多目標追蹤演算法

『壹』 opencv中目標跟蹤的演算法有哪些

是對MeanShift演算法的改進演算法，可以在跟蹤的過程中隨著目標大小的變化實時調整搜索窗口大小，對於視頻序列中的每一幀還是採用MeanShift來尋找最優迭代結果，至於如何實現自動調整窗口大小的，

『貳』 目標跟蹤都有那些演算法

目標跟蹤,利用相鄰兩幀的區域匹配從圖像序列中建立目標鏈,跟蹤目標從進入監視范圍到駛離監視范圍的整個過程。首稱要確定匹配准則。常用的圖像匹配方法有Hausdorff距離區域法和圖像互相關。

『叄』 計算機視覺中，目前有哪些經典的目標跟蹤演算法

跟蹤是一個很混亂的方向。

比如TLD、CT、Struct這些效果不錯的Tracker其實都不是單純的Tracker了。09年的時候我記得比較流行的是Particle Filtering， 或者一些MeanShift/CamShift的變形，比如特徵變了，比如對問題的假設變了。

後來突然出現一些tracking by detection的方法，之前的很多朋友就覺得這是耍流氓。比如TLD，嚴格的跟蹤演算法也許只是裡面的Forward/Backward Opitcal Flow的部分，但是效果很Impressive，所以不管怎樣，一下就火了。

之後所謂的跟蹤就不再是一個傳統的跟蹤問題，而是一個綜合的工程問題。online learning，random projection ，sparse learning的東西都加進來，大家其實到底是在做跟蹤還是在做檢測或者online learning，其實已經不重要，因為衡量的標準是你在某些public dataset上的精度。

但這些對實際的項目有沒有幫助呢？

這是個很有意思的地方，在很多時候，我們之所以需要跟蹤演算法，是因為我們的檢測演算法很慢，跟蹤很快。基本上當前排名前幾的跟蹤演算法都很難用在這樣的情況下，因為你實際的速度已經太慢了，比如TLD，CT，還有Struct，如果目標超過十個，基本上就炸了。況且還有些跟蹤演算法自己drift掉了也不知道，比如第一版本的CT是無法處理drift的問題的，TLD是可以的，究其原因還是因為檢測演算法比較魯棒啊……

實際中我覺得速度極快，實現也簡單的純跟蹤演算法居然是NCC和Overlap。

NCC很簡單，這個是對點進行的，對於區域也有很多變種，網上有一些相關的資源。

Overlap是我取的名字，一般用在裡面，假如你的攝像頭是靜止的，背景建模之後出來的前景可以是一個一個的blob，對相鄰兩幀的blob檢測是否Overlap就可以得到track。在一些真實場景下，這個演算法是非常有效的。關於背景template的問題在真實的裡面也是很好解決的。

坐在電腦前面調試代碼tuning 各種閾值讓跟蹤演算法在某一個幀下面不要drift的事情我是再也不想幹了。
順祝你2015幸福快樂。

『肆』 自動跟蹤的跟蹤演算法

質心跟蹤演算法：這種跟蹤方式用於跟蹤有界目標，且目標與環境相比有明顯不同灰度等級，如空中飛機等。目標完全包含在鏡頭視場范圍內。

相關跟蹤演算法：相關可用來跟蹤多種類型的目標，當跟蹤目標無邊界且動態不是很強時這種方式非常有效。典型應用於：目標在近距離的范圍，且目標擴展到鏡頭視場范圍外，如航行在大海中的一艘船。

相位相關演算法：相位相關演算法是非常通用的演算法，既可以用來跟蹤無界目標也可以用來跟蹤有界目標。在復雜環境下（如地面的汽車）能給出一個好的效果。

多目標跟蹤演算法：多目標跟蹤用於有界目標如飛機、地面汽車等。它們完全在跟蹤窗口內。對復雜環境里的小目標跟蹤，本演算法能給出一個較好的性能。
邊緣跟蹤演算法：當跟蹤目標有一個或多個確定的邊緣而同時卻又具有不確定的邊緣，這時邊緣跟蹤是最有效的演算法。典型如火箭發射，它有確定好的前邊緣，但尾邊緣由於噴氣而不定。

場景鎖定演算法：該演算法專門用於復雜場景的跟蹤。適合於空對地和地對地場景。這個演算法跟蹤場景中的多個目標，然後依據每個點的運動，從而估計整個場景全局運動，場景中的目標和定位是自動選擇的。當存在跟蹤點移動到攝像機視場外時，新的跟蹤點能自動被標識。瞄準點初始化到場景中的某個點，跟蹤啟動，同時定位瞄準線。在這種模式下，能連續跟蹤和報告場景里的目標的位置。

組合跟蹤演算法：顧名思義這種跟蹤方式是兩種具有互補特性的跟蹤演算法的組合：相關類演算法 + 質心類演算法。它適合於目標尺寸、表面、特徵改變很大的場景。

『伍』 現在所說的多目標跟蹤是在單攝像頭還是多攝像頭下的

一、靜態背景下的目標跟蹤方法1、單目標：目標跟蹤還可以分為單目標的跟蹤和多目標的跟蹤。單目標的靜態背景下的目標跟蹤指的是攝像頭是固定在某一方位，其所觀察的視野也是靜止的。通常採用背景差分法，即先對背景進行建模，然後從視頻流中讀取圖像（我們稱之為前景圖像），將前景圖像與背景圖像做差，就可以得到進入視野的目標物體。對於目標的描述，通常用目標連通區域的像素數目的多少來表達目標的大小，或者用目標區域的高寬比等。目標的位置信息可採用投影的方式來定位。2、多目標：靜態環境下的多目標跟蹤，需要確定每個目標的特徵，位置，運動方向，速度等信息。3、預處理：由於獲得的圖像總會有著雜訊，需要對圖像做一些預處理，如高斯平滑，均值濾波，或者進行一些灰度拉伸等圖像增強的操作。二、動態背景下的目標跟蹤 攝像頭在雲台控制下的旋轉，會使得他所採集的圖像時可在變化，所以，對於整個目標跟蹤過程來說，背景是變化，目標也是在整個過程中運動的，所以跟蹤起來較有難度。 目前課題組提出的方案是：跟蹤過程：在攝像頭不同偏角情況下取得若干背景圖片，建立背景圖片庫――>攝像頭保持固定時，取得當前幀圖片，與圖片庫中的背景圖像匹配，背景差分(灰度差分？)，獲得目標――>目標特徵提取――>實時獲得當前幀圖片，採用跟蹤演算法動態跟蹤目標。 提取特徵是一個難點，課題組提出多顏色空間分析的方法。根據彩色圖像在不同的顏色空間里表徵同一物體呈現出的同態性，可以把目標物體在不同的顏色空間里進行分解，並將這些關鍵特徵信息進行融合，從而找出判別目標的本質特徵。跟蹤過程中採用的各種方法說明：1）在0－360度不同偏角時，獲得背景圖片，可進行混合高斯背景建模，建立圖片庫，以俯仰角和偏轉角不同標志每張背景圖片，以備匹配使用；2）背景差分獲得目標後，對差分圖像需要進行平滑、去噪等處理，去除干擾因素；3）對目標採用多顏色空間（HSV、YUV）特徵提取，對不同顏色空間的特徵相與（AND），得到目標特徵，以更好的在當前幀圖片中找到目標；4）實時得到的當前幀圖片，進行混合高斯建模，排除樹葉搖動等引起的背景變化；5）跟蹤演算法可採用多子塊匹配方法、camshift方法等。

『陸』 目標跟蹤演算法好處

目標跟蹤演算法好處是：
1、可以提高後續檢測的准確性。
2、能夠掌握目標的運動狀態。

『柒』 如何實現多種目標跟蹤演算法並行實現對比

本文通過理論和實際的分析，提出一種在以矩不變數為特徵的目標跟蹤系統中引入並行計算機處理的演算法，該演算法將目標跟蹤過程中的特徵提取和模塊匹配演算法結合起來進行合理劃分，使得在每個控制間隔里，兩部分交換信息後分別同時計算，從而在任務級上實現並行處理。

『捌』 視覺追蹤的分類

（1）單攝像頭與多攝像頭
在視頻跟蹤的過程中，根據使用的攝像頭的數目，可將目標跟蹤方法分為單攝像頭跟蹤方法（Monocular camera）與多攝像頭跟蹤方法（Multiple cameras）。由於單攝像頭視野有限，大范圍場景下的目標跟蹤需要使用多攝像頭系統。基於多個攝像頭的跟蹤方法有利於解決遮擋問題，場景混亂、環境光照突變情況下的目標跟蹤問題。
（2）攝像頭靜止與攝像頭運動
在實際的目標跟蹤系統中，攝像頭可以是固定在某個位置，不發生變化，也可以是運動，不固定的。例如，對於大多數的視頻監視系統而言，都是在攝像機靜止狀態下，對特定關注區域進目標的識別跟蹤；而在視覺導航等的應用系統中，攝像頭往往隨著無人汽車、無人機等載體進行運動。
（3）單目標跟蹤與多目標跟蹤
根據跟蹤目標的數量可以將跟蹤演算法分為單目標跟蹤與多目標跟蹤。相比單目標跟蹤而言，多目標跟蹤問題更加復雜和困難。多目標跟蹤問題需要考慮視頻序列中多個獨立目標的位置、大小等數據，多個目標各自外觀的變化、不同的運動方式、動態光照的影響以及多個目標之間相互遮擋、合並與分離等情況均是多目標跟蹤問題中的難點。
（4）剛體跟蹤與非剛體跟蹤
根據被跟蹤目標的結構屬性，可將跟蹤目標分為剛體與非剛體。所謂剛體，是指具備剛性結構、不易形變的物體，例如車輛等目標；非剛體通常指外形容易變形的物體，例如布料表面、衣服表面等。針對剛體目標的跟蹤一直得到廣泛深入的研究，而非剛體目標的跟蹤，由於目標發生變形以及出現自身遮擋等現象，不能直接應用基於剛體目標的跟蹤演算法針對非剛體目標的跟蹤一直是非常困難並且具有挑戰性的課題。
（5）可見光與紅外圖像的目標跟蹤
根據感測器成像的類型不同，目標跟蹤還可以分為基於可見光圖像的跟蹤和基於紅外圖像的跟蹤。目標的紅外圖像和目標的可見光圖像不同，它不是人眼所能看到的可見光圖像，而是目標表面溫度分布的圖像。紅外圖像屬於被動式成像，無需各種光源照明，全天候工作，安全隱敝，使用方便；紅外光較之可見光的波長長得多，透煙霧性能較好，可在夜間工作。可見光圖像具有光譜信息豐富、解析度高、動態范圍大等優點，但在夜間和低能見度等條件下，成像效果差。
比較常用的目標跟蹤演算法有以下幾種：基於目標運動特徵的跟蹤演算法，如：幀差分法、基於光流的跟蹤方法等；基於視頻序列前後相關性的目標跟蹤演算法，如：基於模板的相關跟蹤演算法、基於特徵點的相關跟蹤演算法等；基於目標特徵參數的跟蹤演算法，如基於輪廓的跟蹤演算法、基於特徵點的跟蹤演算法等。另外，很多研究者將小波、人工智慧、神經網路等相關知識應用於目標跟蹤領域，並取得了很好的效果。以上這些演算法各有其優缺點，應該根據應用場合進行選擇。