狀匹配，用Hausdorff距離進行匹配測量。

Li et al. [2001] - 也提出了用Hausdorff距離的形狀匹配方法。

  另一種匹配形狀的方法是在連續兩幀中尋找關聯輪廓，建立輪廓關聯，或稱為輪廓匹配，是類似於點匹配的一種方法。這種方法使用了目標的外觀特徵。

-輪廓檢測通常由背景減除實現。

-輪廓被提取後，匹配由計算目標模型和每個輪廓之間的距離實現。

-目標模型可以使密度函數(顏色或邊緣長條圖)、輪廓邊界、目標邊緣或這些資訊的組合

Kang et al.[2004] - 使用了顏色和邊緣長條圖作為目標模型

Haritaoglu et al. [2000 - 使用了輪廓內部得到的邊緣資訊建模目標外觀

用光流法提取進行輪廓匹配也是一種思路。如Sato and Aggarwal [2004] - 用Hough變換計算輪廓軌跡

2 輪廓跟蹤

  這種方法從前一幀的輪廓位置開始輪廓推演，得到當前幀的輪廓。前提是當前幀和前一幀的目標輪廓有所交疊。這類方法又有兩種不同的實現方式，用狀態空間模型建模輪廓的形狀和運動，或直接用梯度搜尋等輪廓能量最小化方法推演輪廓。

 2.1 用狀態空間模型跟蹤

目標狀態由輪廓的形狀和運動參數定義。狀態在輪廓的後驗機率最大化時更新。

Terzopoulos and Szeliski [1992] - 用控制點的運動定義目標狀態，控制點的動態性用彈簧模型建模。輪廓新狀態用卡爾曼濾波器預測。

Isard and Blake[1998] - 用樣條形狀參數和仿射運動參數定義目標狀態，狀態更新用粒子濾波器實現。

MacCormick and Blake[2000] - 將Isard and Blake[1998] 的基於粒子濾波的方法擴充到多目標跟蹤，用排他性原則處理遮擋。能夠處理兩個目標之間的遮擋。

Chen et al. [2001] - 用參數化的橢圓集合表示輪廓。每個輪廓節點擁有一個HMM，每個HMM的狀態由輪廓控制點的法線方向上的點定義。HMM的狀態轉移機率用JPDAF估計。輪廓狀態用Viterbi algorithm [1967]估計。

以上的基於狀態空間模型跟蹤的方法都是採用顯式的方法表達輪廓，如參數樣條曲線。這種表達不能處理拓撲結構的變化，比如目的地區域的分割、合并等。而輪廓拖延的方法則能夠解決拓撲變化帶來的問題。

 2.2 直接能量最小化方法跟蹤

用輪廓推演的跟蹤與目標分割的方法有些類似。分割和跟蹤都是通過貪婪演算法或梯度下降來最小化能量。

 Bertalmio et al. [2000] - 用光流不變約束在連續幀中推演輪廓，用level set運算式迭代計算輪廓位移。用了兩個能量函數，一個用作輪廓跟蹤，一個用作強度的變化。

 Mansouri [2002] - 也用光流不變約束進行輪廓推演。該演算法不止計算邊緣的光流，也計算目的地區域內部每個像素的光流向量。再迭代使得能量最小化。

 Cremers and Schnorr[2003] - 也是用光流做輪廓推演

還可以通過提取連續幀之間的目標內外的一致性資訊進行輪廓推演。這種方法需要在當前幀中用先前的位置進行輪廓初始化。

 Ronfrad [1994] - 定義了一個基於Ward距離的靜態映像模型控制輪廓推演的能量函數

 Yilmaz and Shah [2004] - 用目標邊界周圍的顏色和紋理模型推演目標輪廓
 Yilmaz et al. [2004] - 用基於level set 的形狀模型建模了目標性狀和其變化，該方法能夠解決輪廓跟蹤中的遮擋問題

3 討論

輪廓跟蹤通常是在需要跟蹤目標整體地區時執行的。輪廓跟蹤的最重要的優點在於其處理目標形狀變化的適應性。

輪廓可以用不同方式來表達，最常用的表達方式是二元的指示函數，目的地區域標記為1，非目的地區域標記為0.對基於輪廓的方法，輪廓可以是顯式表達(控制點集合組成的輪廓邊界)，或隱式表達(在網格上定義的函數)。最常用的隱式輪廓運算式level set表達。

輪廓跟蹤演算法的目標表達方式可以使運動模型、外觀模型、形狀模型或這些模型的組合。目標模型通常由參數的或非參數的密度函數建模，目標性狀可以用輪廓子空間的形式建模。

基於外觀的形狀表達在直觀的輪廓搜尋中普遍應用。對基於邊緣的形狀表達，Hausdroff距離是最廣泛應用的測量方法。

遮擋處理也是一個重要問題。通常沒有顯式地做出解決，常規方法是用勻速或勻加速假設來計算目標位置。也有少數方法對遮擋用強制形狀約束來顯式處理。

另一個重要問題是目標分割和融合等拓撲變化的處理。這通常可以由隱式的輪廓表達來解決。

區分不同的輪廓跟蹤演算法的重要因素是它們用了什麼特徵；如何處理遮擋；是否需要訓練；更多的，有些演算法只用了輪廓邊界資訊來跟蹤，而另一些演算法則用到了輪廓內完整地區的資訊。通常後者對雜訊更加穩定。是不同輪廓跟蹤演算法的定性比較。

本文來自CSDN部落格，轉載請標明出處：http://blog.csdn.net/lynphoenix/archive/2011/02/17/6192069.aspx