目標跟蹤-核跟蹤

核跟蹤

      核跟蹤的目標表達通常用原始的目的地區域來表達，跟蹤由計算目標運動來實現的。目標運動以參數形式的運動(如平移、仿射等)或計算得到的連續幀的密度流地區描述。這些演算法在外觀表達的運動、跟蹤的目標數目、運動估計使用的方法等方面有所差異。核跟蹤演算法可分為兩類：分別是基於模板和機率密度的外觀模型的跟蹤，和基於多視角外觀模型跟蹤。

1 基於模板和機率密度外觀模型的跟蹤 這類方法計算簡單，方法直觀。根據目標是獨立跟蹤還是聯合跟蹤又可分為兩個子類。

 1.1 單目標跟蹤

這類演算法中最常用的是模板匹配，也是最直觀的方法。在映像中搜尋類似於預定義模板的地區，通過相似性度量(比如cross correlation)判斷目標位置。主要問題在於計算量大。可以用鄰域範圍限定等方法來減少搜尋半徑。

除了模板匹配外，還可以用顏色長條圖、混合模型等來表達外觀模型。

Schweitzeret al. [2002] - 高效的模板匹配

Comaniciu and Meer [2003] - 用MeanShift演算法搜尋

Jepson et al. [2003] - 提出一種組合跟蹤演算法，分三種成分處理 - 穩定外觀、暫態特徵、雜訊。用線上的EM演算法學習三個分量參數。

      光流法也是一種基於機率密度外觀模型跟蹤的方法。通過計算每個像素在光照不變約束下的光流向量產生稠密光流地區，從而得到矩形地區的平移。KLT演算法Shi and Tomasi[1994]就是用應用光流特徵的一種跟蹤演算法。

 1.2 多目標跟蹤

這類演算法通常對整個映像進行建模，包括背景和每個目標。

Tao et al. [2002]分層建模整體映像。每層由一個先驗形狀(橢圓)、運動模型(平移和旋轉)和外觀(高斯函數建模的映像強度)組成。

Isard and MacCormick [2001]提出聯合建模背景和前景的跟蹤方法。背景的外觀由混合高斯模型建模，目標的形狀建模為圓柱體。跟蹤用粒子濾波實現。該演算法可以處理目標之間的遮擋，但是情境中目標數目的最大值要預先定義，需要對前景地區進行建模。

2 用多視角外觀模型跟蹤

對多個視角的目標進行離線學習，使能夠處理重大視角變化情況跟蹤問題。

Black and Jepson[1998]提出基於子空間的方法。先用PCA建立目標外觀的子空間表達，然後將映像轉化到特徵子空間中。

Avidan [2001]使用了SVM分類器對多視角進行分類，並跟蹤。

3 討論

核跟蹤演算法的定性比較，可以由以下標準獲得：
跟蹤一個/多個目標
處理遮擋的能力
是否需要訓練
運動模型
是否需要人工初始化

  是本節介紹的跟蹤演算法的定性比較。

      由於即時性的需要，當前階段的核跟蹤方法往往用基本幾何形狀來表達目標。這種表達方式的問題在於部分目標可能落在定義的形狀之外而背景則可能部分進入了目的地區域。這時用模型相似性來度量很可能會出錯。解決這一問題的一種方法是將地區限定在目標內部，另一種方法是用顏色、紋理的機率密度函數建模目標外觀並基於條件機率給基本形狀內部的像素分配權值。

NEXT STEP

  進階閱讀：

                 Schweitzeret al. [2002] - 改進的基於模板匹配跟蹤

                 Comaniciu and Meer [2003] - MeanShift跟蹤

                 Jepson et al. [2003] - 多成分組合跟蹤

                 Shi and Tomasi[1994] - KLT跟蹤

                 Tao et al. [2002] - 分層建模整體映像

                 Isard and MacCormick [2001] - 聯合建模背景和前景跟蹤

                 Black and Jepson[1998] - 基於多視角子空間跟蹤

                 Avidan [2001] - 基於SVM分類器對多視角進行分類

本文來自CSDN部落格，轉載請標明出處：http://blog.csdn.net/lynphoenix/archive/2011/02/17/6191638.aspx