![b6a7f3201e1d2e90d5d9f8a749d4047a.png](https://img-blog.csdnimg.cn/img_convert/b6a7f3201e1d2e90d5d9f8a749d4047a.png)
上篇文章写的是目标跟踪的主要研究方向,这篇文章主要关注的是算法的发展历程,主要用来了解这个领域的发展现状与未来方向。在学习之前,对这个方向有一个整体的认识和发展路线,这样才不会陷于某一个细节。
目标跟踪就是在视频序列中的每幅图像中找到感兴趣的目标运动位置,目标跟踪的算法整体是从传统的特征提取加机器学习到现在的基于神经网络的深度学习。昨天已经介绍过跟踪算法的分类,今天主要总结一下这些算法,主要分为经典算法,相关滤波算法,检测跟踪相结合的算法,深度学习框架等。
经典算法
经典算法主要有几类,有很多算法都是在这些经典算法的基础上改进的。但是经典算法在工业上一般只作为辅助方法来使用,毕竟深度学习算法才是当下的热门选择,但作为了解其基本原理还是很有必要的。
MeanShift 基于概率密度分布,沿着概率梯度上升的方向,迭代收敛到概率密度分布的局部峰值上。粒子滤波(Particle Filter)基于粒子分布统计,通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数,用样本均值代替积分运算,进而获得系统状态的最小方差估计的过程。卡尔曼滤波(Kalman Filter)不对目标的特征进行建模,而是对目标的运动模型建模,估计目标在下一帧的位置。还有一类经典算法是基于特征点的光流跟踪算法,对目标物体提取特征点,在下一帧计算特征的光流匹配点