時(shí)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(shí)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(jì)算機(jī)視覺、圖像處理和模式識(shí)別領(lǐng)域里非?；钴S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)?；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(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?；趨^(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?；谔卣鞯母櫡椒ǖ膬?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)。