该博客介绍了如何利用吸收态马尔科夫链（AMC）和超像素进行目标跟踪。文章首先阐述了基于分割的跟踪优于传统矩形框跟踪的原因，接着详细讲解了AMC的原理及其在超像素图片表示中的应用。通过构建AMC图，计算超像素的吸收时间，以此判断其属于前景还是背景。关键步骤包括超像素分割、AMC图构建和吸收时间计算。文章还提及了在实际实现过程中的一些细节问题，如吸收时间优化、整体外观模型构建和第一帧初始分割的处理。
CVPR2017目标跟踪领域中的一篇，文章的亮点在于实现了基于分割的跟踪，博主刚好对这一方向比较感兴趣，所以解读一下文章。
相关文献：Superpixel-based Tracking-by-Segmentation using Markov Chains
首先介绍一下什么是 基于分割的跟踪。一般意义上的目标跟踪，就是在一个视频序列中，根据第一帧给出的目标，对目标在后续帧进行跟踪，传统的跟踪方法是用矩形框框出跟踪目标，如下：
而基于分割的跟踪，在找出目标的同时，还需要对目标进行分割，即找到目标的轮廓：
毫无疑问，基于分割的目标跟踪可以给出更精细的轮廓，提供目标更多的形状信息。但是，也比传统意义上用矩形框进行跟踪的方法更难实现。
接下来我们看看该文章是如何实现基于分割的目标跟踪的。
正如文章名一样，文章主要用了吸收态马尔科夫链（AMC， Absorbing Markov Chain）和超像素（Superpixel）两个概念实现了基于分割的跟踪。
超像素可以把像素级的图片划分成区域级的图片，每个区域内的像素具有相同的标签（前景或背景），这样在之后的分割中只需要对每个区域赋予标签，可以大大减少计算量。
吸收态马尔科夫链用来对超像素进行前后景分类。
吸收态马尔科夫链（AMC）
如图，在马尔可夫链中，称
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
