核跟踪
核跟踪的目标表达通常用原始的目标区域来表达,跟踪由计算目标运动来实现的。目标运动以参数形式的运动(如平移、仿射等)或计算得到的连续帧的密度流区域描述。这些算法在外观表达的运动、跟踪的目标数目、运动估计使用的方法等方面有所差异。核跟踪算法可分为两类:分别是基于模板和概率密度的外观模型的跟踪,和基于多视角外观模型跟踪。
1 基于模板和概率密度外观模型的跟踪 这类方法计算简单,方法直观。根据目标是独立跟踪还是联合跟踪又可分为两个子类。
1.1 单目标跟踪
这类算法中最常用的是模板匹配,也是最直观的方法。在图像中搜索类似于预定义模板的区域,通过相似性度量(比如cross correlation)判断目标位置。主要问题在于计算量大。可以用邻域范围限定等方法来减少搜索半径。
除了模板匹配外,还可以用颜色直方图、混合模型等来表达外观模型。
Schweitzeret al. [2002] - 高效的模板匹配
Comaniciu and Meer [2003] - 用MeanShift算法搜索
Jepson et al. [2003] - 提出一种组合跟踪算法,分三种成分处理 - 稳定外观、暂态特征、噪声。用在线的EM算法学习三个分量参数。
光流法也是一种基于概率密度外观模型跟踪的方法。通过计算每个像素在光照不变约束下的光流向量产生稠密光流区域,从而得到矩形区域的平移。KLT算法Shi and Tomasi[1994]就是用应用光流特征的一种跟踪算法。
1.2 多目标跟踪
这类算法通常对整个图像进行建模,包括背景和每个目标。
Tao et al. [2002]分层建模整体图像。每层由一个先验形状(椭圆)、运动模型(平移和旋转)和外观(高斯函数建模的图像强度)组成。