目标跟踪算法综述.doc

目标跟踪算法综述
大连理工大学卢湖川
一、引言
图1 目标跟踪算法流程图
目标跟踪是计算机视觉领域的一个重要问题,在运动分析、视频压缩、行为识别、视频监控、智能交通和机器人导航等很多研究方向上都有着广泛的应用。目标跟踪的主要任务是给定目标物体在第一帧视频图像中的位置,通过外观模型和运动模型估计目标在接下来的视频图像中的状态。如图1所示。目标跟踪主要可以分为5部分,分别是运动模型、特征提取、外观模型、目标定位和模型更新。运动模型可以依据上一帧目标的位置来预测在当前帧目标可能出现的区域,现在大部分算法采用的是粒子滤波或相关滤波的方法来建模目标运动。随后,提取粒子图像块特征,利用外观模型来验证运动模型预测的区域是被跟踪目标的可能性,进行目标定位。由于跟踪物体先验信息的缺乏,需要在跟踪过程中实时进行模型更新,使得跟踪器能够适应目标外观和环境的变化。尽管在线目标跟踪的研究在过去几十年里有很大进展, 但是由被跟踪目标外观及周围环境变化带来的困难使得设计一个鲁棒的在线跟踪算法仍然是一个富有挑战性的课题。本文将对最近几年本领域相关算法进行综述。
二、目标跟踪研究现状
1. 基于相关滤波的目标跟踪算法
在相关滤波目标跟踪算法出现之前,大部分目标跟踪算法采用粒子滤波框架来进行目标跟踪,粒子数量往往成为限制算法速度的一个重要原因。相关滤波提出了一种新颖的循环采样方法,并利用循环样本构建循环矩阵。利用循环矩阵时域频域转换的特殊性质,将运算转换到频域内进行计算,大大加快的分类器的训练。同时,在目标检测阶段,分类器可以同时得到所有循环样本得分组成的响应图像,根据最大值位置进行目标定位。相关滤波用于目标跟踪最早是在MOSSE算法[1]中提出的。发展至今,很多基于相关滤波的改进工作在目标跟踪领域已经取得很多可喜的成果。
. 特征部分改进
MOSSE[1] 算法及在此基础上引入循环矩阵快速计算的CSK[2]算法均采用简单灰度特征,这种特征很容易受到外界环境的干扰,导致跟踪不准确。为了提升算法性能, CN算法[3]对特征部分进行了优化,(Color Name)空间,该空间通道数为11(包括黑、蓝、棕、灰、绿、橙、粉、紫、红、白和黄),颜色空间的引入大大提升了算法的精度。
与此类似,KCF算法[4]采用方向梯度直方图(HOG)特征与相关滤波算法结合,同时提出一种将多通道特征融入相关滤波的方法。这种特征对于可以提取物体的边缘信息,对于光照和颜色变化等比较鲁棒。
方向梯度直方图(HOG)特征对于运动模糊、光照变化及颜色变化等鲁棒性良好,但对于形变的鲁棒性较差;颜色特征对于形变鲁棒性较好,但对于光照变化不够鲁棒。STAPLE算法[5]将两种特征进行有效地结合,使用方向直方图特征得到相关滤波的响应图,使用颜色直方图得到的统计得分,两者融合得到最后的响应图像并估计目标位置,提高了跟踪算法的准确度,但也使得计算稍微复杂了一些。
图2 HCFT算法流程图
深度特征能够有效地建模物体语义信息,对于物体外观及周围环境变化具有很好的适应能力。Ma等人提出HCFT[6]算法,将深度特征与相关滤波算法相结合,取得了很好的效果。算法指出深度神经网络不同层的特征具有不同的特点,浅层特征包含更多的位置信息,但语义信息不明显;深层特征包含更多的语义信息,抗干扰能力较强,但位置信息弱化。