視頻跟蹤技術(shù)現(xiàn)狀研究

時(shí)書(shū)政 火箭軍工程大學(xué)士官學(xué)院

視頻跟蹤技術(shù)現(xiàn)狀研究

時(shí)書(shū)政 火箭軍工程大學(xué)士官學(xué)院

視頻跟蹤技術(shù)研究是計(jì)算機(jī)視覺(jué)、圖像處理和模式識(shí)別領(lǐng)域里非常活躍的課題。視頻跟蹤的目的就是通過(guò)對(duì)攝像頭獲得的圖像序列進(jìn)行分析，計(jì)算出目標(biāo)在每一幀圖像上的二維位置坐標(biāo)，并根據(jù)不同的特征值，將圖像序列中不同幀內(nèi)同一運(yùn)動(dòng)目標(biāo)關(guān)聯(lián)起來(lái)，得到各個(gè)運(yùn)動(dòng)目標(biāo)完整的運(yùn)動(dòng)軌跡，也即在連續(xù)的視頻序列中建立運(yùn)動(dòng)目標(biāo)的對(duì)應(yīng)關(guān)系，本文分析了常見(jiàn)的視頻跟蹤方法及其特點(diǎn)。目標(biāo)跟蹤技術(shù)的研究進(jìn)行了多年，目前已經(jīng)提出了許多算法。這些算法有的是針對(duì)剛性目標(biāo)的跟蹤、有的是針對(duì)非剛體目標(biāo)的跟蹤、有的是針對(duì)提高跟蹤匹配的準(zhǔn)確性而提出的，這類算法的主要特點(diǎn)是通過(guò)選取好的跟蹤特征來(lái)提高目標(biāo)的搜索匹配速度和匹配的正確程度；有的算法是針對(duì)縮小目標(biāo)搜索范圍提出的，這類算法主要特點(diǎn)是通過(guò)某種方法預(yù)測(cè)目標(biāo)下一時(shí)刻可能出現(xiàn)的位置，通過(guò)縮小目標(biāo)的搜索范圍來(lái)縮短目標(biāo)搜索時(shí)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(biāo)的外形等先驗(yàn)知識(shí)來(lái)構(gòu)造目標(biāo)初始模型，通過(guò)將運(yùn)動(dòng)區(qū)域和目標(biāo)模型的匹配來(lái)完成目標(biāo)跟蹤任務(wù)。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(guò)程中兩者有較大不同。對(duì)于剛性目標(biāo)，由于其運(yùn)動(dòng)主要是平移、旋轉(zhuǎn)等剛性運(yùn)動(dòng)，其形狀保持不變，因此利用模型跟蹤方法很容易實(shí)現(xiàn)目標(biāo)的跟蹤；而對(duì)于非剛體目標(biāo)，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(yù)測(cè)，根據(jù)先驗(yàn)知識(shí)和歷史跟蹤記錄，由當(dāng)前幀人體模型來(lái)預(yù)測(cè)下一幀的人體模型狀態(tài)；第二步，模型匹配，將預(yù)測(cè)模型投影到二維圖像平面上，并與圖像中的運(yùn)動(dòng)區(qū)域進(jìn)行匹配，找出圖像中與模型最相似的運(yùn)動(dòng)區(qū)域；第三步，模型更新，根據(jù)不同的搜索策略，找到匹配的人體狀態(tài)，進(jìn)而進(jìn)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(gè)方面的優(yōu)點(diǎn):1)因?yàn)橛邢闰?yàn)知識(shí)的支持，該方法具有較強(qiáng)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(jié)果；2)在用于人體跟蹤時(shí)，能夠?qū)⑷梭w結(jié)構(gòu)、人的運(yùn)動(dòng)約束及其他先驗(yàn)知識(shí)融合使用；3)在用于三維跟蹤時(shí)，只要設(shè)置好二維圖像坐標(biāo)與三維真實(shí)世界坐標(biāo)的對(duì)應(yīng)關(guān)系，校正好相機(jī)，就可以獲得跟蹤目標(biāo)的三維狀態(tài)。但是，由于基于模型的跟蹤方法計(jì)算量大，運(yùn)算速度慢，模型的更新較為復(fù)雜，因此該方法跟蹤的實(shí)時(shí)性較差，另外，該方法還要求在跟蹤前必須有相應(yīng)目標(biāo)的模型結(jié)構(gòu)。

二、基于區(qū)域的跟蹤](Regionbased Tracking )

基于區(qū)域的跟蹤方法是根據(jù)與運(yùn)動(dòng)目標(biāo)相關(guān)的圖像區(qū)域發(fā)生的變化來(lái)進(jìn)行跟蹤。主要根據(jù)灰度、顏色、紋理及運(yùn)動(dòng)等圖像特征，采用運(yùn)動(dòng)估計(jì)技術(shù)或區(qū)域分割技術(shù)進(jìn)行目標(biāo)跟蹤。對(duì)于非剛體目標(biāo)的跟蹤，一般是把非剛體目標(biāo)劃分為幾個(gè)剛體子目標(biāo)，然后分別對(duì)這些子目標(biāo)進(jìn)行跟蹤，最后利用非剛體形成的若干準(zhǔn)則進(jìn)行將運(yùn)動(dòng)剛體子目標(biāo)合并。基于區(qū)域的跟蹤方法的優(yōu)點(diǎn)是當(dāng)目標(biāo)未被遮擋時(shí)，跟蹤精度非常高、跟蹤也非常穩(wěn)定。其缺點(diǎn)是:1)算法非常耗時(shí)，當(dāng)搜索區(qū)域較大時(shí)情況尤為嚴(yán)重；2)算法要求目標(biāo)變形不嚴(yán)重，且不能有太大遮擋，否則跟蹤精度下降，甚至?xí)斐赡繕?biāo)的丟失；3)基于區(qū)域的跟蹤方法無(wú)法適應(yīng)復(fù)雜背景情形的跟蹤以及多目標(biāo)的跟蹤。

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

活動(dòng)輪廓(或snake模型)是一種能量最小的參數(shù)化曲線，基于活動(dòng)輪廓的跟蹤方法實(shí)質(zhì)上就是用活動(dòng)輪廓逼近物體的邊緣，外部能量(外力)使活動(dòng)輪廓向物體邊緣運(yùn)動(dòng)，內(nèi)部能量(內(nèi)力)保持活動(dòng)輪廓的光滑性和連續(xù)性，當(dāng)能量最小時(shí)，活動(dòng)輪廓收斂到所要跟蹤的物體邊緣。

由于同時(shí)考慮了幾何約束條件與圖像數(shù)據(jù)、輪廓形狀有關(guān)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(biāo)。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(jié)果與活動(dòng)輪廓的初始位置有關(guān)，只有當(dāng)活動(dòng)輪廓的初始化位置比較接近運(yùn)動(dòng)目標(biāo)時(shí)，才能夠在盡可能短的時(shí)間里準(zhǔn)確地進(jìn)行目標(biāo)跟蹤，反之可能會(huì)導(dǎo)致目標(biāo)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(biāo)的圖像特征進(jìn)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(dú)立圖形(Dependence-Graph-Based)的方法；根據(jù)特征的類型來(lái)分，常見(jiàn)的基于特征的跟蹤方法有：基于二值化圖像目標(biāo)的跟蹤、基于邊緣特征或角點(diǎn)特征的跟蹤、基于目標(biāo)灰度特征的跟蹤、基于目標(biāo)顏色特征的跟蹤、基于目標(biāo)紋理特征的跟蹤、基于目標(biāo)形狀特征的跟蹤等等。基于特征的跟蹤方法的優(yōu)點(diǎn)是：當(dāng)目標(biāo)未被遮擋時(shí)，跟蹤精度非常高；另外利用目標(biāo)的運(yùn)動(dòng)信息還可以跟蹤存在部分遮擋的目標(biāo)。其缺點(diǎn)是對(duì)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(lái)，均值遷移(MeanShift)方法在解決計(jì)算機(jī)視覺(jué)底層過(guò)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(jì)算機(jī)視覺(jué)領(lǐng)域得到了高度關(guān)注。尤其在目標(biāo)跟蹤方面，均值遷移方法的發(fā)展為同時(shí)解決目標(biāo)跟蹤的穩(wěn)定性和實(shí)時(shí)性提供了一個(gè)有力的工具。均值遷移方法具有很高的穩(wěn)定性，能夠適應(yīng)目標(biāo)的形狀、大小的連續(xù)變化，而且計(jì)算速度很快，抗干擾能力強(qiáng)，能夠保證系統(tǒng)的實(shí)時(shí)和穩(wěn)定性。目前已有眾多關(guān)于均值遷移的文獻(xiàn)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(diǎn)是對(duì)初始預(yù)測(cè)位置的要求較高，如果給定的初始值不夠精確，該方法將無(wú)法準(zhǔn)確跟蹤目標(biāo)，甚至丟失目標(biāo)。將MeanShift算法擴(kuò)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(dòng)態(tài)變化的概率分布的一種跟蹤算法，具有魯棒性強(qiáng)和實(shí)時(shí)性好等優(yōu)點(diǎn)。