【传统目标跟踪算法研究的文献综述2200字】

传统目标跟踪算法研究的文献综述在深度学习技术提出之前，早期目标跟踪算法的传统设计思路大多使用一些经典的数学优化算法，比如均值漂移、粒子滤波、卡尔曼滤波以及基于特征点的光流算法等，这些算法在简单的跟踪场景中能够获得很好的性能和速度。均值漂移REF_Ref68489150\r\h[10]方法是一种基于概率密度分布的跟踪方法，在均值漂移跟踪算法中，颜色直方图用于描述目标区域。通常使用Kullback-Leibler散度，Bhattacharyya系数和其他信息理论上的相似性度量来度量模型区域与当前目标区域之间的相似性。通过迭代找到距离测量函数的局部最小值来完成跟踪。均值漂移方法对想要跟踪的目标进行建模，通过逐帧匹配的方式来预测下一帧目标的所在位置。与传统的穷举搜索不同，均值漂移认为帧与帧之间变化不大，使用不断迭代更新的方式来提高搜索的效率，使目标一直沿着概率梯度上升的方向进行搜索。均值漂移通过颜色分布来表征目标，然后得到下一帧图像中目标物体的概率分布。均值漂移算法采用基于颜色特征的核密度估计的方法进行建模，使得均值漂移算法对目标旋转、小范围遮挡等干扰场景鲁棒性表现性很强，最先进的均值漂移技术已广泛应用于实际问题，均值漂移在帧中前景信息与背景信息区分度很大的场景中表现得很好，早期也用于人脸跟踪。使用颜色特征对目标进行建模具有很多优点，因为均值漂移并不过多依靠目标本身的信息进行跟踪，而且在智能监控等对实时性要求比较高的领域中，均值漂移的速度是很快的。但是均值漂移在环境剧烈变化的场景中表现得不够好。虽然现在包含各种各样的特征信息，但是目标的固定对于颜色特征是至关重要的。对比一段彩色视频和一段黑白视频，让比如今的计算机鲁棒性强很多倍的人脑来判断，包含信息更多的彩色视频找到目标的速度肯定要比信息较少的黑白视频快很多。均值漂移最初的方式是采用颜色直方图的建模方式，有基于RGB模型和基于HSV模型两种。基于RGB模型的彩色直方图反映的是图像中每一种（R，G，B）组合出现的次数，因为有R、G、B三种色彩，所以这样的彩色直方图是三维的。同时，因为彩色直方图的坐标被分成了256份，所以一共有256256256种色彩。实际操作中为了减小计算量，把256个小区间划分为16个大区间(划分部分越多越精确)，然后用一个特征值代替三维的特征向量（d=256R+16G+B），将三维的彩色直方图降维成一维直方图（另外一种降维方法是将RGB模型转换为HSV模型，只使用其中的H分量，即色调分量）。均值漂移算法由于其简单性和鲁棒性而在目标跟踪领域取得了相当大的成功。它在模型和目标图像的颜色直方图或核密度估计之间找到相似性度量的局部最小值，不需要任何先验知识，完全依赖重叠特征空间中样本点的计算，数据根据区间的不同被划分成多个组，每个组的概率值等于该组数据的个数与所有组数据总个数的比率；核密度估计法的原理与直方图法的理论原理基本一致，核密度估计法相比于直方图法多了一个用于让数据更平滑的核函数。在数据量很大的场景中，采用核函数估计法能够迭代收敛于任意的概率密度函数，即可以拟合任意数据的密度分布。由于均值漂移方法的快速计算，它的很多改进方法也一直适用至今。粒子滤波REF_Ref68489171\r\h[11]方法在随机运动模型的引导下执行随机搜索，以获取描述对象配置的后验分布的估计值。粒子滤波器可基于数据集随时间的传播应用递归贝叶斯滤波器，同时维持多个假设并使用随机运动模型预测对象的位置。保持多种假设可以使跟踪器在后台处理场景混乱的情况，并从故障或暂时的干扰中恢复过来。但是，该方法对计算的要求很高，这是在实时系统中应用粒子滤波的瓶颈。卡尔曼滤波REF_Ref470551168\r\h[12]是基于状态空间技术和递归算法的递归预测滤波器。卡尔曼滤波被用来估计动态系统的状态。动态系统可能会受到一些噪声（通常假定为白噪声）的干扰。为了改善估计状态，卡尔曼滤波器使用与状态相关但也受到干扰的评价方式。 (1-1) (1-2)其中和是时间t的状态和协方差预测。D是状态转移矩阵，它定义了时间t和t−1处的状态变量之间的关系。Q是噪声W的协方差。同样，校正步骤使用当前的观测值更新目标的状态： (1-3) (1-4) (1-5)其中M是测量矩阵，K是卡尔曼增益，这是用于状态模型传播的Riccati方程(1-4)。更新后的状态服从高斯分布。如果函数和是非线性的，则可以使用泰勒级数展开将它们线性化，以获得扩展的卡尔曼滤波器REF_Ref469323244\r\h[13]。与卡尔曼滤波器类似，扩展后的卡尔曼滤波器假设状态服从高斯分布。卡尔曼滤波器已广泛用于跟踪。Broida和ChellappaREF_Ref469323556\r\h[14]使用卡尔曼滤波器来跟踪图像中一些带有噪声的区域。在基于立体摄像机的物体跟踪中，Beymer和KonoligeREF_Ref68489238\r\h[15]使用卡尔曼滤波器来预测物体在x-z维度上的位置和速度。Rosales和SclaroffREF_Ref470567795\r\h[16]使用扩展的卡尔曼滤波器从2D运动估计目标的3D轨迹。KalmanSrc提供了一个用于Kalman滤波的Matlab工具库。另外，经典的跟踪方法还有基于特征点的光流跟踪，光流估计目前在许多智能场景中使用。由于光流的检测精度较高，因此更适合于复杂场景中的目标运动分析。通过光流估计，可以获得运动物体的运动参数，同时，可以尽可能避免物体的遮挡和重叠问题。参考文献 TaoR,GavvesE,SmeuldersAWM.Siameseinstancesearchfortracking[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2016:1420-1429.HeldD,ThrunS,SavareseS.Learningtotrackat100fpswithdeepregressionnetworks[C]//Europeanconferenceoncomputervision.Springer,Cham,2016:749-765.BertinettoL,ValmadreJ,HenriquesJF,etal.Fully-convolutionalsiamesenetworksforobjecttracking[C]//Europeanconferenceoncomputervision.Springer,Cham,2016:850-865.WangQ,TengZ,XingJ,etal.Learningattentions:residualattentionalsiamesenetworkforhighperformanceonlinevisualtracking[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2018:4854-4863.ValmadreJ,BertinettoL,HenriquesJ,etal.End-to-endrepresentationlearningforcorrelationfilterbasedtracking[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2017:2805-2813.GuoQ,FengW,ZhouC,etal.Learningdynamicsiamesenetworkforvisualobjecttracking[C]//ProceedingsoftheIEEEinternationalconferenceoncomputervision.2017:1763-1771.LiB,YanJ,WuW,etal.Highperformancevisualtrackingwithsiameseregionproposalnetwork[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2018:8971-8980.WangQ,GaoJ,XingJ,etal.Dcfnet:Discriminantcorrelationfiltersnetworkforvisualtracking[J].arXivpreprintarXiv:1704.04057,2017.RussakovskyO,DengJ,SuH,etal.Imagenetlargescalevisualrecognitionchallenge[J].Internationaljournalofcomputervision,2015,115(3):211-252.ComaniciuD,RameshV,MeerP.Real-timetrackingofnon-rigidobjectsusingmeanshift[C]//ProceedingsIEEEConferenceonComputerVisionandPatternRecognition.CVPR2000(Cat.No.PR00662).IEEE,2000,2:142-149.ArulampalamMS,MaskellS,GordonN,etal.Atutorialonparticlefiltersforonlinenonlinear/non-GaussianBayesiantracking[J].IEEETransactionsonsignalprocessing,2002,50(2):174-188.WengSK,KuoCM,TuSK.VideoobjecttrackingusingadaptiveKalmanfilter[J].JournalofVisualCommunicationandImageRepresentation,2006,17(6):1190-1208.Bar‐ShalomY,FortmannTE,CablePG.Trackinganddataassociation[J].1990.BroidaTJ,ChellappaR.Estimationofobjectm