【无人机学习笔记9】运动目标跟踪算法综述.pdfVIP

【⽆⼈机学习笔记9】运动⽬标跟踪算法综述 　　运动⽬标跟踪是视频监控系统中不可缺少的环节。在特定的场景中，有⼀些经典的算法可以实现⽐较好的⽬标跟踪效果。本⽂介绍了⼀ 般的⽬标跟踪算法，对⼏个常⽤的算法进⾏对⽐，并详细介绍了粒⼦滤波算法和基于轮廓的⽬标跟踪算法。最后简单介绍了⽬标遮挡的处 理、多摄像头⽬标跟踪和摄像头运动下的⽬标跟踪。 ⼀、⼀般的⽬标跟踪算法 　　⼀般将⽬标跟踪分为两个部分:特征提取、⽬标跟踪算法。其中提取的⽬标特征⼤致可以分为以下⼏种： 　　1） 以⽬标区域的颜⾊直⽅图作为特征，颜⾊特征具有旋转不变性，且不受⽬标物⼤⼩和形状的变化影响，在颜⾊空间中分布⼤致相 同。 　　2） ⽬标的轮廓特征，算法速度较快，并且在⽬标有⼩部分遮挡的情况下同样有较好的效果。 　　3) ⽬标的纹理特征，纹理特征较轮廓特征跟踪效果会有所改善。 　　⽬标跟踪的算法⼤致可以分为以下四种： 　　1) 均值漂移算法，即meanshift算法，此⽅法可以通过较少的迭代次数快速找到与⽬标最相似的位置，效果也挺好的。但是其不能解 决⽬标的遮挡问题并且不能适应运动⽬标的的形状和⼤⼩变化等。对其改进的算法有camshift算法，此⽅法可以适应运动⽬标的⼤⼩形状 的改变，具有较好的跟踪效果，但当背景⾊和⽬标颜⾊接近时，容易使⽬标的区域变⼤，最终有可能导致⽬标跟踪丢失。 　　2) 基于Kalman滤波的⽬标跟踪，该⽅法是认为物体的运动模型服从⾼斯模型，来对⽬标的运动状态进⾏预测，然后通过与观察模型进 ⾏对⽐，根据误差来更新运动⽬标的状态，该算法的精度不是特⾼。 　　3) 基于粒⼦滤波的⽬标跟踪，每次通过当前的跟踪结果重采样粒⼦的分布，然后根据粒⼦的分布对粒⼦进⾏扩散，再通过扩散的结果 来重新观察⽬标的状态，最后归⼀化更新⽬标的状态。此算法的特点是跟踪速度特别快，⽽且能解决⽬标的部分遮挡问题，在实际⼯程应⽤ 过程中越来越多的被使⽤。 　　4) 基于对运动⽬标建模的⽅法。该⽅法需要提前通过先验知识知道所跟踪的⽬标对象是什么，⽐如车辆、⾏⼈、⼈脸等。通过对要跟 踪的⽬标进⾏建模，然后再利⽤该模型来进⾏实际的跟踪。该⽅法必须提前知道要跟踪的⽬标对象是什么，然后再去跟踪指定的⽬标，这是 它的局限性，因⽽其推⼴性相对⽐较差。 ⼆、基于粒⼦滤波的运动⽬标跟踪 　　粒⼦滤波实现运动⽬标跟踪分为四个步骤：1)初始化提取运动⽬标特征；2）特征搜索阶段；3）决策阶段；4）粒⼦重采样。这后⾯三 个过程的依次循环实现的对运动⽬标的跟踪。 　　1）提取运动⽬标特征 　　这个阶段需要通过⼈机交互选定待跟踪的⽬标，通过计算跟踪⽬标的特征，如⽬标的颜⾊特征,计算该区域颜⾊空间的直⽅图，以此作为 描述⽬标的特征。 　　2）特征搜索阶段 　　初始化提取了⽬标的特征后，就可以去在⽬标的周围撒粒⼦搜索⽬标对象。撒粒⼦的⽅法有很多，例如：a)均匀分布的放：即在整个视 频画⾯中均匀的撒粒⼦。b)在⽬标的附近以⾼斯分布来撒粒⼦，即靠近⽬标的地⽅多撒些，离⽬标较远的地⽅少放些。每个粒⼦按照初始化 时候得到的⽬标特征计算出它所处的位置的颜⾊特征，并计算该直⽅图向量与⽬标的直⽅图向量的相似性程度。然后对每个粒⼦与⽬标计算 出的相似度做归⼀化，使得所有粒⼦的相似度加起来和等于1。 　　3）决策阶段 　　根据每个粒⼦与⽬标的相似程度做加权平均。设第i个粒⼦的坐标是,它和⽬标的相似度是,则⽬标的最可能的位置为：,，n为粒⼦的个 数。 　　4）粒⼦重采样 　　粒⼦重采样就是根据相似度的⼤⼩重新分配粒⼦的个数，即在相似度最⾼的粒⼦出放更多的粒⼦，在相似度低的粒⼦那少放粒⼦。粒⼦ 滤波算法的核⼼思想就是粒⼦的随机采样和粒⼦的重要性重采样。因为不知道⽬标在那个位置，就随机的进⾏撒粒⼦。撒完粒⼦后，根据描 述⽬标的特征相似度来计算每个粒⼦的相似度，然后在相似度⾼的地⽅多撒些粒⼦，相似度低的地⽅少撒粒⼦，这就是粒⼦滤波的思想。 三、基于轮廓的跟踪 　　形状复杂的⽬标是很难⽤简单的⼏何形状来描述的。基于轮廓的⽬标跟踪⽅法提供了更准确的形状描述。这种⽅法的主要思想是利⽤前 ⼀帧建⽴的⽬标模型找到当前帧的⽬标区域。模型可以是⽬标区域的颜⾊直⽅图、边缘或轮廓。基于轮廓的⽬标跟踪⽅法⼤体上可以分为形 状匹配、轮廓跟踪。前者搜索⽬标在当前帧特征,后者通过状态空间模型或直接最⼩化能量函数推导初始轮廓在当前帧的位置。 1、形状匹配⽅法 　　这种⽅法和基于模板的⽬标跟踪⽅法相似，基本思想都是在当前帧中搜索⽬标的轮廓和⽬标的相关模型。另⼀种⽅法是在连续帧中寻找 关联轮廓，使⽤⽬标的外观特征，建⽴轮廓关联，或者称为轮廓匹配，和点匹配