论文总结——《基于视觉的目标识别与跟踪综述》（2）

接上一篇http://blog.csdn.net/suqiguang1/article/details/79373483

2 目标跟踪

运动目标跟踪问题等价于在连续帧之间，构建基于目标位置、速度、形状、纹理、色彩等有关特征的对应匹配问题。其处理流程如下图所示：

目标跟踪由目标状态初始化、表观建模、运动估计、目标定位四部分组成。
目标状态初始化一般采用人工标定或目标检测的方法实现；
表观建模主要包括对目标视觉特征（颜色、纹理、边缘）的描述，以及如何度量视觉特征之间的相似性，它是实现鲁棒跟踪的关键所在；
运动估计则是采用某种运动假设来预估目标可能出现的位置，常用的方法有线性回归、均值漂移、隐形马尔科夫模型、卡尔曼滤波、粒子滤波等；
最后在表观建模和运动估计的基础上，采用某种最优化策略获取目标最可能的位置，以实现目标定位。
目标跟踪分类（按有无检测分）：生成式跟踪、判别式跟踪。
生成式跟踪是在目标检测的基础上对前景目标进行表观建模后，按照一定的跟踪策略估计目标的最优位置；
判别式建模是通过对每一帧图像进行目标检测来获取跟踪目标状态。

2.1 生成式跟踪方法

生成式跟踪方法假设跟踪目标可以由某种生成过程所描述，其目标是从众多候选目标中寻找最优的候选目标。
生成式表观模型建立方法分类：基于核的方法、基于子空间的方法、基于稀疏表示的方法。

2.1.1 基于核的方法

基于核的方法通常采用核密度估计的方法构建表观模型，并采用Mean Shift方法对运动目标位置进行估计。

2.1.2 基于子空间的方法

基于子空间的方法关键在于如何构建相关的基以及他们所张成的子空间，以对目标表观进行表示。

2.1.3 基于稀疏表示的方法

基于稀疏表示的方法通常假设跟踪目标在一个由目标模板所构成的子空间内，其跟踪结果是通过寻求与模板重构误差最小而得到的最佳候选目标。

2.2 判别式跟踪方式

判别式跟踪方式将视觉跟踪视为一个二分类问题，其基本思路是寻求跟踪目标与背景间的决策边界。
判别式跟踪方式分类：基于在线Boosting方法、基于支持向量机方法、基于随机学习方法、基于判别分析方法。

2.2.1 基于在线Boosting方法

基于在线Boosting方法来源于PAC学习模型，其基本思路是通过对弱分类器进行重新整合来提升分类性能。

2.2.2 基于支持向量机方法

基于SVM的方法通过引入最大化分类间隔约束，学习到具有较强分类性能的SVM分类器，对目标与非目标进行进行划分，最终实现对运动目标的跟踪。

2.2.3 基于随机学习方法

基于随机学习的方法通过对随机特征与输入的选取建立跟踪目标的表观模型，典型的方法有在线随机森林、MIForests、随机朴素贝叶斯等。
随机学习的方法可以使用GPU加速，故比前两者处理速度更快。

2.2.4 基于判别分析方法

基于判别分析的方法基本思路是通过寻找一个高类间差异的低维子空间对跟踪目标表观进行建模。

2.3 算法评估

目标跟踪典型数据集归纳：

VOT2015典型跟踪算法评测对比：