跟踪算法的一些思考

为了完成高速公路车辆行为的监控，这些天在忙着搞目标跟踪相关的东西。在仔细翻阅了2013年cvpr的一篇关于跟踪的综述之后，对当前跟踪的研究，很是失望和无奈啊。失望的是，想找到一种能够解决大视野范围、尺度变化剧烈的跟踪算法，那是相当之困难啊。无奈的是，自己也想不出好的想法。

从综述上得到的信息，近几年提出的跟踪算法，在向深度学习和分类器这两种思维靠拢。吸收深度学习的最新思想，比如稀疏编码，这当然更有利于表达目标，降低对各种干扰因素的影响。但使用分类器，则总是给人感觉有点得不偿失了。采集样本，训练模型，都要花费时间的，cpu算得过来吗？何况好多时候，还是多目标跟踪。

其实我自己也有个思路，能够从根本上解决跟踪的难题，但是有生之年，就不知道能不能见到了。跟踪的本质，还是识别问题。如果计算机能够达到人脑的识别水准，要跟踪的目标，直接已经识别出来了，就不存在跟踪问题了，每一帧图像到来时，跟踪问题已经转化为识别问题了。当然，要实现这个目的，首要难题是，如何解决识别问题？这个难度应该比人脑的识别难度低，因为在单一的路口，相机所能看到的，就是路面、车子、行人，再没有其他的东西了。这也就是说，被识别的物体，其类别数目还是很少的。并且高速公路是个特殊的环境，场景相当单一，目标的运动规律也简单，因此实现难度肯定要远远低于人脑的。

目前基于分类器的跟踪方法，也是直接将目标从图像中检测出来。但是，这些方法不能很好的适应目标的变化，而且在线训练，耗费了大量的时间，因此跟上面讲到的模仿人脑的思路，是有本质区别的。区别的本质就是：模仿人脑的思路，是事先经过大规模的学习训练，已经将各类目标、背景等模型存储下来，不管在具体的跟踪过程中，目标如何变化，都在掌控范围以内，照样能够识别。这种方法属于离线学习。

此外，除了识别，还有一个影响较大的模块就是分割。以前在利用较简单的方法进行目标跟踪时，一个不好的现象，就是漂移。很多时候，跟踪框居然飘到路面上去了。这种现象，人脑是绝不会出现的。后来仔细思考，感觉是分割没很好的用起来，将车辆跟地面分割开，很多时候还是比较容易得。如果结合了分割的结果，要纠正漂移，就相对容易了。

现在要讨论离线训练的问题了。鉴于目前深度学习的训练过程相当复杂，需要大量计算资源才行，因此这个方案必须要得到足够的硬件支持。这个条件具备后，可以在挑选样本时，人为的将目标从图像中剪切出来，或者是利用自动分割的结果，将各种物体，送入到训练器。这些被训练的物体，包括路面、背景、车辆、阴影、行人等。然后让计算机自己学习，就像google对猫的学习一样，自己形成对各种车辆、行人的记忆。

在完成训练后，具体进行检测时，同样需要先对场景进行分割，然后对每一个分割区域进行识别。被跟踪的物体，可以结合上一帧的模型特征，以及位置和速度，进行检测。除了跟踪之外，还可以完成场景的分析，这对于后期的行为分析，也能提供大量有用信息。