目标追踪器算法研究现状概述

目标追踪器算法研究现状概述

目标追踪器算法发展较为成熟，其基本思路为建立一个外观模型，然后用此外观模型对图像中区域匹配与外观模型相似的目标。

目标追踪器算法的发展方向：

1、减轻背景相似干扰、光照条件的变化、遮挡等外界因素对追踪的影响；

2、降低目标的姿 态、尺度、运动速度等内在因素对追踪的影响；

3、提高在实际应用中的速度。

加利福尼亚大学研究人员提出一种在线多示例学习的鲁棒性目标追踪器。算法通过在线训练一个判别分类器，将目标从背景中分离出来。这个分类器使用当前追踪器状态从当前帧中提取正例和反例来引导自己追踪正确的目标。他们构造一组单例的这样的分类器，组成一个分类器的集合，用多示例学习的方法确定最优分类器组合，然后再对每一个粒子进行分类。

然而算法在提取样本不充分时会产生模板漂移，导致追踪精度下降。 所以研究人员又提出一种使用回归网络进行通用对象跟踪的追踪器，该算法基于卷积神经网络，对光照变化和视点变化具有较高鲁棒性，但对稍被遮挡的目标处理效果不佳。

而接着，再次提出一种具有通道和空间可靠性的判别相关滤波器，将信道和空间可靠性的概念引入到判别相关滤波器追踪中，信度分数反映了学习滤波器的信道质量，并作为特征加权系数用于定位，改善了对非矩形区域或对象的追踪效果，为对象跟踪提供了更高的精度。