目标跟踪算法综述--Object tracking: a survey.ACM Computer surveys

一、引言 目标跟踪复杂的原因：   1.从3D到2D图像，一些信息丢失。   2.图像的一些噪声。   3.复杂的目标动作。   4.检测目标的非刚性或者链式特征。   5.复杂的物体形状。   6.环境光照（亮度）的变化。   7.实时跟踪的要求。 对于一般对象的跟踪，我们采取自上而下的方法描述问题。对于目标跟踪，面临的第一个问题就是寻找一个合适的目标表示方法。在第二部分，我们描述常见的物体形状表示法，例如:点、简单的几何轮廓、外观表示法，接下来就是对于跟踪器来说，选取跟踪目标图像的特征。在第三部分，我们讨论多种图像特征，例如：颜色、运动、边界等常用于目标跟踪的特征。在第四部分，总结在场景中检测出目标的一般方法。一个特定的跟踪算法的合适性取决于目标的外观、形状、数量、目标和相机的运动、光照的变化。第五部分，我们分类介绍了现在的跟踪算法，并分析其优缺点。第六部分讨论一些目标跟踪的重要问题。第七部分介绍目标跟踪的未来发展方向。  二、目标表示 在这部分，我们先描述跟踪常用的对象形状表示法，在描述节点形状和外观表示法。 对象形状表示法： ——点。对象用一个点来表示。这适合在图像中占据很小区域的跟踪对象。 ——简单的几何形状。对象形状用矩形、椭圆表示。 ——物体的剪影和轮廓。轮廓表示法定义物体的边界。轮廓中间区域被称作物体的剪影。骨架和轮廓表示法适合跟踪复杂的非刚性形状。 ——链状模型。 ——骨骼模型。 ——物体外观的概率密度。 ——模板。 ——主动外观模型。 ——多视角外观模型。 另外一种获取目标不同视角的方法就是通过训练一组分类器。例如SVM和贝叶斯网络。 三、跟踪的特征选择  在跟踪中，选择正确的特征非常重要。一个视觉特征最突出的属性就是它的独特性。 一般视觉特征的都有如下几点： ——颜色。各种颜色空间，例如HIS，RGB，YUV，YCbCr等。 ——边界。 ——光流法。 ——纹理。 在所有特征中，颜色是跟踪中应用最广泛的一个特征。 四、目标检测   每种跟踪方法要求每帧或当对象第一次在视频中出现时对对象进行检测。 一种常用的对象检测方法是在单帧中使用信息。但是对一些对象检测方法利用从一系列帧计算出时间信息以减少错误的探测数量。 4.1 基于点的检测   基于点的检测是用来发现它们各自位置上有表现力纹理的图片上的特征点。常用的基于点的检测特征的方法有：Harris 角点检测、KLT检测、SIFT检测。 具体参见计算机视觉的课件。 4.2 背景减法  见课件。 4.3 分割   4.3.1 Mean-shift聚集。   4.3.2 使用Graph—Cuts的图像分割。   4.3.3主动轮廓。 4.4 监督学习   可以通过监督学习装置的方法自动从一系列的样本中自动学习不同的物体视图，从而进行对象检测。    4.4.1 自适应增强    4.4.2 支持向量机·（SVM）      五、跟踪方法优劣     主要有三种跟踪种类：   点跟踪—在连续帧中的检测对象用点表示，点间的联系基于先前对象的状态，包括对象的位置和运动。   核跟踪—跟踪对象的形状和外观。例如：核可以是矩形模板或和直方图相关联的椭圆形状。此运动经常以参数转换的形式表示，如转化、旋转、仿射等。  轮廓跟踪—通过估算每帧中对象的区域进行跟踪。轮廓跟踪方法使用对象区域内部编码的信息进行跟踪。   5.1点跟踪     点跟踪可以大致分为两大类：确定性和统计性。确定性方法用定性运动启发法来约束跟踪问题。概率统计方法明确的进行对象测量，在匹配时考虑到了不确定性。    5.1.1 确定性方法             定义了使用运动约束将t-1帧中的每个对象与t帧中单个对象结合起来的成本。            —邻近假设对象的位置从一帧到另一帧不会发生显著改变。            —最大速度定义了对象速度的一个上界，限制对象圆形邻近区域的可能通信。            —小速度变化            —般约束邻近对象的速度相似，这种约束适合多点表示对象。            —刚性假设            —邻近一致性     5.1.2 统计学方法            从视频传感器获得的测量总是含有噪声，而且对象的运动可以任意扰乱。统计学方法通过在对象状态估计中考虑到测量和模型的不确定性来解决这些跟踪问题。          5.1.2.1 单对象状态估计            —卡尔曼滤波            —粒子滤波           5.1.2.2  多对象数据关联和状态估计                 —联合数据概率滤波器            —多假设跟踪MHT     5.1.3 讨论   5.2 核跟踪