傳統目標跟蹤方法簡介_傳統目標跟蹤

前言：由於個人之前做過一個目標跟蹤演算法，所以，有必要將之前的工作做一個梳理。
目錄
基於第一種思路的運動目標檢測
1、 靜態背景：
2、 運動場
目標跟蹤：
相似性度量演算法：
核心搜尋演算法：
卡爾曼濾波：
粒子濾波器：
Meanshift演算法：
Camshift演算法：
目標跟蹤分類： 基於主動輪廓的跟蹤。 基於特徵的跟蹤。 基於地區的跟蹤。 基於模型的跟蹤。

運動目標跟蹤主流演算法大致分類：
兩種思路：
1、不依賴與先驗知識，直接從映像序列中檢測到運動目標，並進行目標識別，最終跟蹤感興趣的運動目標；
2、依賴於先驗知識，首先為運動目標建模，然後在映像序列中即時找到相匹配的運動目標。
基於第一種思路的運動目標檢測
對於不依賴先驗知識的目標跟蹤來講，運動檢測是實現跟蹤的第一步，運動檢測即為從順序圖表像中將變化地區從背景映像中提取出來，運動目標檢測演算法依舊依照目標與攝像機之間的關係可以分為靜態背景下運動檢測和動態背景下運動檢測。
1、靜態背景：
1.1、背景差：對背景的光照變化、雜訊幹擾以及周期性運動等進行建模
1.2、幀差
1.3、GMM
1.4、光流
2、運動場
分為兩種情況，一種是相機固定，但是視角變化。二是相機是運動的。
因此，檢測運動目標的首要任務是進行映像的全域運動估計與補償。
全域運動估計的問題可以歸結為全域運動模型參數的估計問題，代表方法是塊匹配和光流估計方法。
塊估計：將映像分割成不同的映像塊，假定同一映像小塊上的運動向量是相同的，通過像素搜尋得到最佳的運動向量估計。
光流方法：假定映像灰階分布的變化完全是目標或者情境的運動引起的，即目標與情境的灰階不隨時間變化。這使得光流方法抗雜訊能力較差，其應用範圍一般局限與目標與情境的灰階保持不變這個假設條件下。
不足之處：計算複雜，即時困難。
目標跟蹤：
運動目標的跟蹤，即通過目標的有效表達，在映像序列中尋找與目標模板最相似候選目標位置的過程。簡單說，就是在順序圖表像中為目標定位。運動目標的有效表達除了對運動目標建模外，目標跟蹤常用到的目標特性表達主要包括視覺特徵（映像邊緣、輪廓、形狀、紋理、地區）、統計特徵（長條圖、各種矩特徵）、變換係數特徵（傅裡葉描述子、自迴歸模型）、代數特徵（映像矩陣的奇異值分解）等。除了單一特徵，也可通過融合多個特徵來提高跟蹤的可靠性。
相似性度量演算法：
對運動目標進行特徵提取之後，需要採用一定的相似性度量演算法與幀映像進行匹配，從而實現跟蹤。常見的相似性度量方法有歐式距離、街區距離、棋盤距離等。
核心搜尋演算法：
目標跟蹤過程中，直接對情境中所有內容進行匹配演算法，尋找首選資訊，需要處理大量的冗餘資訊，這樣運算量比較大，採用一定的搜演算法對未來時刻目標的位置狀態進行估計假設，縮小目標搜尋範圍便具有了非常重要的意義。其中一類比較常用的方法就是預測運動物體下一幀可能出現的位置，在相關地區內搜尋最優點。常見的預測演算法有Kalman(卡爾曼)濾波、擴充的卡爾曼濾波和粒子濾波等方法。
卡爾曼濾波：
對動態系統的狀態序列進行線性最小方差估計的演算法。其方法：狀態方程+觀測方程 = 動態系統，基於系統以前的狀態序列對下一個狀態做最優估計，預測具有無偏、穩定和最優的特點，且計算量小和可即時計算等特點。
限制：僅適合線性且呈高斯分布的系統。
粒子濾波器：
一種給予蒙特卡洛和貝葉斯估計理論的最優演算法，它以遞迴的方式對測量資料進行序貫處理，因此無須對以前的測量資料進行儲存和再處理，節省了大量的儲存空間。
優點：跟蹤多形式的目標以及非線性運動和測量模型中，粒子濾波器具有極好的魯棒性。
均值漂移演算法(meanshift)，連續自適應均值漂移演算法(camshift)和置信域演算法都是利用無參估計的方法最佳化目標模板和候選目標距離的迭代收斂過程，以達到縮小搜尋範圍的目的。（簡言之，都是減小搜尋範圍的演算法是最佳化搜尋方向）
Meanshift演算法：
利用梯度最佳化方法實現快速目標定位，能夠對非剛性目標即時跟蹤，對目標的變形、旋轉等運動有很好的適用性。
缺點：沒有利用目標在空間的運動方向和運動速度資訊，當周圍存在幹擾時（光線和遮擋等），容易丟失目標。
Camshift演算法：
擴充的meanshift演算法，結合目標色多媒體訊息息進行改進的均值漂移演算法。靶心圖表像的長條圖記錄的是顏色出現的機率，這種方法不受目標形狀變化的影響，可以有效解決目標變形和部分遮擋問題，且運算效率較高，但是該演算法需要在開始前人工指定跟蹤目標。
目標跟蹤分類：
依據運動的表達和相似性度量運動目標跟蹤演算法可以分為四類：基於主動輪廓的跟蹤、基於特徵的跟蹤，基於地區的跟蹤和基於模型的跟蹤。跟蹤演算法的精度和魯棒性很大程度上取決於運動目標的表達和相似性度量的定義，跟蹤演算法的即時性取決於匹配搜尋策略和濾波預測演算法。
1、基於主動輪廓的跟蹤：
Kass提出的主動輪廓模型，在映像域內定義可變曲線，通過對其能量函數的最小化，動態輪廓逐步調整自身形狀與目標輪廓相一致。優點：將映像的灰階資訊和整體輪廓的幾何資訊，增強了跟蹤的可靠性。缺點：計算量較大，對於快速運動的物體或者形變較大的情況，跟蹤效果不夠理想。
2、基於特徵的跟蹤：
不考慮運動目標的整體特徵，只通過靶心圖表像的一些顯著特徵來進行跟蹤。（假定運動目標可以由唯一的特徵集合表達，搜尋到該特徵集合就認為跟蹤上了運動目標，除了用單一特徵來實現跟蹤外，還可以進行多特徵融合來作為跟蹤特徵），基於特徵的跟蹤主要包括特徵提取和特徵匹配兩個方面。
特徵提取：從景物的原始映像中提取映像的特徵。
特徵匹配：進行幀間目標特徵的匹配，並且以最優匹配來跟蹤目標。常見的基於特徵匹配的跟蹤演算法有基於二值化靶心圖表像匹配的跟蹤，基於邊緣特徵匹配或角點特徵匹配的跟蹤、基於目標顏色特徵匹配的跟蹤等等。
缺點：特徵魯棒性不強，對噪音、映像本身模糊等比較敏感。
3、基於地區的跟蹤：
得到包含目標的模板，模板的擷取可以通過預先人為確定，模板通常略微大於目標的矩形，也可視為不規則形狀。在映像序列中，運用相關演算法跟蹤目標。
4、基於模型的跟蹤：
通過先驗知識對所跟蹤的目標建立模型，然後通過匹配跟蹤目標進行模型的即時更新。對於剛體目標來說，其運動狀態變換主要是平移、旋轉等，方便跟蹤。但是對於非剛體目標，其幾何模型不容易得到。
優點：該類方法不受觀測視角的影響，具有較強的魯棒性，模型匹配跟蹤精度高，適合機動目標的各種運動變化，抗幹擾能力強，
缺點：計算複雜，運算速度慢，模型更新較為複雜，即時性較差。

基於以上的思路，我個人採用的是基於特徵的跟蹤，為什麼要採用這個呢。。說到底，其實就是為了利用CNN強大的非線性特徵抽取能力。近兩年，深度學習的廣泛應用已經在電腦視覺領域帶來了一場技術革命，傳統的特徵抽取方法基本都被秒殺，利用CNN來抽取目標的特徵，使得目標在姿態、背景、和光照等非常複雜的條件下仍然能夠表現出很強的特徵魯棒性，這就是CNN的強大之處。利用CNN直接將傳統的目標檢測這個問題視為一個分類問題，針對特定的目標，直接訓練特定的檢測器，採用TLD架構，仍然不失為一種好的方法，當然，基於CNN的目標追蹤還有最大的一個問題，就是計算資源，如果對於一些高清視頻流處理，映像的解析度無疑仍然給效能帶來了瓶頸，好在工程應用方面，傳統方法的思想仍然有很好的可借鑒之處，解決這個問題是不困難的。
個人雖然不是專門做這個方向，但是，由於項目的需要，還是讓我對這個方面收穫頗多。不僅僅是演算法方面，更在於工程應用領域，仍然有很多學習之處。
不足之處，歡迎拍磚。。。