視頻跟蹤技術現(xiàn)狀研究

時書政 火箭軍工程大學士官學院

視頻跟蹤技術現(xiàn)狀研究

時書政 火箭軍工程大學士官學院

視頻跟蹤技術研究是計算機視覺、圖像處理和模式識別領域里非常活躍的課題。視頻跟蹤的目的就是通過對攝像頭獲得的圖像序列進行分析，計算出目標在每一幀圖像上的二維位置坐標，并根據不同的特征值，將圖像序列中不同幀內同一運動目標關聯(lián)起來，得到各個運動目標完整的運動軌跡，也即在連續(xù)的視頻序列中建立運動目標的對應關系，本文分析了常見的視頻跟蹤方法及其特點。目標跟蹤技術的研究進行了多年，目前已經提出了許多算法。這些算法有的是針對剛性目標的跟蹤、有的是針對非剛體目標的跟蹤、有的是針對提高跟蹤匹配的準確性而提出的，這類算法的主要特點是通過選取好的跟蹤特征來提高目標的搜索匹配速度和匹配的正確程度；有的算法是針對縮小目標搜索范圍提出的，這類算法主要特點是通過某種方法預測目標下一時刻可能出現(xiàn)的位置，通過縮小目標的搜索范圍來縮短目標搜索時間。

視頻 跟蹤

一、基于模型的跟蹤(Modelbased Tracking)

基于模型的跟蹤允許使用特定目標的外形等先驗知識來構造目標初始模型，通過將運動區(qū)域和目標模型的匹配來完成目標跟蹤任務。基于模型的跟蹤可分為基于模型的剛體跟蹤方法和基于模型的非剛體跟蹤方法，在跟蹤過程中兩者有較大不同。對于剛性目標，由于其運動主要是平移、旋轉等剛性運動，其形狀保持不變，因此利用模型跟蹤方法很容易實現(xiàn)目標的跟蹤；而對于非剛體目標，由于其形狀是變化的，需要不斷地更新其模型，如基于模型的人體跟蹤一般包括三步：第一步，模型預測，根據先驗知識和歷史跟蹤記錄，由當前幀人體模型來預測下一幀的人體模型狀態(tài)；第二步，模型匹配，將預測模型投影到二維圖像平面上，并與圖像中的運動區(qū)域進行匹配，找出圖像中與模型最相似的運動區(qū)域；第三步，模型更新，根據不同的搜索策略，找到匹配的人體狀態(tài)，進而進行模型更新。

基于模型的跟蹤相比其他跟蹤方法具有以下三個方面的優(yōu)點:1)因為有先驗知識的支持，該方法具有較強的魯棒性，能夠在有干擾和遮擋的情況下得到較好的跟蹤結果；2)在用于人體跟蹤時，能夠將人體結構、人的運動約束及其他先驗知識融合使用；3)在用于三維跟蹤時，只要設置好二維圖像坐標與三維真實世界坐標的對應關系，校正好相機，就可以獲得跟蹤目標的三維狀態(tài)。但是，由于基于模型的跟蹤方法計算量大，運算速度慢，模型的更新較為復雜，因此該方法跟蹤的實時性較差，另外，該方法還要求在跟蹤前必須有相應目標的模型結構。

二、基于區(qū)域的跟蹤](Regionbased Tracking )

基于區(qū)域的跟蹤方法是根據與運動目標相關的圖像區(qū)域發(fā)生的變化來進行跟蹤。主要根據灰度、顏色、紋理及運動等圖像特征，采用運動估計技術或區(qū)域分割技術進行目標跟蹤。對于非剛體目標的跟蹤，一般是把非剛體目標劃分為幾個剛體子目標，然后分別對這些子目標進行跟蹤，最后利用非剛體形成的若干準則進行將運動剛體子目標合并。基于區(qū)域的跟蹤方法的優(yōu)點是當目標未被遮擋時，跟蹤精度非常高、跟蹤也非常穩(wěn)定。其缺點是:1)算法非常耗時，當搜索區(qū)域較大時情況尤為嚴重；2)算法要求目標變形不嚴重，且不能有太大遮擋，否則跟蹤精度下降，甚至會造成目標的丟失；3)基于區(qū)域的跟蹤方法無法適應復雜背景情形的跟蹤以及多目標的跟蹤。

三、基于活動輪廓的跟蹤(Active Contour-based Tracking )

活動輪廓(或snake模型)是一種能量最小的參數(shù)化曲線，基于活動輪廓的跟蹤方法實質上就是用活動輪廓逼近物體的邊緣，外部能量(外力)使活動輪廓向物體邊緣運動，內部能量(內力)保持活動輪廓的光滑性和連續(xù)性，當能量最小時，活動輪廓收斂到所要跟蹤的物體邊緣。

由于同時考慮了幾何約束條件與圖像數(shù)據、輪廓形狀有關的能量最小等約束條件，這種方法能減小噪聲影響及邊界的不規(guī)則性，所以能得到令人滿意的跟蹤效果，尤其是在有干擾或存在部分遮擋的情況下仍然能有效地跟蹤目標。然而這種方法也存在一些不足之處，一方面由于該方法是基于梯度尋找邊緣，在一定程度上受噪聲的影響；另一方面跟蹤結果與活動輪廓的初始位置有關，只有當活動輪廓的初始化位置比較接近運動目標時，才能夠在盡可能短的時間里準確地進行目標跟蹤，反之可能會導致目標的丟失。

四、基于特征的跟蹤](Featurebased Tracking)

基于特征的跟蹤方法是利用目標的圖像特征進行跟蹤。從特征的全局性和局部性角度，基于特征的跟蹤方法可分為基于全局(Global Feature-Based)特征的方法、基于局部特征(Local Feature-Based)的方法和基于獨立圖形(Dependence-Graph-Based)的方法；根據特征的類型來分，常見的基于特征的跟蹤方法有：基于二值化圖像目標的跟蹤、基于邊緣特征或角點特征的跟蹤、基于目標灰度特征的跟蹤、基于目標顏色特征的跟蹤、基于目標紋理特征的跟蹤、基于目標形狀特征的跟蹤等等。基于特征的跟蹤方法的優(yōu)點是：當目標未被遮擋時，跟蹤精度非常高；另外利用目標的運動信息還可以跟蹤存在部分遮擋的目標。其缺點是對于噪聲等比較敏感；不能有效的處理全遮擋、重疊以及干擾等情況。

近年來，均值遷移(MeanShift)方法在解決計算機視覺底層過程中表現(xiàn)出了良好的魯棒性和較高的處理速度，因而在計算機視覺領域得到了高度關注。尤其在目標跟蹤方面，均值遷移方法的發(fā)展為同時解決目標跟蹤的穩(wěn)定性和實時性提供了一個有力的工具。均值遷移方法具有很高的穩(wěn)定性，能夠適應目標的形狀、大小的連續(xù)變化，而且計算速度很快，抗干擾能力強，能夠保證系統(tǒng)的實時和穩(wěn)定性。目前已有眾多關于均值遷移的文獻被發(fā)表。但是任何一種方法都不是完美的，均值遷移方法的主要缺點是對初始預測位置的要求較高，如果給定的初始值不夠精確，該方法將無法準確跟蹤目標，甚至丟失目標。將MeanShift算法擴展到連續(xù)圖像序列，就形成了CamShift算法。CamShift算法是基于連續(xù)圖像顏色動態(tài)變化的概率分布的一種跟蹤算法，具有魯棒性強和實時性好等優(yōu)點。