目标跟踪技术及其数据集

目前，目标跟踪作为计算机视觉中的一个重要的研究课题，在民用和军事等很多方向有着广泛的应用前景，主要包括自动驾驶、精准制导、视频监控等，而在这些领域寻求一定的精度和速度以及鲁棒性指标具有重要的工程意义。现在主要研究的目标跟踪算法一般是在给定一个视频序列的第一帧中目标位置的基础上，对后续帧中的原始目标进行跟踪。由于目标抖动、局部遮挡、背景光照变化、形状改变、快速运动等原因，在该领域仍然具有很大的挑战。
现有的目标跟踪算法主要有两大类：生成式方法和判别式方法，现在大部分SOTA的跟踪算法都是tracking-by-detection，也就是判别式方法。生成式方法主要是在初始帧中对给定的目标区域进行建模，在后续帧中搜索与模型最相似的部分即为预测的目标位置。比较著名的有卡尔曼滤波、粒子滤波和mean-shift等算法，此类方法的跟踪准确率较低。判别式方法则是将目标跟踪问题看作每帧中的目标检测任务，使用跟踪目标的图像特征训练一个分类器，将图像中的目标区域作为正样本，背景区域作为负样本，在后续帧中使用训练好的分类器寻找最优解。并且在跟踪过程中不断地使用每帧中的跟踪结果对分类器进行更新，其中比较著名的有现在被广泛使用的相关滤波方法和一些基于深度学习的目标跟踪算法。

一.目标跟踪中的关键问题

1. 跟踪样本较少
   目标跟踪与其他的一些计算机视觉任务不同之处在于目标跟踪中所跟踪的目标在每个视频序列中都是不同的，并且每个视频中所提供的内容只有第一帧的图像和所跟踪目标的初始位置。对于一般的目标检测任务来说，往往需要大量的数据来进行预训练，这对于目标跟踪来说是较为困难的。
   针对这个问题，现阶段已经有很多算法提出了很好的解决方案。比如KCF算法中使用循环矩阵来获取更多的训练样本来对分类器进行训练。MDNet将网络分为共享层和domain-specific层，将每个视频序列当成一个独立的domain