目标跟踪算法小结(一）

最新推荐文章于 2024-06-25 09:00:00 发布

ER213213

最新推荐文章于 2024-06-25 09:00:00 发布

阅读量7.7k

点赞数 1

分类专栏：论文文章标签：目标跟踪算法

本文链接：https://blog.csdn.net/u014045503/article/details/76129600

版权

本文总结了目标跟踪算法的分类，包括生成模型和判别模型，并重点探讨了判别类方法，如Struck和TLD。介绍了Online Object Tracking基准论文，强调了数据集、代码库和鲁棒性评估的重要性。KCF作为一种高速跟踪方法，利用HOG特征和核函数提高效率，但也存在对尺度变化和遮挡处理不佳的问题。最后，提到了基于颜色判别式的跟踪方法，适用于颜色稳定的目标场景，但在遮挡和尺度变化下表现不佳。

摘要由CSDN通过智能技术生成

-1.目标视觉跟踪(visual object tracking),根据目标的跟踪方式，跟踪一般可以分为两大类：生产(generative)模型方法和判别(discriminative)模型方法。生成类方法在当前帧对目标区域建模，下一帧寻找与模型最相似的区域就是预测位置，如卡尔曼滤波，粒子滤波，mean-shift等。目前比较流行的是判别类方法，也叫跟踪检测(tracking-by-detection)，当前帧以目标区域为正样本，背景区域为负样本用来训练分类器，下一帧用训练好的分类器找最优区域，经典的判别类方法有Struck和TLD等。最近几年相关滤波方法如CF，KCF/DCF，CN，DSST也比较火。通常目标跟踪主要面临的难点有：外观变化，光照变化，快速运动，运动模糊，背景干扰等。

-2.Online Object Tracking: A Benchmark
论文工作主要有三部分：数据集，代码库，鲁棒性评估。论文主要从表示方式，搜索机制和模型更新三个方面对近年来的跟踪算法进行回顾。参与评估的算法包括：Struck，TLD等经典算法。
包含重新检测模块的TLD跟踪器在长序列的跟踪中效果更好；基于密集抽样的跟踪器（Struck，TLD，CXT）对目标快速运动时效果表现更好；Struck，SCM，TLD，LSK和ASLA等跟踪器的结构化学习和局部稀疏表示对解决遮挡问题效果较好，并且SCM，ASLA和LSK的局部稀疏表示比MTT和L1APG的全局稀疏表示模版更加有效；具有仿射运动模型的跟踪器（如ASLA和SCM）通常比像