车辆跟踪总结

现在把电子警察的核心确定为车辆跟踪，属于目标跟踪范畴，基本的框架都是检测+跟踪。

目前个人把车辆跟踪分为如下几张方案：

 

1  基于背景模型的运动检测+预测跟踪

背景模型有：混合高斯、LBP纹理、codebook、vibe；

跟踪有：Kalman Filter/MeanShift/Particle Filter

评论：跟踪部分没什么说的，比较经典，检测部分采用好的模型可在一定程度上解决光照、阴影，但对粘连、夜间、长期停留仍是难题。vibe听起来很好，实测并不如意。

当然，夜间可通过车灯配对单独检测，长期停留可以通过多个更新策略部分解决。

 

2 基于机器学习的检测+跟踪

Adaboost训练出车辆模型，然后实时检测。

跟踪部分同上。

评论：模型训练的好，则检测部分可以达到较高的精度，加上场景约束基本可在95%，解决了光照、阴影、粘连、长期停留难题，也可训练夜间模型。跟踪部分配合检测不难。

 

3 基于特征点的匹配跟踪+聚类

特征点有：KLT、Harris、SIFT，匹配算法有：光流、SIFT，匹配后自然形成轨迹，无需预测跟踪。

上述得到的点的轨迹，需要聚类归并到不同的车辆，方法有聚类、图割等。

评论：无需背景建模，特征点比较稳定，能适合昼夜、阴影，难点是聚类，如果是规则的轿车，准确率可达95%。

 

4 TLD

这两年是热门算法，可借鉴其思想和某些模块，源码虽有，尚未得机会深入。