精選百科
本文由作者推薦
視覺(jué)追蹤
計算機領(lǐng)域的概念
視覺(jué)跟蹤是指對圖像序列中的運動(dòng)目標進(jìn)行檢測、提取、識別和跟蹤，獲得運動(dòng)目標的運動(dòng)參數，如位置、速度、加速度和運動(dòng)軌跡等，從而進(jìn)行下一步的處理與分析，實(shí)現對運動(dòng)目標的行為理解，以完成更高一級的檢測任務(wù)。
基本信息
| 中文名 | 視覺(jué)追蹤 |
| 外文名 | Visual tracking |
| 運用領(lǐng)域 | 計算機 |
| 技術(shù)支持 | 依賴(lài)高清晰度攝像機和不可見(jiàn)紅外光源 |
研究意義
視覺(jué)是人類(lèi)認知世界的重要途徑之一，人類(lèi)獲取外部信息的80%來(lái)自視覺(jué)系統。計算視覺(jué)就是在了解人類(lèi)視覺(jué)基礎上，用成像系統代替人類(lèi)視覺(jué)器官，用計算級代替人腦完成對輸入圖像的處理與理解。同時(shí)，隨著(zhù)信息技術(shù)與智能科學(xué)的發(fā)展，計算機視覺(jué)是人工智能領(lǐng)域熱門(mén)學(xué)科之一和物聯(lián)網(wǎng)感知層重要技術(shù)之一。
視覺(jué)跟蹤技術(shù)作為計算機視覺(jué)領(lǐng)域的熱門(mén)課題之一，是對連續的圖像序列進(jìn)行運動(dòng)目標檢測、提取特征、分類(lèi)識別、跟蹤濾波、行為識別，以獲得目標準確的運動(dòng)信息參數（如位置、速度等），并對其進(jìn)行相應的處理分析，實(shí)現對目標的行為理解。
國外在視頻目標檢測與跟蹤領(lǐng)域的研究起步較早，美國軍方及美國自然科學(xué)基金委員會(huì )都非常關(guān)注復雜環(huán)境下目標的檢測、跟蹤與識別算法研究與應用。1991年，美國國防高級研究項目署DARPA就資助卡內梅隆大學(xué)進(jìn)行視覺(jué)信息在無(wú)人機中的應用研究。1997年，DARPA再次邀請多所美國高校參與了視頻監控系統重大項目VSAM(videosurveillance and monitoring)的研發(fā)工作。美國國防部DAPRA和JSG&CC聯(lián)合發(fā)起成立了自動(dòng)識別工作組ATRWG。之后，國外知名大學(xué)與研究機構也對視頻目標的檢測與跟蹤算法進(jìn)行深入研究，J.Davis等人提出了一種適用于人體檢測的背景相減算法，它首先采用傳統幀相減算法得到感興趣區域，之后通過(guò)梯度信息在感興趣區域中尋找目標輪廓，通過(guò)目標輪廓確定目標位置，S.Huwer等人深入研究了背景模型問(wèn)題，提出了一種自適應的背景模型，該模型可以很好的解決光照變化等問(wèn)題。
1999年后，國內一些高校和科研機構也開(kāi)始視頻目標檢測與跟蹤方面的研究。中科院自動(dòng)化所的模式識別國家重點(diǎn)實(shí)驗室圖像和視頻分析研究組研發(fā)的交通行為事件分析系統；2001年，清華大學(xué)開(kāi)發(fā)的適用于野外環(huán)境的視覺(jué)偵查系統。
分類(lèi)
（1）單攝像頭與多攝像頭
在視頻跟蹤的過(guò)程中，根據使用的攝像頭的數目，可將目標跟蹤方法分為單攝像頭跟蹤方法（Monocular camera）與多攝像頭跟蹤方法（Multiple cameras）。由于單攝像頭視野有限，大范圍場(chǎng)景下的目標跟蹤需要使用多攝像頭系統。基于多個(gè)攝像頭的跟蹤方法有利于解決遮擋問(wèn)題，場(chǎng)景混亂、環(huán)境光照突變情況下的目標跟蹤問(wèn)題。
（2）攝像頭靜止與攝像頭運動(dòng)
在實(shí)際的目標跟蹤系統中，攝像頭可以是固定在某個(gè)位置，不發(fā)生變化，也可以是運動(dòng)，不固定的。例如，對于大多數的視頻監視系統而言，都是在攝像機靜止狀態(tài)下，對特定關(guān)注區域進(jìn)目標的識別跟蹤；而在視覺(jué)導航等的應用系統中，攝像頭往往隨著(zhù)無(wú)人汽車(chē)、無(wú)人機等載體進(jìn)行運動(dòng)。
（3）單目標跟蹤與多目標跟蹤
根據跟蹤目標的數量可以將跟蹤算法分為單目標跟蹤與多目標跟蹤。相比單目標跟蹤而言，多目標跟蹤問(wèn)題更加復雜和困難。多目標跟蹤問(wèn)題需要考慮視頻序列中多個(gè)獨立目標的位置、大小等數據，多個(gè)目標各自外觀(guān)的變化、不同的運動(dòng)方式、動(dòng)態(tài)光照的影響以及多個(gè)目標之間相互遮擋、合并與分離等情況均是多目標跟蹤問(wèn)題中的難點(diǎn)。
（4）剛體跟蹤與非剛體跟蹤
根據被跟蹤目標的結構屬性，可將跟蹤目標分為剛體與非剛體。所謂剛體，是指具備剛性結構、不易形變的物體，例如車(chē)輛等目標；非剛體通常指外形容易變形的物體，例如布料表面、衣服表面等。針對剛體目標的跟蹤一直得到廣泛深入的研究，而非剛體目標的跟蹤，由于目標發(fā)生變形以及出現自身遮擋等現象，不能直接應用基于剛體目標的跟蹤算法針對非剛體目標的跟蹤一直是非常困難并且具有挑戰性的課題。
（5）可見(jiàn)光與紅外圖像的目標跟蹤
根據傳感器成像的類(lèi)型不同，目標跟蹤還可以分為基于可見(jiàn)光圖像的跟蹤和基于紅外圖像的跟蹤。目標的紅外圖像和目標的可見(jiàn)光圖像不同，它不是人眼所能看到的可見(jiàn)光圖像，而是目標表面溫度分布的圖像。紅外圖像屬于被動(dòng)式成像，無(wú)需各種光源照明，全天候工作，安全隱敝，使用方便；紅外光較之可見(jiàn)光的波長(cháng)長(cháng)得多，透煙霧性能較好，可在夜間工作。可見(jiàn)光圖像具有光譜信息豐富、分辨率高、動(dòng)態(tài)范圍大等優(yōu)點(diǎn)，但在夜間和低能見(jiàn)度等條件下，成像效果差。
典型算法
（1）基于區域的跟蹤算法
視覺(jué)追蹤
起初，基于區域的跟蹤算法中所用到的目標模板是固定的，如 Lucas 等人提出 Lucas-Kanade 方法，該方法利用灰度圖像的空間梯度信息尋找最佳匹配區域，確定目標位置。之后，更多的學(xué)者針對基于區域方法的缺點(diǎn)進(jìn)行了不同的改進(jìn)，如：Jepson 等人提出的基于紋理特征的自適應目標外觀(guān)模型，該模型可以較好的解決目標遮擋的問(wèn)題，且在跟蹤的過(guò)程中采用在線(xiàn) EM 算法對目標模型進(jìn)行更新；Comaniciu 等人提出了基于核函數的概率密度估計的視頻目標跟蹤算法，該方法采用核直方圖表示目標，通過(guò) Bhattacharya 系數計算目標模板與候選區域的相似度，通過(guò)均值漂移(MeanShift)算法快速定位目標位置。
基于區域的目標跟蹤算法采用了目標的全局信息，比如灰度信息、紋理特征等，因此具有較高的可信度，即使目標發(fā)生較小的形變也不影響跟蹤效果，但是當目標發(fā)生較嚴重的遮擋時(shí)，很容易造成跟蹤失敗。
（2）基于特征的跟蹤方法
基于特征的目標跟蹤算法通常是利用目標的一些顯著(zhù)特征表示目標，并通過(guò)特征匹配在圖像序列中跟蹤目標。該類(lèi)算法不考慮目標的整體特征，因此當目標被部分遮擋時(shí)，仍然可以利用另一部分可見(jiàn)特征完成跟蹤任務(wù)，但是該算法不能有效處理全遮擋、重疊等問(wèn)題。
基于特征的跟蹤方法一般包括特征提取和特征匹配兩個(gè)過(guò)程：
a) 特征提取
所謂特征提取是指從目標所在圖像區域中提取合適的描繪性特征。這些特征不僅應該較好地區分目標和背景，而且應對目標尺度伸縮、目標形狀變化、目標遮擋等情況具有魯棒性。常用的目標特征包括顏色特征、灰度特征、紋理特征、輪廓、光流特征、角點(diǎn)特征等。D.G. Lowe 提出 SIFT(Scale Invariant Feature Transform)算法是圖像特征中效果較好的一種方法，該特征對旋轉、尺度縮放、亮度變化具有不變性，對視角變化、仿射變換、噪聲也具有一定的穩定性。
b) 特征匹配
特征匹配就是采用一定的方式計算衡量候選區域與目標區域的相似性，并根據相似性確定目標位置、實(shí)現目標跟蹤。在計算機視覺(jué)領(lǐng)域中，常用的相似性度量準則包括加權距離、Bhattacharyya 系數、歐式距離、Hausdorff 距離等。其中，Bhattacharyya 系數和歐式距離最為常用。
Tissainayagam 等人提出了一種基于點(diǎn)特征的目標跟蹤算法。該算法首先在多個(gè)尺度空間中尋找局部曲率最大的角點(diǎn)作為關(guān)鍵點(diǎn)，然后利用提出的MHT-IMM 算法跟蹤這些關(guān)鍵點(diǎn)。這種跟蹤算法適用于具有簡(jiǎn)單幾何形狀的目標，對于難以提取穩定角點(diǎn)的復雜目標，則跟蹤效果較差。
Zhu 等人提出的基于邊緣特征的目標跟蹤算法，首先將參考圖像劃分為多個(gè)子區域，并將每個(gè)子區域的邊緣點(diǎn)均值作為目標的特征點(diǎn)，然后利用類(lèi)似光流的方法進(jìn)行特征點(diǎn)匹配，從而實(shí)現目標跟蹤。
（3）基于輪廓的跟蹤方法
基于輪廓的目標跟蹤方法需要在視頻第一幀中指定目標輪廓的位置，之后由微分方程遞歸求解，直到輪廓收斂到能量函數的局部極小值，其中，能量函數通常與圖像特征和輪廓光滑度有關(guān)。與基于區域的跟蹤方法相比，基于輪廓的跟蹤方法的計算復雜度小，對目標的部分遮擋魯棒。但這種方法在跟蹤開(kāi)始時(shí)需要初始化目標輪廓，因此對初始位置比較敏感，跟蹤精度也被限制在輪廓級。
Kass 等人于 1987 年提出的活動(dòng)輪廓模型(Active Contour Models，Snake)，通過(guò)包括圖像力、內部力和外部約束力在內的三種力的共同作用控制輪廓的運動(dòng)。內部力主要對輪廓進(jìn)行局部的光滑性約束，圖像力則將曲線(xiàn)推向圖像的邊緣，而外部力可以由用戶(hù)指定，主要使輪廓向期望的局部極小值運動(dòng)，。
Paragios 等人提出了一種用水平集方法表示目標輪廓的目標檢測與跟蹤算法，該方法首先通過(guò)幀差法得到目標邊緣，然后通過(guò)概率邊緣檢測算子得到目標的運動(dòng)邊緣，通過(guò)將目標輪廓向目標運動(dòng)邊緣演化實(shí)現目標跟蹤。
（4）基于模型的跟蹤方法
在實(shí)際應用中，我們需要跟蹤的往往是一些特定的我們事先具有認識的目標，因此，基于模型的跟蹤方法首先根據自己的先驗知識離線(xiàn)的建立該目標的 3D 或2D 幾何模型，然后，通過(guò)匹配待選區域模型與目標模型實(shí)現目標跟蹤，進(jìn)而在跟蹤過(guò)程中，根據場(chǎng)景中圖像的特征，確定運動(dòng)目標的各個(gè)尺寸參數、姿態(tài)參數以及運動(dòng)參數。
Shu Wang 等人提出一種基于超像素的跟蹤方法，該方法在超像素基礎上建立目標的外觀(guān)模板，之后通過(guò)計算目標和背景的置信圖確定目標的位置，在這個(gè)過(guò)程中，該方法不斷通過(guò)分割和顏色聚類(lèi)防止目標的模板漂移。
（5）基于檢測的跟蹤算法
基于檢測的跟蹤算法越來(lái)越流行。一般情況下，基于檢測的跟蹤算法都采用一點(diǎn)學(xué)習方式產(chǎn)生特定目標的檢測器，即只用第一幀中人工標記的樣本信息訓練檢測器。這類(lèi)算法將跟蹤問(wèn)題簡(jiǎn)化為簡(jiǎn)單的將背景和目標分離的分類(lèi)問(wèn)題，因此這類(lèi)算法的速度快且效果理想。這類(lèi)算法為了適應目標外表的變化，一般都會(huì )采用在線(xiàn)學(xué)習方式進(jìn)行自更新，即根據自身的跟蹤結果對檢測器進(jìn)行更新。
面臨的挑戰
視頻目標跟蹤技術(shù)理論研究雖然已經(jīng)取得了很大的發(fā)展，并且已經(jīng)有部分成果進(jìn)入實(shí)用化階段，但是當前仍然面臨著(zhù)巨大的挑戰，還有許多問(wèn)題有待進(jìn)一步解決，對此本節從以下幾個(gè)方面進(jìn)行闡述：
1、跟蹤目標的多樣性
根據應用需求的不同，視頻跟蹤的對象多種多樣，從而導致跟蹤算法的設計復雜多樣。視頻跟蹤的對象可能是不同外觀(guān)的行人、或人的臉部、眼部等局部區域，也可能是具有不同形狀、顏色的車(chē)輛或車(chē)輛的局部區域等等。針對不同的跟蹤目標，需要建立不同的描述目標外觀(guān)的特征模型。例如，在跟蹤車(chē)輛這類(lèi)剛體目標時(shí)所采用的描述目標的特征模型，往往不能夠直接用于跟蹤例如衣物等變形表面這類(lèi)非剛體目標；其次，通常的跟蹤對象的運動(dòng)具有不確定性，例如車(chē)輛的行駛過(guò)程，可能是勻速運動(dòng)，也可能是加、減速運動(dòng)，或是直線(xiàn)運動(dòng)，或是轉向等等，針對不同的跟蹤對象要設計合適的運動(dòng)預測模型；另外，在目標運動(dòng)過(guò)程中，目標運動(dòng)本身會(huì )造成跟蹤對象外觀(guān)特征發(fā)生變化，例如在頭部跟蹤過(guò)程中，頭部的旋轉會(huì )造成頭部區域的顏色分布發(fā)生變化，此時(shí)會(huì )導致目標有些特征地消失，新特征出現；當然，還有跟蹤目標之間可能存在遮擋現象，在單一目標跟蹤中，目標本身可能會(huì )發(fā)生自遮擋情況，例如行人的部分區域，在多目標中，目標之間也可能發(fā)生相互遮擋，這些情況都增加了跟蹤難度。以上描述的跟蹤目標的多樣性都需要對跟蹤算法進(jìn)行合理的設計和建模描述，從而有效應對目標的變化。
2、跟蹤環(huán)境的復雜性
實(shí)際應用當中，室內外環(huán)境要素的變化對于目標跟蹤算法有很大的影響。室內外的光照變化，能夠影響到可見(jiàn)光圖像數據，進(jìn)而影響跟蹤目標的外觀(guān)特征。例如在室內黑暗的環(huán)境當中，開(kāi)關(guān)燈會(huì )嚴重影響目標與周?chē)h(huán)境的對比度；室外環(huán)境光照的變化、雨雪天氣等的影響，也會(huì )對跟蹤目標造成嚴重干擾。此外，實(shí)際的環(huán)境當中，不斷變化的背景要素也會(huì )對跟蹤目標造成影響。例如，在室外密集的人流或車(chē)流當中，周?chē)粩噙\動(dòng)的人或車(chē)會(huì )對指定的目標行人或車(chē)輛造成嚴重的影響，道路兩旁的樹(shù)木、建筑等同樣會(huì )對跟蹤目標造成干擾。還有捕獲數據的攝像頭設備，在室內外的環(huán)境中都可能受到干擾，例如有些場(chǎng)景會(huì )發(fā)生攝像頭抖動(dòng)問(wèn)題：如在小區監控中，由于周?chē)?chē)輛的行使、刮風(fēng)等因素都可能會(huì )導致攝像頭晃動(dòng)、移位等；攝像頭出現視野模糊現象：在長(cháng)期在惡劣情況下使用，導致攝像頭老化，焦距產(chǎn)生漂移，或者攝像頭落上大量灰塵等情況下，都可能導致視野模糊的問(wèn)題。為此，如何在種種復雜干擾的條件下準確可靠地提取目標，是衡量跟蹤算法性能的一項重要指標。
3、應用需求的多樣性
視頻目標跟蹤算法是諸多視覺(jué)應用的基礎，而各類(lèi)應用對目標跟蹤算法各類(lèi)性能指標的要求不盡相同。跟蹤算法的主要指標包括跟蹤的準確性、穩定性、抗干擾性以及計算的實(shí)時(shí)性等。對于視頻監控系統等應用，需要算法能夠在各種復雜的外界環(huán)境條件下（如地鐵站、火車(chē)站等公共交通系統中），準確地分析目標行為，甚至能準確報警并盡可能減少虛警誤警，這類(lèi)應用對跟蹤算法的抗干擾性以及計算實(shí)時(shí)性要求很高；對于網(wǎng)絡(luò )智能交互等應用，例如網(wǎng)絡(luò )視頻會(huì )議等，需要跟蹤算法準確提取目標的全部區域，對算法跟蹤的準確性有很高的要求，而由于網(wǎng)絡(luò )傳輸可能出現的延時(shí)等情況，算法的實(shí)時(shí)性可以有所折中。各類(lèi)視頻應用系統通常來(lái)說(shuō)涉及的方面比較多且復雜，對于目標跟蹤算法需要在跟蹤精度、運行速度以及其他性能指標之間進(jìn)行權衡，是跟蹤算法研究需要考慮的一個(gè)重要內容。許多跟蹤算法復雜度高、跟蹤精度受參數設置的影響嚴重，適應性和抗干擾性有局限性，如何將視頻跟蹤算法在實(shí)際環(huán)境中可靠穩定運行，需要進(jìn)一步的研究。
如今，雖然已提出了多種視頻目標跟蹤算法，但是大多數算法一般只適用于一些特定的目標、特定的環(huán)境或者具有其它一些應用約束條件，并且存在著(zhù)這樣或那樣的不足有待進(jìn)一步優(yōu)化和完善，而一些更為優(yōu)秀的無(wú)環(huán)境約束下的視頻目標跟蹤算法也有待去進(jìn)一步研究開(kāi)發(fā)。
含義二
視覺(jué)跟蹤技術(shù)是依賴(lài)高清晰度攝像機和不可見(jiàn)紅外光源來(lái)達到探測人眼方向的目的。這種技術(shù)在科學(xué)研究和廣告調研中被證明非常有用。但同時(shí)這種技術(shù)幾乎大部分時(shí)候用于殘疾人，而且造價(jià)很高。
視覺(jué)追蹤相關(guān)的文章
顱骨（skull）位于脊柱上方，由23塊形狀和大小不同的扁骨和不規則骨組成（中耳的3對聽(tīng)小骨未計入）。除下頜骨及舌骨外，其余各骨彼此借縫或軟骨牢固連結，起著(zhù)保護和支持腦、感覺(jué)器官以及消化器和呼吸器的起始部分的作用。
哈密市，古稱(chēng)“昆莫、昆吾、伊吾、伊吾盧、哈梅里、哈密里”，是中國新疆維吾爾自治區下轄地級市，位于新疆東部，地跨東天山南北，總面積14.21萬(wàn)平方千米，是新疆通往內地的門(mén)戶(hù)。2020年末哈密市常住人口673383人，是多民族聚居地區，有漢、維吾爾、哈薩克、回、蒙古等39個(gè)民族。哈密市轄伊州區、 巴里
穆罕默德·穆?tīng)栁鳎∕ohamed Morsi，1951年8月20日-2019年6月17日），全名穆罕默德·穆?tīng)栁鳌ひ了_·阿耶特，政治家，埃及第5任總統，首位民選總統，畢業(yè)于美國南加利福尼亞大學(xué)工程學(xué)博士學(xué)位。
菲利普·K·迪克美國的科幻小說(shuō)作家代表作《高堡奇人》獲雨果獎最佳小說(shuō)獎菲利普·K·迪克（Philip K. Dick, 1928.12.16~1982.3.2)是美國的科幻小說(shuō)作家，除了現在仍在發(fā)行的38本書(shū)外，他還寫(xiě)了一些短篇小說(shuō)和少數作品出版在廉價(jià)的雜志上，其中至少有七部小說(shuō)被改編成電影。雖然他
金庸（1923年3月22日—2018年10月30日），本名查良鏞，浙江海寧人。現代武俠小說(shuō)作家、新聞家、企業(yè)家、政治評論家、社會(huì )活動(dòng)家。與古龍、梁羽生、溫瑞安等為新派武俠小說(shuō)代表作家。
阿斯旺(阿拉伯語(yǔ)：?????)，埃及南部城市，阿斯旺省首府，位于尼羅河東岸，人口約20萬(wàn)，著(zhù)名古城、旅游景點(diǎn)和貿易中心。阿斯旺是世界上最干燥的地方之一，自2006年5月13日以來(lái)，阿斯旺沒(méi)測得任何降水。在古埃及時(shí)期，阿斯旺被認為是埃及民族的發(fā)源地。它位于尼羅河第一瀑布以北，是埃及和努比亞之間的貿易重鎮，其名據說(shuō)是古埃及語(yǔ)“貿易”一詞的對音。
尚可名片
這家伙太懶了，什么都沒(méi)寫(xiě)！
作者
