2025《多目标跟踪算法课题国内外发展现状文献综述》2900字.docxVIP

PAGE

PAGE3

PAGE

PAGE119

多目标跟踪算法课题国内外发展现状文献综述

在多目标跟踪研究方面，国内外机构对其进行了广泛的研究。国际上有许多著名的期刊和会议也对这一研究方向进行了紧密的关注，其中最有名的计算机视觉三大顶尖会议是ICCV和CVPR以及ECCV，每年都会有大量关于目标跟踪的相关论文发表，对该领域领先的算法进行讨论研究。国内外也有许多高校和研究所有专门的实验室对智能驾驶车采集的视频序列中多运动目标检测、跟踪与相关特征提取的技术做了深入研究，例如外国有美国卡耐基梅隆大学、美国伯克利大学、英国牛津大学等，国内有清华大学、哈尔滨工业大学、北京邮电大学、天津大学等大学和研究所，不断的推动着该领域向前发展[4]。

1.1目标检测的发展现状

目标检测，也称之为目标提取。包括目标分割和识别，目标分割就是对图像按照某个特定的要求进行分割，然后对感兴趣的区域进行进一步处理。目标识别就是从所有的目标中区分出其中一种目标的过程。目标检测的过程就是将目标分割和目标识别结合起来，目标检测结果的优劣直接影响目标跟踪的效果。因此目标检测在跟踪的整个过程中尤为重要。特别是在在目标检测过程中，由于图像中各类目标物体的外观、姿态、形状、数量各异，还受到光照、遮挡等各种因素的干扰，导致目标发生畸变，使目标检测难度增加，许多学者对目标检测算法进行了研究探索。

目标检测算法主要分为传统检测算法和基于深度学习的检测算法。传统检测方法是建立在手工制作特征和浅层可训练架构上的，这种方法从目标检测器和场景分类器中结合大量低水平图像特征和高水平语义信息构建成复杂系统的性能不高。传统目标检测算法主要包括DPM(DeformablePartsModel)、选择性搜索(SelectiveSearch)、Oxford-MKL和NLPR-HOGLBP等，其基本结构主要包括以下三个部分:

(1)区域选择器。首先对给定图像设置不同大小和比例的滑动窗口，将整个图像从左到右、从上到下进行遍历以框出待检测图像中的某一部分作为候选区域。

(2)特征提取。提取候选区域的视觉特征，例如在人脸和普通目标检测中常用的尺度不变特征变换(Scale-InvariantFeatureTransform，SIFT)、Haar、方向梯度直方图(HistogramofOrientedGradient，HOG)等特征，对每个区域进行提取特征。

(3)分类器分类。使用训练好的分类器对特征进行目标类别识别，如常用的形变部件模型(DPM)、Adaboot支持向量机(SupportVectorMachines，SVM)等分类器。

传统目标检测方法取得了一定的成果，但也暴露了其固有的弊端。首先，采用滑动窗口进行区域选择会导致较高的时间复杂度和窗口冗余。其次，外观形态的多姿性、光照变化的不定性和背景的多样性导致人工手动设计特征的方法鲁棒性不好，泛化性差，繁杂的算法步骤导致检测效率慢、精度不高。传统的检测方法已经难以满足人们对目标检测高性能效果的需求。

近年来，深度学习得到了快速发展，引入了一些能学习语义、高水平、深层次特征的工具来解决传统体系结构中存在问题，使模型在网络架构、训练策略和优化功能方面性能提升。Hinton等在2012年首次将深层卷积神经网络AlexNet应用于大规模图像分类中，在目标检测数据集ImageNet大规模视觉识别挑战的分类任务中获得冠军。随着深度卷积神经网络获得的重大研究进展，DCNN逐渐成为人们关注的焦点，也成为目标检测新的研究方向。

主流的深度学习目标检测算法主要分为双阶段检测算法和单阶段检测算法，如图1-1所示。双阶段检测算法是以R-CNN系列为代表的基于候选区域的目标检测算法;单阶段检测算法是以YOLO、SSD为代表的基于回归分析的目标检测算法[5]。

图1-1基于深度学习的目标检测算法

1.2目标跟踪的发展现状

目标跟踪是计算机视觉研究领域的热点之一,过去几十年以来，目标跟踪的研究取得了长足的发展。从Meanshift、粒子滤波（ParticleFilter）和KalmanFilter等经典跟踪方法，到基于检测(TrackByDetection)或相关滤波（CorrelationFilter）的方法，再到最近４年来出现的深度学习相关方法。

2010年以前，目标跟踪领域大部分采用一些经典的跟踪方法，比如Meanshift、粒子滤波（ParticleFilter）和KalmanFilter，以及基于特征点的光流算法等。在深度学习和相关滤波的跟踪方法出现后，经典的跟踪方法都被舍弃，这主要是因为这些经典方法无法处理和适应复杂的跟踪变化，它们的鲁棒性和准确