目标跟踪算法综述

孟琭 杨旭

运动目标跟踪一直以来都是一项具有挑战性的工作,也是研究的热点方向.现阶段,随着硬件设施的不断完善和人工智能技术的快速发展,运动目标跟踪技术越来越重要.目标跟踪在现实生活中有很多应用,包括交通视频监控、运动员比赛分析、智能人机交互[1]、跟踪系统的设计[2]等.由于在目标跟踪中存在形态变化、图像分辨率低、背景复杂等情况,因此研究出一个性能优良的跟踪器势在必行.

早期的目标跟踪算法主要是根据目标建模或者对目标特征进行跟踪,主要的方法有:1)基于目标模型建模的方法: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,区域匹配、特征点跟踪、基于主动轮廓的跟踪算法、光流法等.最常用的是特征匹配法,首先提取目标特征,然后在后续的帧中找到最相似的特征进行目标定位,常用的特征有:SIFT[3]特征、SURF[4]特征、Harris角点[5]等.2)基于搜索的方法:随着研究的深入,人们发现基于目标模型建模的方法[6]对整张图片进行处理,实时性差.人们将预测算法加入跟踪中,在预测值附近进行目标搜索,减少了搜索的范围.常见一类的预测算法有Kalman[7]滤波、粒子滤波[8]方法.另一种减小搜索范围的方法是内核方法:运用最速下降法的原理,向梯度下降方向对目标模板逐步迭代,直到迭代到最优位置.诸如,Meanshift[9−10]、Camshift[11]算法.综上所述,传统的目标跟踪算法存在两个致命的缺陷:1)没有将背景信息考虑在内,导致在目标……