目标跟踪综述.ppt

1、目标跟踪汇总，-前卫，目录，1。课题背景和研究的意义2。国内外研究现状3。存在的问题4。摘要，发展与展望5。工具书，1课题背景和研究的意义，运动目标的跟踪，是在视频图像的每个图像中确定我们感兴趣的运动目标的位置，然后放入其他帧。智能视频监控(IVS : Intelligent Video Surveillance)是近年来计算机视觉领域发展迅速，正在研究更多的应用节目方向。利用计算机视觉技术处理、分析和理解收集的视频信号，并在此基础上控制视频监控系统，提高了视频监控系统的智能性和健壮性。智能视频监控系统主要涉及图像处理、计算机视觉、模式识别、人工智能等科学知识，其用途非常广泛，在民用和军事领域

2、都有很大的应用前景。2 .国内外研究现状，视频目标跟踪算法，对比分析基础，匹配基础，核方法，运动检测，其他方法，优点和缺点：不适合复杂背景下的目标跟踪，但在空中背景下的目标跟踪中非常有效。基于特征匹配的目标跟踪算法，算法思想：要基于匹配的目标执行算法跟踪，必须提取目标的特征，在每个帧中找到相应的特征。寻找的过程是图征相符的过程。用于目标追踪的特征主要是几何造型、子空间特征、轮廓线、几何点等。其中，特征点是匹配算法中常用的特征。特征点提取是许多算法，包括kana de Lucas tomasi(KLT)算法、哈里斯算法、SIFT算法和SURF算法。优点和缺点：特点点通常是稀疏的，携带的信息更少，

3、可以通过合并以前帧中的信息来补偿。目标移动时，姿势、几何体图形、灰度图像或颜色分布等属性也会发生变化。目标特征的变化具有随机性，这种随机变化可以用统计数学方法解释。直方图是图像处理中天然的统计量，因此颜色和边缘方向直方图在跟踪算法中被广泛采用。贝叶斯跟踪、卡尔曼滤波粒子过滤器隐藏的马尔可夫模型动态贝叶斯模型、卡尔曼滤波、基本思路：本质上卡尔曼滤波设备是具有噪声线性动态系统状态估计的递归算法、持续预测和修正过程。线性卡尔曼滤波设备是假设系统状态模型和观测模型都是线性的，与高斯分布一致，噪声也是高斯分布的最佳过滤器。限制：但是，典型的卡尔曼滤波算法要求系统是线性高斯类型，因此不能在非线性郑智薰高斯

4、环境下直接求解目标的估计问题。为此，开发了多种非线性滤波算法，即将非线性系统局部线性化的扩展卡尔曼算法(EKF)牙齿，间接使用卡尔曼算法(Calman)进行滤波和预测。但是，仅适用于过滤器错误和预测误差较小的情况。否则，如果初始过滤器的协方差太快，过滤器可能会不稳定或发散。修改增益的推广卡尔曼滤波算法(UKF)通过改进增益矩阵提高了状态协方差的预期性能，但对测量误差存在限制。如果测量误差很大，则在收敛精度、收敛时间和稳定性方面进行无算法理想。粒子滤镜，这两个茄子变形扩展了KF的应用范围，但不能处理高斯非线性模型。此时必须使用粒子过滤器(PF)。由于运动变化、目标变形、非刚体、缩放曹征等问题，定

5、义可靠分布函数非常困难，因此PF引入了预退化问题，从而引入了重采样技术。除了KF和PF外，隐藏的Markov模型(HMMs)和动态贝叶斯模型(DBNs)也是贝叶斯框架中的重要可视跟踪方法。HMMs和DBNs将移动目标的内部状态和观察度量显示为状态变量(向量)，DBNs使用一组状态随机变量(向量)，并在两者之间建立概率关联。HMMs将系统建模为马尔可夫过程。基于运动检测的目标跟踪算法，基本思路：在序列图像中检测目标和背景的徐璐不同的运动，发现目标存在的区域进行跟踪。光流方法：光流算法是代表基于运动检测的目标跟踪的代表性算法。光流是空间运动物体在图像平面中的像素运动的瞬时速度，光流矢量是图像平面坐

6、标点的灰度图像瞬时变化率。光流的计算利用图像序列中像素灰度图像分布的时域变化及其相关性确定每个像素位置的运动，研究图像灰度的时间变化及其与场景中对象结构和运动的关系。将2D速度场与灰度相关联，并引入光流约束方程，从而实现光流计算的基本算法。优点和缺点：光流场方法可以很好地用于二维运动估计，同时提供全局点的运动估计，但本身存在一些茄子问题。需要重复多次，计算速度慢，不利于实时应用。核方法，算法思想：相似概率密度函数或后概率密度函数直接连续估计。Mean shift:平均偏移方法。使用颜色直方图作为匹配要素。Mean Shift跟踪算法反复在MeanShift矢量方向上移动数据点，最终收敛到特定概

7、率密度函数极值。在Mean Shift跟踪算法中，相似性函数用于描述目标模板和候选区域对应的两个核函数直方图的相似性，并使用Bhattacharyya系数。因此，牙齿方法将跟踪问题转换为Mean Shift模式匹配问题。核函数是Mean Shift算法的核心，通过尺寸空间差的局部最大化选择核尺寸，利用高斯差分计算尺寸空间差，得到高斯差分Mean Shift算法。优点和缺点：Mean Shift算法假设功能直方图目标位置确定，并且足够坚固，对其他运动不敏感。使用牙齿方法，可以避免目标形状、形状或运动的复杂建模，并可以建立相似性的统计测量和连续最优化之间的连接。但是，Mean Shift算法不能用

8、于旋转和尺寸运动估计。为了解决这些问题，提出了许多增强功能，包括多核心处理器跟踪算法、多核心处理器协作跟踪算法和有效的最佳核心平移算法。多功能融合跟踪，基本思路：使用多功能描述目标是一种非常有效的强有力的跟踪方法。可以在相同或不同的传感器上使用多种功能，如颜色和轮廓、颜色和渐变、Haar-Like功能和边、角、颜色和轮廓、颜色和边、颜色和Wi-Fi三角剖分。在贝叶斯框架中，可以通过两种茄子方法合并多个要素。1)假定特征之间具有统计独立，可以将多个特征合并为加权总和。2)假设多个要素之间的条件关联遵循线性约束，则可以用每个要素相似性概率密度分布的线性组合表示相似性概率密度分布。towards r

9、obust multi-cue integration for visual tracking、基于强大多线程融合技术的目标跟踪perceptual computing and computer vision group、eth zurice switties示例：要估计二维空间目标运动，请执行以下操作：M(j)表示映射，r(j)表示映射参数，多线程融合模型，模型构建模型估计反馈曹征参数rc(t)和rj (t)，democratic integration，算法思想：5条线索同时每个线索都是自适应的但是要满足两个茄子家庭：首先，各线索的共同推定必须占据主导地位。第二，环境变化对视觉线索的影响微

10、乎其微。将输入量S(t)除以五个茄子线索：强度特征、颜色特征、运动特征、变形特征、对照特征。每个特征都是自适应的。根据以前特征的影响调整各自的权重Wi，以适应不断变化的环境。集成为多状态显示的预测方案。估计目标位置定义为合并的概率分布最大响应，提要回退。自适应权重在两个茄子层级上为1。调整自组织多线程融合。其中qi(t)，2 .自适应单线索观察f函数：提取适当的要素矢量，分析Democratic integration方法的局限性，颜色突变情况，soccer sequence，two person sequence，integration wizard在选定要素突变时调整权重会出错例如，文献1

11、2提供了考虑上下文的跟踪算法设计。牙齿算法使用数据挖掘技术从视频获得辅助目标，用于跟踪辅助目标。通过对目标和这些辅助目标的协作跟踪，您可以获得有效的跟踪性能。在此，辅助目标是至少在短时间内与目标同时出现，具有与目标相同的相关性运动，并且比目标更容易跟踪的视频内容。文献13在跟踪算法期间同时使用目标和目标周围的背景几何图形，以确定跟踪是否使用了目标几何图形，以及是否隐藏了目标。3 .存在的问题，1。移动目标的精确分割动态环境、照明、阴影等因素会影响帧图像。2.移动目标的互阻目标丢失后，如何重新获得目标的引导方法？3.提取运动目标的稳定特征提取对象的某些特征，可以获得更好的跟踪效果。4.在三维坐标

12、下运动模型的建立可以考虑到二维模型的角度和遮挡处理的脆弱性。5.实时问题提高了目标的准确性和实时性。4由于总结、发展和展望、目标跟踪任务的复杂性，必须根据不同的应用选择不同的跟踪方法。系统设计应根据特定精度要求、健壮性要求、计算复杂性要求和实际要求使用不同的算法方法。多种技术的共同应用可以有效地克服单一技术的局限性。因此，目标跟踪算法方向发展为多模式跟踪、多功能融合跟踪、具有目标的上下文跟踪。，工具书，1。谣言、黄爱民、虞卿、动态场景中的移动目标跟踪方法研究，2006 2。梁正宇，基于直方图模式的移动目标实时跟踪算法，侯明昊，任命务，2004.3 3 3。蔡英泰。非线性自适应rega zzon

13、i m c s . Bayesian tracking for video analyticsj。IEEE signal processing magazine，2010，27(5) 5。王宇。基于mm的34(6) 6。WU Ying，fan Ji alue . contextual flow c/proc . 2009 IEEE international conference on computer vision五元号，王明歌，吴庆祥，视频目标跟踪算法摘要周，基于视觉的运动目标跟踪算法研究与实现，东北大学硕士论文，2008 9。薛建宇，郑南宁，钟道具，平林江2008 10.m. Spengler a