视觉跟踪算法综述

视觉跟踪是计算机视觉领域多年来的研究热点问题之一，随着技术的不断发展，视觉跟踪应用范围逐渐扩大。本文首先阐述了跟踪过程中的难点和视觉跟踪的应用，以及跟踪方法的两大分类。以时间顺序对跟踪算法的发展历史及现状进行介绍，并比较分析其优缺点，最后探讨了视觉跟踪算法未来的发展趋势。

作为视觉领域研究的核心课题之一，运动物体的视觉跟踪已有近20 年的研究历史。视觉跟踪，就是指对视频图像序列中的运动目标进行检测、提取、识别和跟踪，获得运动目标的运动参数，如目标质心位置、速度、加速度等，以及运动轨迹，从而进行进一步处理与分析，实现对运动目标的行为理解，以完成更高一级的任务。视觉跟踪过程一般包括目标的检测、目标的特征提取、目标的跟踪等几个阶段。

其中目标检测和特征提取需要一定的先验知识，根据场合不同而选择不同的方法。目标跟踪可理解为根据目标初始状态和通过特征提取得到的目标视觉特征的基础上，对目标的时空状态进行估计。

本文按照时间顺序对视觉跟踪算法的发展进行了总结及梳理，并简要地分析了各算法的优缺点，最后对视觉跟踪领域的热点及发展趋势进行探讨。

1.1. 视觉跟踪的难题 通常，视觉跟踪由于其从3D 世界映射到2D 图像导致信息遗失，图像中的噪声、复杂背景、目标复杂运动、局部或全局遮挡、光照变化以及图像实时处理要求等等使其成为一大挑战。早些年，几乎所有视觉跟踪方法都假设目标的运动是流畅的且无外观突变，但是近几年已经有巨大的进展。一些算法可以处理外观突变、从场景中移出和漂移等问题。要建立一个性能良好的跟踪系统，需考虑以下一些要求。

1) 鲁棒性：鲁棒意味着即使在复杂环境，跟踪算法也能够追踪感兴趣的目标。跟踪难点可能是复杂背景、局部或整体光线变化、遮挡或复杂目标运动。

2) 自适应性：目标位于各种各样变化的环境中，目标本身也在经历变化，这就需要跟踪算法对实际的目标外观具有一个稳定的适应性机制。

3) 实时处理：一个处理实时视频流的系统必须有高处理速度，因此算法的选择，快速且优化实现和高性能一样是必须的。

处理速度取决于目标的检测速度， 但是为了给人眼呈现一个流畅的视频输出效果， 必须建立一个不低于15 帧每秒的帧率。

这些要求是很难同时满足的，通常进行某种折衷，以达到良好的整体性能，同时判断一个跟踪系统性能需要结合其应用场合来判断。

1.2. 视觉跟踪的应用 1) 人工智能监控 人工智能监控是一个实时监察特定区域内行为的自动监测系统，例如安全部门、私人住所以及公共场合，通过识别可疑行为防止犯罪行为发生。在人工智能监控中，主要功能是视频中目标检测、识别以及跟踪。行为识别是人工智能监控的最大难点。

2) 视频压缩 基于目标的视频压缩，编码计算主要用在模块匹配和滤波两个方面。所以有必要将目标跟踪技术应用于编码方法中。如此一来，目标在图像序列中可以被简单快速的跟踪。这提高了匹配速度和精度，还提高了编码效率、峰值信号噪声比，同时也减小了比特误码率。

3) 智能交通系统