计算机视觉与应用 课件 6.1 目标跟踪简介

6.1目标跟踪简介CONTENTS目录跟踪概念01主要应用02发展趋势03CONTENTS目录跟踪概念01主要应用02发展趋势03目标跟踪：对视频中特定目标进行连续定位追踪的过程。目标跟踪是计算机视觉领域的重要应用分支，在智能安防、社区监控、目标行为分析、交通监控、公安刑侦、辅助医疗、视频压缩、军事侦察、目标打击等领域有着举足轻重的作用。目标跟踪概念目标跟踪与目标检测的区别：目标检测是自动化目标跟踪的前提，为目标跟踪提供要追踪的目标模板图像；目标检测只能完成目标的框定，无法实现不同视频帧之间的目标关联，进而不能实现同个视频中的多目标跟踪，以及不同视频中目标的持续追踪；目标跟踪旨在挖掘连续图像帧中目标的局部及全部关联性，实现对目标的持续追踪，并实现其运动轨迹的预测和绘制。目标跟踪概念目标跟踪实现流程：一般分为特征提取、运动模型构建、外观模型构建、模型在线更新。

1)特征提取：提取的特征要适用于目标跟踪的特征一般要求，既能较好地描述跟踪目标又能快速计算。常见的图像特征有灰度特征、颜色特征、纹理特征、Har-like矩形特征、兴趣点特征、超像素特征等。Har-like特征HoG特征目标跟踪概念目标跟踪实现流程：一般分为特征提取、运动模型构建、外观模型构建、模型在线更新。

2)运动模型构建：运动模型旨在描述帧与帧目标运动状态之间的关系，显式或隐式地在视频帧中预测目标图像区域，并给出一组可能的候选区域。经典的运动模型有均值漂移(Meanshift)、滑动窗口(Slidewindow)、卡尔曼滤波(KalmanFiltering)、粒子滤波(ParticleFiltering)等等。Mean-shift跟踪算法目标跟踪概念目标跟踪实现流程：一般分为特征提取、运动模型构建、外观模型构建、模型在线更新。

3)外观模型构建：外观模型的作用是在当前帧中判决候选图像区域为被跟踪目标的可能性。提取图像区域的视觉特征，输入外观模型进行匹配或决策，最终确定被跟踪目标的空间位置。在视觉跟踪的4个基本组成中，外观模型处于核心地位，如何设计一个鲁棒的外观模型是在线视觉跟踪算法的关键。目标跟踪概念目标跟踪实现流程：一般分为特征提取、运动模型构建、外观模型构建、模型在线更新。

4)在线更新机制：为捕捉目标(和背景)在跟踪过程中的变化，目标跟踪需要在线更新机制，在跟踪过程中不断更新外观模型。常见的外观模型更新方式有模板更新、增量子空间学习算法及在线分类器等。如何设计一个合理的在线更新机制，既能捕捉目标(和背景)的变化又不会导致模型退化，也是目标跟踪研究的一个关键问题。目标跟踪概念CONTENTS目录跟踪概念01主要应用02发展趋势03智能安防监控：主要用于关注人员的监控、公共场所的人流分析。目标跟踪主要应用交通监控：主要用于交通违法违规记录、跟踪，嫌疑车辆的搜寻与追踪。目标跟踪主要应用军事目标跟踪：主要用于军事侦察、武器攻击锁定。目标跟踪主要应用CONTENTS目录跟踪概念01主要应用02发展趋势03目标跟踪方法目前大致分为三类：1）生成式模型跟踪：通过在线学习方式建立目标模型，然后使用模型搜索重建误差最小的图像区域，完成目标定位。该类方法未考虑目标的背景信息，图像信息没有得到较好的应用。该方法在当前帧对目标区域建模，下一帧寻找与模型最相似的区域为目标的预测位置，比较著名的有卡尔曼滤波，粒子滤波，mean-shift等。目标跟踪发展目标跟踪方法目前大致分为三类：2）判别式模型跟踪：该类方法将目标跟踪看作是一个二元分类问题，同时提取目标和背景信息用来训练分类器，将目标从图像序列背景中分离出来，从而得到当前帧的目标位置。该方法采用了视觉语义中的经典套路图像特征+机器学习，当前帧以目标区域为正样本，背景区域为负样本，机器学习方法训练分类器，下一帧用训练好的分类器找最优区域。此类方法与生成类方法最大的区别是，分类器采用机器学习，训练中用到了背景信息，因此，分类器可专注区分前景和背景，跟踪效果优于生成模型类。KCF跟踪算法流程目标跟踪发展目标跟踪方法目前大致分为两类：3）基于深度学习的跟踪：该类方法通过预先训练目标的深度特征模型，融入到相关滤波进行在线目标跟踪，此类方法已成为目前跟踪领域的发展趋势。基于深度学习的算法流程目标跟踪发展目标跟踪的发展趋势相比于光流法、Kalman、Meanshift等传统算法，相关滤波类算法跟踪速度更快，深度学习类方