目标跟踪算法总结

 

一、目标跟踪算法简介

1. 单目标跟踪任务

单目标跟踪的通常任务是，在视频的第一帧给定任意一个目标的矩形框，在后续视频中跟踪这个目标。跟踪任务与识别、检测任务最明显的区别在于，跟踪目标可以是任意物体，类别不可知的。

2. 常用数据集

常用数据集整理:

3. 难点和挑战

目标遮挡、目标消失、运动模糊、目标和环境的剧烈变化、目标的高速运动、相机抖动、光照变化、背景杂乱、低分辨率等。具体挑战类别可以参考OTB官方属性介绍:

4. 分类

4.1 常规分类 (分类标准按照是否需要检测过程的参与)

生成式模型 (generative model):

生成式算法采用特征模型描述目标的外观特征，最小化跟踪目标和候选目标之间的重构误差来确认目标。缺点是过于关注目标本身的特征，忽略背景信息，当目标外观剧烈变化或遮挡时容易出现目标漂移或丢失。常用算法: 光流法, 粒子滤波, Meanshift算法, Camshift算法, KCF, SRDCF, SRDCFdecon, 稀疏编码(sparse coding)，在线密度估计(online density estimation)等。

判别式模型 (discriminative model):

包括目标检测和跟踪，又称为tracking-by-detection。将目标跟踪看做一个二元分类问题，通过训练关于目标和背景的分类器从候选目标中确定目标。检测是指在图像中找出目标的位置，检测是跟踪的基础。常用算法: 多示例学习方法(multiple instance learning), 结构SVM(structured SVM), OAB, MEEM, TLD, 大多数深度学习算法等。

4.2 时间分类

早期跟踪模型:

大部分是生成式模型，细分主要包括:

(1) 基于目标模型建模: 基于区域匹配，基于特征点跟踪，基于主动轮廓的跟踪，光流法等。

(2) 基于搜索的方法: 为了减少搜索范围，一种方式是通过预测减少搜索范围，如Kalman滤波，粒子滤波等；另一种是内核算法，使用最速下降法，向梯度下降方向对目标模板逐步迭代，直到跌倒在最优位置，如Meanshift, Camshift。

相关滤波模型:

属于判别式模型，相关滤波之前，所有的跟踪都是在时域上进行，设计复杂的矩阵求逆计算，速度慢。相关滤波在频域上进行，利用训练矩阵可以在频域对角化的性质，减少运算量。常用算法: MOSSE, CSK, KCF, BACF, SAMF.

深度学习模型：

基于相关滤波，使用深度学习对特征提取、特征搜索等方向进行改进。

二、常用算法介绍

1. 早期跟踪算法

2. 相关滤波算法

3. 深度学习算法

参考文献/链接

https://blog.csdn.net/u012477435/article/details/102841195