(1)基于區(qū)域的跟蹤算法
視覺追蹤
基于區(qū)域的跟蹤算法基本思想是:將目標初始所在區(qū)域的圖像塊作為目標模板,將目標模板與候選圖像中所有可能的位置進行相關匹配,匹配度最高的地方即為目標所在的位置。最常用的相關匹配準則是差的平方和準則,(Sum of Square Difference,SSD)。起初,基于區(qū)域的跟蹤算法中所用到的目標模板是固定的,如 Lucas 等人提出 Lucas-Kanade 方法,該方法利用灰度圖像的空間梯度信息尋找最佳匹配區(qū)域,確定目標位置。之后,更多的學者針對基于區(qū)域方法的缺點進行了不同的改進,如:Jepson 等人提出的基于紋理特征的自適應目標外觀模型,該模型可以較好的解決目標遮擋的問題,且在跟蹤的過程中采用在線 EM 算法對目標模型進行更新;Comaniciu 等人提出了基于核函數(shù)的概率密度估計的視頻目標跟蹤算法,該方法采用核直方圖表示目標,通過 Bhattacharya 系數(shù)計算目標模板與候選區(qū)域的相似度,通過均值漂移(MeanShift)算法快速定位目標位置。 基于區(qū)域的目標跟蹤算法采用了目標的全局信息,比如灰度信息、紋理特征等,因此具有較高的可信度,即使目標發(fā)生較小的形變也不影響跟蹤效果,但是當目標發(fā)生較嚴重的遮擋時,很容易造成跟蹤失敗。
(2)基于特征的跟蹤方法
基于特征的目標跟蹤算法通常是利用目標的一些顯著特征表示目標,并通過特征匹配在圖像序列中跟蹤目標。該類算法不考慮目標的整體特征,因此當目標被部分遮擋時,仍然可以利用另一部分可見特征完成跟蹤任務,但是該算法不能有效處理全遮擋、重疊等問題。
基于特征的跟蹤方法一般包括特征提取和特征匹配兩個過程:
a) 特征提取
所謂特征提取是指從目標所在圖像區(qū)域中提取合適的描繪性特征。這些特征不僅應該較好地區(qū)分目標和背景,而且應對目標尺度伸縮、目標形狀變化、目標遮擋等情況具有魯棒性。常用的目標特征包括顏色特征、灰度特征、紋理特征、輪廓、光流特征、角點特征等。D.G. Lowe 提出 SIFT(Scale Invariant Feature Transform)算法是圖像特征中效果較好的一種方法,該特征對旋轉(zhuǎn)、尺度縮放、亮度變化具有不變性,對視角變化、仿射變換、噪聲也具有一定的穩(wěn)定性。 b) 特征匹配
特征匹配就是采用一定的方式計算衡量候選區(qū)域與目標區(qū)域的相似性,并根據(jù)相似性確定目標位置、實現(xiàn)目標跟蹤。在計算機視覺領域中,常用的相似性度量準則包括加權距離、Bhattacharyya 系數(shù)、歐式距離、Hausdorff 距離等。其中,Bhattacharyya 系數(shù)和歐式距離最為常用。
Tissainayagam 等人提出了一種基于點特征的目標跟蹤算法。該算法首先在多個尺度空間中尋找局部曲率最大的角點作為關鍵點,然后利用提出的MHT-IMM 算法跟蹤這些關鍵點。這種跟蹤算法適用于具有簡單幾何形狀的目標,對于難以提取穩(wěn)定角點的復雜目標,則跟蹤效果較差。 Zhu 等人提出的基于邊緣特征的目標跟蹤算法,首先將參考圖像劃分為多個子區(qū)域,并將每個子區(qū)域的邊緣點均值作為目標的特征點,然后利用類似光流的方法進行特征點匹配,從而實現(xiàn)目標跟蹤。
(3)基于輪廓的跟蹤方法
基于輪廓的目標跟蹤方法需要在視頻第一幀中指定目標輪廓的位置,之后由微分方程遞歸求解,直到輪廓收斂到能量函數(shù)的局部極小值,其中,能量函數(shù)通常與圖像特征和輪廓光滑度有關。與基于區(qū)域的跟蹤方法相比,基于輪廓的跟蹤方法的計算復雜度小,對目標的部分遮擋魯棒。但這種方法在跟蹤開始時需要初始化目標輪廓,因此對初始位置比較敏感,跟蹤精度也被限制在輪廓級。
Kass 等人于 1987 年提出的活動輪廓模型(Active Contour Models,Snake),通過包括圖像力、內(nèi)部力和外部約束力在內(nèi)的三種力的共同作用控制輪廓的運動。內(nèi)部力主要對輪廓進行局部的光滑性約束,圖像力則將曲線推向圖像的邊緣,而外部力可以由用戶指定,主要使輪廓向期望的局部極小值運動,。
Paragios 等人提出了一種用水平集方法表示目標輪廓的目標檢測與跟蹤算法,該方法首先通過幀差法得到目標邊緣,然后通過概率邊緣檢測算子得到目標的運動邊緣,通過將目標輪廓向目標運動邊緣演化實現(xiàn)目標跟蹤。 (4)基于模型的跟蹤方法
在實際應用中,我們需要跟蹤的往往是一些特定的我們事先具有認識的目標,因此,基于模型的跟蹤方法首先根據(jù)自己的先驗知識離線的建立該目標的 3D 或2D 幾何模型,然后,通過匹配待選區(qū)域模型與目標模型實現(xiàn)目標跟蹤,進而在跟蹤過程中,根據(jù)場景中圖像的特征,確定運動目標的各個尺寸參數(shù)、姿態(tài)參數(shù)以及運動參數(shù)。
Shu Wang 等人提出一種基于超像素的跟蹤方法,該方法在超像素基礎上建立目標的外觀模板,之后通過計算目標和背景的置信圖確定目標的位置,在這個過程中,該方法不斷通過分割和顏色聚類防止目標的模板漂移。 (5)基于檢測的跟蹤算法
基于檢測的跟蹤算法越來越流行。一般情況下,基于檢測的跟蹤算法都采用一點學習方式產(chǎn)生特定目標的檢測器,即只用第一幀中人工標記的樣本信息訓練檢測器。這類算法將跟蹤問題簡化為簡單的將背景和目標分離的分類問題,因此這類算法的速度快且效果理想。這類算法為了適應目標外表的變化,一般都會采用在線學習方式進行自更新,即根據(jù)自身的跟蹤結(jié)果對檢測器進行更新。