目标跟踪的研究背景意义方法及现状

目标跟踪的研究背景意义方法及现状

目录

• 1.课题背景与研究意义• 2.国内外研究现状

• 3.存在的问题

• 4.总结，发展与展望

• 5.参考文献

1课题背景与研究意义

•运动目标的跟踪就是在视频图像的每一幅图像中确定出我们感兴趣的运动目标的位置，并把不同帧中同一目标对应起来。

•智能视频监控(IVS: Intelligent Video Surveillance)是计算机视觉领域近几年来发展较快，研究较多的一个应用方向。它能够利用计算机视觉技术对采集到的视频信号进行处理、分析和理解，并以此为基础对视频监控系统进行控制，从而使视频监控系统具备更好的智能性和鲁棒性。智能视频监控系统主要涉及到图像处理、计算机视觉、模式识别、人工智能等方面的科学知识，它的用途非常广泛，在民用和军事领域中都有着极大的应用前景。

2.国内外研究现状

视频目标跟踪算法

基于对比度分析基于匹配核方法运动检测其它方法

特征匹配贝叶斯

跟踪

Mean

shift方法

光流法

基于对比度分析的方法

•算法思想：基于对比度分析的目标跟踪算法利用目标与背景在对比度上的差异来提取、识别和跟踪目标。

•分类：边缘跟踪，型心跟踪，质心跟踪。

•优缺点：不适合复杂背景中的目标跟踪，但在空中背景下的目标跟踪中非常有效。

基于特征匹配的目标跟踪算法

•算法思想：基于匹配的目标跟踪算法需要提取目标的特征，并在每一帧中寻找该特征。寻找的过程就是特征匹配过

程。

•目标跟踪中用到的特征主要有几何形状、子空间特征、外形轮廓和特征点等。其中，特征点是匹配算法中常用的特征。特征点的提取算法很多，如Kanade Lucas Tomasi

（KLT）算法、Harris 算法、SIFT 算法以及SURF 算法等。•优缺点：特征点一般是稀疏的，携带的信息较少，可以通过集成前几帧的信息进行补偿。目标在运动过程中，其特征（如姿态、几何形状、灰度或颜色分布等）也随之变化。

目标特征的变化具有随机性，这种随机变化可以采用统计数学的方法来描述。直方图是图像处理中天然的统计量，因此彩色和边缘方向直方图在跟踪算法中被广泛采用。

贝叶斯跟踪

•卡尔曼滤波

•粒子滤波

•隐马尔科夫模型

•动态贝叶斯模型

卡尔曼滤波

•基本思想：从本质上讲，卡尔曼滤波器就是一个有噪声线性动态系统状态预估的递归算法，它是一个不断地预测与校正的过程。当假设系统状态模型和观测模型都是线性且符合高斯分布，同时假设噪声也是高斯分布时，线性卡尔曼滤波器是最优的滤波器。

•局限性：但是，常规的卡尔曼滤波算法要求系统是线性高斯型的，对于非线性、非高斯环境而言，不能直接用来解决目标的估计问题。为此，人们开发出各种非线性滤波算法，一种是扩展卡尔曼算法(EKF)，它对非线性系统进行局部线性化，从而间接利用卡尔曼算法进行滤波与估算。

但是只适用于滤波误差和预测误差很小的情况，否则，滤波初期估计协方差下降太快会导致滤波不稳定甚至发散。

修正增益的推广卡尔曼滤波算法(UKF)虽然通过改善增益矩阵，相应改善了状态协方差的估计性能，但该方法对测量误差有一定限制。若测量误差较大，则算法在收敛精度、收敛时间及稳定性等方面表现得很不理想。

粒子滤波

•两种变形扩展了KF 的应用范围，但是不能处理非高斯非线性模型，这个时候就需要用粒子滤波（PF）。由于运动变化，目标的形变、非刚体、缩放等问题，定义一个可靠的分布函数是非常困难的，所以在PF 中存在例子退化问题，于是引进了重采样技术。

•除了KF 和PF 之外，隐马尔科夫模型（HMMs）和动态贝叶斯模型（DBNs）也是贝叶斯框架下重要的视觉跟踪方法。HMMs 和DBNs 将运动目标的内部状态和观测量用状态变量（向量）表示，DBNs 使用状态随机变量（向量）集，并在它们之间建立概率关联。HMMs 将系统建模为马尔科夫过程。

基于运动检测的目标跟踪算法

•基本思想：通过检测序列图像中目标和背景的不同运动来发现目标存在的区域，实现跟踪。

•光流法：光流算法是基于运动检测的目标跟踪的代表性算法。光流是空间运动物体在成像面上的像素运动的瞬时速度，光流矢量是图像平面坐标点上的灰度瞬时变化率。光流的计算利用图像序列中的像素灰度分布的时域变化和相关性来确定各自像素位置的运动，研究图像灰度在时间上的变化与景象中物体结构及其运动的关系。将二维速度场与灰度相联系，引入光流约束方程，得到光流计算的基本算法。

•优缺点：光流场的方法能够很好的用于二维运动估计，它也可以同时给出全局点的运动估计，但其本身还存在着一些问题：需要多次迭代，运算速度慢，不利于实时应用。

核方法

•算法思想：对相似度概率密度函数或者后验概率密度函数采用直接的连续估计。

•Mean shift ：均值偏移方法。采用彩色直方图作为匹配特征。Mean Shift 跟踪算法反复不断地把数据点朝向MeanShift 矢量方向进行移动，最终收敛到某个概率密度函数的极值点。在Mean Shift 跟踪算法中，相似度函数用于刻画目标模板和候选区域所对应的两个核函数直方图的相似性，采用的是Bhattacharyya 系数。因此，这种方法将跟踪问题转化为Mean Shift 模式匹配问题。核函数是Mean Shift 算法的核心，可以通过尺度空间差的局部最大化来选择核尺度，若采用高斯差分计算尺度空间差，则得到高斯差分Mean Shift 算法。

•优缺点：Mean Shift 算法假设特征直方图足够确定目标的位置，并且足够稳健，对其他运动不敏感。该方法可以避免目标形状、外观或运动的复杂建模，建立相似度的统计测量和连续优化之间的联系。但是，Mean Shift 算法不能用于旋转和尺度运动的估计。为克服以上问题，人们提出了许多改进算法，如多核跟踪算法、多核协作跟踪算法和有效的最优核平移算法等。