【视觉目标跟踪算法研究的国内外文献综述4900字】

1由于数据集和所解决问题的差异性，当前目标跟踪算法主要分为以OTB和VOT数据集为基础的单目标跟踪领域和以MOT数据集为基础的多目标跟踪领域。其中单目标跟踪对给定的视频内的唯一确定目标进行跟踪，而多目标跟踪往往需要对视频内给定的某一类感兴趣(1)经典的目标跟踪算法2010年之前，单目标跟踪算法主要被均值漂移Meanshift⁴1、粒子滤波Pa目标联合概率最大的样本作为当前目标状态的估计。直到2011年ZdenekKalal等人提出TLD算法[7,它通过融合目标检测算法的优势来解决待跟踪目标在跟踪过程中发生的形变和遮挡基于检测的跟踪模式(trackingbydetection、TBD),因此在这一时期，如Struck8,SCM⁹等利用分类器来做跟TLD的出现，这种跟踪与检测结合的框架极大推动了跟踪领域的发展。直到2013年学术界建(2)基于相关滤波的方法2014年Henriques等人基于CSK¹1与MOSSE¹2算法提出一种利用相关滤波的跟踪算法KCF¹31,该算法利用循环矩阵代替滑动窗□并通过傅里叶变换将循环矩阵对角化，再利用核函数在对偶空间求解分类参数，最后用分类器对下一帧的样本进行相关滤波，找到响应最大的区域即为目标。该方法在保证一定跟踪精度的同时大大提高了跟踪的速度，此后基于相关滤波的跟踪算法逐渐引起人们的注意。其中Danelljan等人提出利用颜色特征来进行跟踪，并分别实现目标位置的更新和尺度的变换15。马超等人在此基础上又设计了第三个相关滤波器出发，将灰度直方图特征和颜色直方图特征进行特征结，最终在保证跟踪效果的基础上满足2(3)基于深度学习的方法2013年王乃岩等人提出DLT¹8网络首次将深度学习技术应用在单目标跟踪领域。为了解决了跟踪中训练样本不足的问题，该网络提该团队又提出了SO-DLT19网络并对DLT中存在的问题做了改进，比如在离线训练中使用并构建特征筛选网络和两个互补的热图预测网络；意识到图像分类任务和跟踪之间存在巨大是该算法在GPU上的速度较慢，实时性较差；Danelljan等人22在KCF基础上用深度卷积网络提取特征，类似这种利用卷积神经网络提取特征并结合相关滤波算法进行跟踪的还有2017换为边界框回归的问题，即直接利用深度学习网络来预测候选框的位置。相对于其他深度学逐渐被设计出来并成为单目标跟踪领域中的热门。比如GuoQ等人[27在SiameseFC框架基础人29使用三个注意力机制对SiameseFC特征空间和通道进行加权，分解特征提取和络使得特征网络更多的关注目标的细节表述，并结合上下文信息的相关滤波抑制掉周边的干扰；LiB.等人35在Siamese-FC分类支路的基础上加入了RPN候选区域生成网络进行边框回在上述这三种主流的算法中，基于相关滤波的算法跟踪速度较快，跟踪精度也在逐年逐3步提升；基于深度学习的算法由于需要的大量的数据集进行训练，虽然最终能够达到较高的精度，但是由于卷积神经网络所带来的巨大的运算量，算法的训练上耗费时间，前向测试的时候对设备硬件要求较高，推理时间也较慢；相比之下，传统的单目标跟踪算法在跟踪精度上已经被远远落下，但是这种TrackingByDetection的模式仍然有很多的优势并记录其轨迹。随着大数据时代的来袭，基于深度学习的跟踪框架越来越受到人们的关在该框架下跟踪算法根据每一帧图像中目标检测的结果匹配已有的目标轨迹；同时对新出现目标跟踪算法分为离线的多目标跟踪和在线的多目标跟踪算法两种。无论是离线还是在线的跟踪方式，如何学习到有效的检测特征并正确计算匹配相似度成为了多目标跟踪算法的关键根据学习特征和对应匹配方式的不同，基于深度学习的多目标跟踪可以分为基于外观特征的方法，基于相似性度量的方法，以及基于高阶匹配特征的方法等。在基于外观特征的匹配方法中，C.Kim等人37利用图像分类或者行人重识别任务中学习到的深度特征替换现有多A.Sadeghian等人41采用深度学习方法计算已有轨迹与检测之间的匹配或者轨迹之间的匹配目前单目标跟踪和多目标跟踪构成了整个跟踪领域的研究，前者需要对视频内指定的唯一目标进行跟踪；后者需要对视频内出现的某一类目标进行跟踪。但是在现实场景中，待跟踪目标的个数往往是随机不确定的。比如在城市监控领域中假设要对所有核酸检测阳性的患者进行轨迹的跟踪；在刑侦领域中，对指定的多名犯罪嫌疑人的跟踪；在城市交通中，对所有指定违章车辆的跟踪；在施工现场对所有未佩戴安全帽员工的跟踪等等。在上述所列举的情况中，目标的个数具有不确定性和随机性。本文将这种随机不确定性目标的跟踪定义为基于视觉的感兴趣目标跟踪，从单目标跟踪和多目标跟踪两个角度出发，感兴趣目标跟踪可以4首先多目标跟踪实际解决了基于语义的跟踪问题，其中语义信息可以看成是具备某一种特定特征的事物的集合。比如马路上行驶的汽车，天空中的飞鸟，水中的游鱼，街上的行人等等。与此同时语义信息具备强弱和深浅之分，但划分标准也是基于场景人为标定的，所以语义信息的强弱深浅也是具备相对性的。比如马路上行驶的汽车和所有马路上行驶的红色汽车，后者在前者的基础之上又对汽车这一语义按照颜色进行了更深一步的挖掘，所以相对于前者，后者具备较深层次的语义特征。当前的多目标跟踪算法大多都基于MOT数据集上进行评测，该数据集作为国际上比较权威的多因此MOT数据集将这语义信息定义为行人。如果能够实现对行人的跟踪，那么在此基础之上可否实现对具备某类特征的人进行跟踪，这样语义信息又加深一个成面，这个问题的研究也更具备社会和现实价值。更深层语义特征的多目标跟踪算法可以看成是多目标跟踪算法的一个推广，所以仍然可以沿用基于检测和匹配的框架，因为语义层次的加深，而两者的差异第一帧对给定的每一个目标分配单目标跟踪器，但是这种方式有两点不足：第一，如果选择实时性较好的相关滤波类跟踪器，其跟踪的精度较低。第二，如果选择基于深度学习的跟踪器，虽然保证了跟踪精度，但是随着给定目标个数的增多，卷积神经网络的参数会以指数倍提升，算法的实时性无法得到满足。上述这些单目标跟踪方法都可以看成是以给定的目标为基础，过滤掉除目标之外繁杂的背景信息，尽可能只保留目标所在的前景信息。如果想要利用检测和匹配的框架解决单目标跟踪问题，就需要从待跟踪目标和检测目标之间进行数据的关联和匹配。在该框架之下，随着给定目标的增加，检测网络均只需要运行一次即可，之后只需要更改对应的关联匹配算法即可，所以算法的实时性并不会随着给定目标的增加而降低其中从单目标领域扩展而来，在第一帧给定随机个数目标的跟踪算法被称为基于先验的感兴趣目标跟踪。该问题可以描述为在视频的第一帧给定待跟踪的目标，但是该目标个数具备随机性，在后续的视频中要对这些给定待跟踪目标进行连续的跟踪和轨迹预测。这个问题其中从多目标领域扩展而来，实现对具备某些特征的目标的跟踪问题被称为基于语义的感兴趣目标跟踪问题。该问题可以描述为在视频的第一帧中不指定待跟踪目标，但是会给定5待跟踪目标的语义特征，这些语义特征可以通过目标检测网络检测得到，只需要对检出的目6参考文献[5]VanDerMerweR,DoucetA,DeFreitasN,etal.Theunscentedparticlefiltervision[C]//IJCAI.1981,81:674-679.[7]KalalZ,MikolajczykK,MatasJ.Tra[8]HareS,GolodetzS,S[9]ZhongW,LuH,YangMH.Robustobjecttrack2012:1838-1845.[10]WuY,LimJ,YangMH.Onlineobjecttracking:Abenchmark[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternreco[11]HenriquesJ,CaseiroR,MartinsP,etatracking-by-detectionwithkernels[J].Com2010:2544-2550.filters[J].IEEETransactionsonPatternAnalysisandMachineIntelligenc2014:1090-1097.tracking[C]//BritishMachineVisPress,2014.[16]MaC,YangX,ZhangC,etalConferenceonComputerVisionandPa[17]BertinettoL,Valmadre2016:1401-140