視頻跟蹤技術(shù)現(xiàn)狀研究

時書政 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

時書政 火箭軍工程大學(xué)士官學(xué)院

視頻跟蹤技術(shù)研究是計算機(jī)視覺、圖像處理和模式識別領(lǐng)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(jìn)行分析，計算出目標(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)動目標(biāo)關(guān)聯(lián)起來，得到各個運(yùn)動目標(biāo)完整的運(yùn)動軌跡，也即在連續(xù)的視頻序列中建立運(yùn)動目標(biāo)的對應(yīng)關(guān)系，本文分析了常見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剛性目標(biāo)的跟蹤、有的是針對非剛體目標(biāo)的跟蹤、有的是針對提高跟蹤匹配的準(zhǔn)確性而提出的，這類算法的主要特點(diǎn)是通過選取好的跟蹤特征來提高目標(biāo)的搜索匹配速度和匹配的正確程度；有的算法是針對縮小目標(biāo)搜索范圍提出的，這類算法主要特點(diǎn)是通過某種方法預(yù)測目標(biāo)下一時刻可能出現(xiàn)的位置，通過縮小目標(biāo)的搜索范圍來縮短目標(biāo)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(biāo)的外形等先驗知識來構(gòu)造目標(biāo)初始模型，通過將運(yùn)動區(qū)域和目標(biāo)模型的匹配來完成目標(biāo)跟蹤任務(wù)?；谀Ｐ偷母櫩煞譃榛谀Ｐ偷膭傮w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(biāo)，由于其運(yùn)動主要是平移、旋轉(zhuǎn)等剛性運(yùn)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(biāo)的跟蹤；而對于非剛體目標(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，根據(jù)先驗知識和歷史跟蹤記錄，由當(dāng)前幀人體模型來預(yù)測下一幀的人體模型狀態(tài)；第二步，模型匹配，將預(yù)測模型投影到二維圖像平面上，并與圖像中的運(yùn)動區(qū)域進(jìn)行匹配，找出圖像中與模型最相似的運(yùn)動區(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方面的優(yōu)點(diǎn):1)因為有先驗知識的支持，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，能夠?qū)⑷梭w結(jié)構(gòu)、人的運(yùn)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(shè)置好二維圖像坐標(biāo)與三維真實世界坐標(biāo)的對應(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時性較差，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)動目標(biāo)相關(guān)的圖像區(qū)域發(fā)生的變化來進(jìn)行跟蹤。主要根據(jù)灰度、顏色、紋理及運(yùn)動等圖像特征，采用運(yùn)動估計技術(shù)或區(qū)域分割技術(shù)進(jìn)行目標(biāo)跟蹤。對于非剛體目標(biāo)的跟蹤，一般是把非剛體目標(biāo)劃分為幾個剛體子目標(biāo)，然后分別對這些子目標(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，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，當(dāng)搜索區(qū)域較大時情況尤為嚴(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(zhì)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(yùn)動，內(nèi)部能量(內(nèi)力)保持活動輪廓的光滑性和連續(xù)性，當(dāng)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(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)果與活動輪廓的初始位置有關(guān)，只有當(dāng)活動輪廓的初始化位置比較接近運(yùn)動目標(biāo)時，才能夠在盡可能短的時間里準(zhǔn)確地進(jìn)行目標(biāo)跟蹤，反之可能會導(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)特征的類型來分，常見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，跟蹤精度非常高；另外利用目標(biāo)的運(yùn)動信息還可以跟蹤存在部分遮擋的目標(biāo)。其缺點(diǎn)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(jī)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(jī)視覺領(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)展為同時解決目標(biāo)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(yīng)目標(biāo)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(qiáng)，能夠保證系統(tǒng)的實時和穩(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)是對初始預(yù)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(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)和實時性好等優(yōu)點(diǎn)。