姓名：何康健 學(xué)號：21021210856 學(xué)院：電子工程學(xué)院

轉(zhuǎn)載自：https://blog.csdn.net/tim514/article/details/121440319

1贱鄙、什么是目標(biāo)追蹤？

目標(biāo)跟蹤是通過分析視頻圖片序列，對檢測出的各個候選目標(biāo)區(qū)域?qū)嵤┢ヅ涓遘裕ㄎ怀鲞@些目標(biāo)在圖像中的坐標(biāo)位置女器，然后得到一系列相同目標(biāo)的連續(xù)變化的過程刃宵。

白話： 從茫茫人海中放接，識別出你的臉

2究飞、為什么需要目標(biāo)追蹤倘感？

我的理解：

1. 我們可以排除其他背景信息對我們的干擾放坏，只對關(guān)心的物體進(jìn)行特定的標(biāo)記，也就是對一個物體在空間中的位置進(jìn)行連續(xù)的追蹤標(biāo)記老玛。

2.跟蹤算法比單幀檢測算法更快淤年，利用所有已知信息（速度 位置 外觀特征）來追蹤點，節(jié)省系統(tǒng)資源

例如： 人臉識別蜡豹，我只需要人臉的信息麸粮。而且突然闖入鏡頭的人臉，我要對他進(jìn)行特異性識別镜廉，不然他看隱私信息弄诲。

3、怎么做目標(biāo)追蹤？

1. 表觀建模：通過目標(biāo)的表觀特征來建立相應(yīng)的表觀模型齐遵，將目標(biāo)表觀建模分為生成式跟蹤和判別式跟蹤寂玲。

生成式跟蹤（模板匹配）：如指紋識別，先采集指紋數(shù)據(jù)梗摇，然后使用指紋模型直接與目標(biāo)類別進(jìn)行匹配拓哟，以達(dá)到跟蹤的目的。

a. 核跟蹤算法：首先對目標(biāo)進(jìn)行表觀建模伶授，進(jìn)而確定相似性度量策略以實現(xiàn)對目標(biāo)的定位断序，均值漂移（Meanshift）算法，該算法本質(zhì)上是基于梯度上升的局部尋優(yōu)算法糜烹。

在目標(biāo)跟蹤時违诗，Meanshift算法不能很好的解決目標(biāo)被遮擋、背景雜亂景图、尺度變化等問題较雕，分塊Meanshift的跟蹤算法優(yōu)化了目標(biāo)遮擋問題，通過不同分塊對中心位置的加權(quán)投票挚币，降低被遮擋的目標(biāo)區(qū)域?qū)Ω櫧Y(jié)果的影響亮蒋。

b.子空間算法: 基于子空間的算法將圖像由高維數(shù)據(jù)壓縮成低維特征空間，大大降低了目標(biāo)跟蹤算法計算所需的時間妆毕。主成分分析（PCA）慎玖、線性判別分析（LDA）、局部保持映射（LPP）等笛粘。缺點：通常子空間算法都會假設(shè)數(shù)據(jù)服從高斯分布或局部高斯分布趁怔，導(dǎo)致基于判決性子空間的跟蹤算法往往結(jié)果不穩(wěn)定。

c. 稀疏表示法：通常假設(shè)跟蹤目標(biāo)在一個由目標(biāo)模板所構(gòu)成的子空間內(nèi)薪前，其跟蹤結(jié)果是通過尋求與模板重構(gòu)誤差最小的候選目標(biāo)润努，Kanade-Lucas-Tomashi(KLT)特征追蹤，追蹤一張圖片中幾個特征點的位置示括。

2. 判別式跟蹤：

a.基于Boosting和SVM的判別模型一直被廣泛應(yīng)用于目標(biāo)檢測和目標(biāo)跟蹤領(lǐng)域铺浇。提出了一種結(jié)合SVM和加權(quán)Meanshift的目標(biāo)跟蹤算法，使用顏色特征的SVM分類器對像素點進(jìn)行分類垛膝，再結(jié)合對前景目標(biāo)和背景特征賦予不同權(quán)值的Meanshift算法鳍侣，突出前景特征，降低背景噪聲對目標(biāo)的干擾吼拥，實現(xiàn)了復(fù)雜場景下的目標(biāo)跟蹤倚聚。

b.基于隨機(jī)學(xué)習(xí)的跟蹤算法通過融合隨機(jī)特征與輸入建立目標(biāo)的表觀模型：典型的基于隨機(jī)學(xué)習(xí)的跟蹤算法有在線隨機(jī)森林和樸素貝葉斯等。

c.深度學(xué)習(xí)：很多學(xué)者使用圖像分類的大型數(shù)據(jù)集預(yù)訓(xùn)練模型凿可，但是這種數(shù)據(jù)集與視頻跟蹤所需的實際數(shù)據(jù)往往存在較大的差異惑折，導(dǎo)致跟蹤誤差較大。第二個難題是，隨著深度學(xué)習(xí)網(wǎng)絡(luò)層數(shù)的增加唬复，算法的計算量增大矗积，這會降低跟蹤過程中的實時性全肮。

3. 使用跟蹤算法：

跟蹤策略的目的是希望所建立的運動模型能夠預(yù)估出下一幀圖像中目標(biāo)的可能狀態(tài)敞咧，為目標(biāo)的狀態(tài)估計提供先驗知識，用來在當(dāng)前幀圖像中尋找最優(yōu)的目標(biāo)位置辜腺。

常用的運動估計方法有：

卡爾曼濾波休建、粒子濾波（基于概率，貝葉斯）：該類跟蹤方法采用貝葉斯濾波理論估計目標(biāo)的狀態(tài)评疗，即根據(jù)目標(biāo)當(dāng)前時刻的先驗知識和狀態(tài)方程测砂，采用遞推的方式對下一時刻的狀態(tài)進(jìn)行預(yù)測和修正，以實現(xiàn)對目標(biāo)時變狀態(tài)的估計百匆。該方法通常采用位置砌些、速度等作為目標(biāo)位置信息的狀態(tài)變量，狀態(tài)變量通過狀態(tài)方程的遞推運算實現(xiàn)狀態(tài)預(yù)測加匈，之后把狀態(tài)變量最新的觀測值帶入觀測似然方程存璃，并評價狀態(tài)預(yù)測置信度，以修正狀態(tài)變量的預(yù)測值雕拼。

隱馬爾可夫模型和均值漂移： 均值漂移由目標(biāo)檢測算法獲取目標(biāo)的模板纵东，然后將候選目標(biāo)位置與目標(biāo)模板相匹配以實現(xiàn)目標(biāo)的跟蹤。該類算法通常以代價函數(shù)作為目標(biāo)模板與候選目標(biāo)位置間的相似性度量啥寇，以最優(yōu)化理論尋找代價函數(shù)的最大值偎球，并選擇代價函數(shù)取得最大值時候選目標(biāo)的位置作為目標(biāo)在當(dāng)前圖像序列中的估計位置。

總結(jié)：

OPENCV：

如果需要更高的準(zhǔn)確率辑甜，并且可以容忍延遲的話衰絮，使用CSRT。

如果需要更快的FPS磷醋，并且可以容許稍低一點的準(zhǔn)確率的話猫牡，使用KCF。

如果純粹的需要速度的話子檀，用MOSSE镊掖。

————————————————

版權(quán)聲明：本文為CSDN博主「tim514」的原創(chuàng)文章，遵循CC 4.0 BY-SA版權(quán)協(xié)議褂痰，轉(zhuǎn)載請附上原文出處鏈接及本聲明亩进。