計算機視覺與應(yīng)用 課件 6.1 目標(biāo)跟蹤簡介

6.1目標(biāo)跟蹤簡介CONTENTS目錄跟蹤概念01主要應(yīng)用02發(fā)展趨勢03CONTENTS目錄跟蹤概念01主要應(yīng)用02發(fā)展趨勢03目標(biāo)跟蹤：對視頻中特定目標(biāo)進(jìn)行連續(xù)定位追蹤的過程。目標(biāo)跟蹤是計算機視覺領(lǐng)域的重要應(yīng)用分支，在智能安防、社區(qū)監(jiān)控、目標(biāo)行為分析、交通監(jiān)控、公安刑偵、輔助醫(yī)療、視頻壓縮、軍事偵察、目標(biāo)打擊等領(lǐng)域有著舉足輕重的作用。目標(biāo)跟蹤概念目標(biāo)跟蹤與目標(biāo)檢測的區(qū)別：目標(biāo)檢測是自動化目標(biāo)跟蹤的前提，為目標(biāo)跟蹤提供要追蹤的目標(biāo)模板圖像；目標(biāo)檢測只能完成目標(biāo)的框定，無法實現(xiàn)不同視頻幀之間的目標(biāo)關(guān)聯(lián)，進(jìn)而不能實現(xiàn)同個視頻中的多目標(biāo)跟蹤，以及不同視頻中目標(biāo)的持續(xù)追蹤；目標(biāo)跟蹤旨在挖掘連續(xù)圖像幀中目標(biāo)的局部及全部關(guān)聯(lián)性，實現(xiàn)對目標(biāo)的持續(xù)追蹤，并實現(xiàn)其運動軌跡的預(yù)測和繪制。目標(biāo)跟蹤概念目標(biāo)跟蹤實現(xiàn)流程：一般分為特征提取、運動模型構(gòu)建、外觀模型構(gòu)建、模型在線更新。

1)特征提取：提取的特征要適用于目標(biāo)跟蹤的特征一般要求，既能較好地描述跟蹤目標(biāo)又能快速計算。常見的圖像特征有灰度特征、顏色特征、紋理特征、Har-like矩形特征、興趣點特征、超像素特征等。Har-like特征HoG特征目標(biāo)跟蹤概念目標(biāo)跟蹤實現(xiàn)流程：一般分為特征提取、運動模型構(gòu)建、外觀模型構(gòu)建、模型在線更新。

2)運動模型構(gòu)建：運動模型旨在描述幀與幀目標(biāo)運動狀態(tài)之間的關(guān)系，顯式或隱式地在視頻幀中預(yù)測目標(biāo)圖像區(qū)域，并給出一組可能的候選區(qū)域。經(jīng)典的運動模型有均值漂移(Meanshift)、滑動窗口(Slidewindow)、卡爾曼濾波(KalmanFiltering)、粒子濾波(ParticleFiltering)等等。Mean-shift跟蹤算法目標(biāo)跟蹤概念目標(biāo)跟蹤實現(xiàn)流程：一般分為特征提取、運動模型構(gòu)建、外觀模型構(gòu)建、模型在線更新。

3)外觀模型構(gòu)建：外觀模型的作用是在當(dāng)前幀中判決候選圖像區(qū)域為被跟蹤目標(biāo)的可能性。提取圖像區(qū)域的視覺特征，輸入外觀模型進(jìn)行匹配或決策，最終確定被跟蹤目標(biāo)的空間位置。在視覺跟蹤的4個基本組成中，外觀模型處于核心地位，如何設(shè)計一個魯棒的外觀模型是在線視覺跟蹤算法的關(guān)鍵。目標(biāo)跟蹤概念目標(biāo)跟蹤實現(xiàn)流程：一般分為特征提取、運動模型構(gòu)建、外觀模型構(gòu)建、模型在線更新。

4)在線更新機制：為捕捉目標(biāo)(和背景)在跟蹤過程中的變化，目標(biāo)跟蹤需要在線更新機制，在跟蹤過程中不斷更新外觀模型。常見的外觀模型更新方式有模板更新、增量子空間學(xué)習(xí)算法及在線分類器等。如何設(shè)計一個合理的在線更新機制，既能捕捉目標(biāo)(和背景)的變化又不會導(dǎo)致模型退化，也是目標(biāo)跟蹤研究的一個關(guān)鍵問題。目標(biāo)跟蹤概念CONTENTS目錄跟蹤概念01主要應(yīng)用02發(fā)展趨勢03智能安防監(jiān)控：主要用于關(guān)注人員的監(jiān)控、公共場所的人流分析。目標(biāo)跟蹤主要應(yīng)用交通監(jiān)控：主要用于交通違法違規(guī)記錄、跟蹤，嫌疑車輛的搜尋與追蹤。目標(biāo)跟蹤主要應(yīng)用軍事目標(biāo)跟蹤：主要用于軍事偵察、武器攻擊鎖定。目標(biāo)跟蹤主要應(yīng)用CONTENTS目錄跟蹤概念01主要應(yīng)用02發(fā)展趨勢03目標(biāo)跟蹤方法目前大致分為三類：1）生成式模型跟蹤：通過在線學(xué)習(xí)方式建立目標(biāo)模型，然后使用模型搜索重建誤差最小的圖像區(qū)域，完成目標(biāo)定位。該類方法未考慮目標(biāo)的背景信息，圖像信息沒有得到較好的應(yīng)用。該方法在當(dāng)前幀對目標(biāo)區(qū)域建模，下一幀尋找與模型最相似的區(qū)域為目標(biāo)的預(yù)測位置，比較著名的有卡爾曼濾波，粒子濾波，mean-shift等。目標(biāo)跟蹤發(fā)展目標(biāo)跟蹤方法目前大致分為三類：2）判別式模型跟蹤：該類方法將目標(biāo)跟蹤看作是一個二元分類問題，同時提取目標(biāo)和背景信息用來訓(xùn)練分類器，將目標(biāo)從圖像序列背景中分離出來，從而得到當(dāng)前幀的目標(biāo)位置。該方法采用了視覺語義中的經(jīng)典套路圖像特征+機器學(xué)習(xí)，當(dāng)前幀以目標(biāo)區(qū)域為正樣本，背景區(qū)域為負(fù)樣本，機器學(xué)習(xí)方法訓(xùn)練分類器，下一幀用訓(xùn)練好的分類器找最優(yōu)區(qū)域。此類方法與生成類方法最大的區(qū)別是，分類器采用機器學(xué)習(xí)，訓(xùn)練中用到了背景信息，因此，分類器可專注區(qū)分前景和背景，跟蹤效果優(yōu)于生成模型類。KCF跟蹤算法流程目標(biāo)跟蹤發(fā)展目標(biāo)跟蹤方法目前大致分為兩類：3）基于深度學(xué)習(xí)的跟蹤：該類方法通過預(yù)先訓(xùn)練目標(biāo)的深度特征模型，融入到相關(guān)濾波進(jìn)行在線目標(biāo)跟蹤，此類方法已成為目前跟蹤領(lǐng)域的發(fā)展趨勢?；谏疃葘W(xué)習(xí)的算法流程目標(biāo)跟蹤發(fā)展目標(biāo)跟蹤的發(fā)展趨勢相比于光流法、Kalman、Meanshift等傳統(tǒng)算法，相關(guān)濾波類算法跟蹤速度更快，深度學(xué)習(xí)類方