综述：运动目标跟踪算法

运动目标跟踪算法总结

 1  传统的目标跟踪算法

运动目标跟踪，首先对目标进行有效地表达。然后在接下来的视频序列的每一帧中找到相似度与目 标最大的区域，从而确定目标在当前帧中的位置。 早期的生成式方法主要有两种思路: 1) 依赖于目标外观模型。通过对目标外观模型进行建模，然后在之后的帧中找到目标。 例如: 光流法。2) 不依赖于目标外观模型。选定目标建立目标模型，然后在视频中搜索 找到目标模型。例如: Meanshift。

1.1  光流法

光流法 (Lucas-Kanade) 的概念首先在 1950 年提出，它是针对外观模型对视频序列中的像素进行操作。通过利用视频序列在相邻帧之间的像素关系，寻找像素的位移变化来判断目标的运动状态，实现对运动目标的跟踪。 但是，光流法适用的范围较小，需要满足三种假设: 图像的光照强度保持不变; 空间一致性，即每个像素在不同帧中相邻点的位置不变，这样便于求得最终的运动矢量; 时间连续。光流法适用于目标运动相对于帧率是缓慢的，也就是两帧之间的目标位移不能太大。

随后，人们开始在光流法的基础上进行了改进。 将 Harris 角点检测与光流法相结合，将光流法中的像素换成 Harris 特征点进行目标跟踪，这样减少了跟踪像素的数量，使得算法的复杂度降低，处理速度加快。同时，相比于普通的像素，Harris角点对目标的描述更好，具有很强的鲁棒性。

光流法的缺点：它对视频中所有的像素进行计算，实时性差。采用一定的缩小计算范围的算法，具有重大意义。其中常见的算法有 Kalman 滤波、粒子滤波等。

1.2  Kalman 滤波

Kalman 滤波是一种能够对目标的位置进行有效预测的算法。 它建立状态方程，将观测数据进行状态输入，对方程参数进行优化。 通过对前 n 帧数据的输入，可以有效地预测第 n 帧中目标的位置，Kalman 估计也叫最优估计。 因此，在目标跟踪过程中，当目标出现遮挡或者消失时，加入 Kalman 滤波 可以有效地解决这种问题。

Kalman 滤波缺点是只适合于线性系统，适用范围小。针对 Kalman 滤波适用范围小这一问题，人们提出了粒子滤波的方法。粒子滤波的思想源于蒙特卡洛思想，它利用特征点表示概率模型。这种表示方法可以在非线性空间上进行计算，其思想是从后验概率中选取特征表达其分布。最近，人们也提出了改进平方根容积卡尔