目標檢測     

 目標檢測即為從序列影象中將變化區域從背景影象中提取出來。運動目標檢測的演算法依照目標與攝像機之間的關係可以分為靜態背景下運動檢測和動態背景下運動檢測。

靜態背景

背景差分法

幀間差分法

光流法

動態背景（需要進行影象的全域性運動估計與補償）

塊匹配法

光流估計法

 運動目標跟蹤

運動目標跟蹤就是在一段序列影象中的每幅影象中實時地找到所感興趣的運動目標(包括位置、速度及加速度等運動引數)。簡單說,就是在序列影象中為目標定位。在運動目標跟蹤問題的研究上,總體來說有兩種思路: a)不依賴於先驗知識,直接從影象序列中檢測到運動目標,並進行目標識別,最終跟蹤感興趣的運動目標; b)依賴於目標的先驗知識,首先為運動目標建模,然後在影象序列中實時找到相匹配的運動目標。

運動目標的有效表達

      除了對運動目標建模外,目標跟蹤中常用到的目標特性表達主要包括視覺特徵(影象邊緣、輪廓、形狀、紋理、區域)、統計特徵(直方圖、各種矩特徵)、變換系數特徵(傅立葉描繪子、自迴歸模型)、代數特徵(影象矩陣的奇異值分解)等。除了使用單一特徵外,也可通過融合多個特徵來提高跟蹤的可靠性。

 相似性度量演算法

      對運動目標進行特性提取之後,需要採用一定的相似性度量演算法與幀影象進行匹配,從而實現目標跟蹤。影象處理與分析理論中,常見的相似性度量方法有歐氏距離、街區距離、棋盤距離、加權距離、巴特查理亞係數、Hausdorff距離等,其中應用最多和最簡單的是歐氏距離。

     搜尋演算法

      目標跟蹤過程中,直接對場景中的所有內容進行匹配計算,尋找最佳匹配位置,需要處理大量的冗餘資訊,這樣運算量比較大,而且沒有必要。採用一定的搜尋演算法對未來時刻目標的位置狀態進行估計假設,縮小目標搜尋範圍便具有了非常重要的意義。其中一類比較常用的方法是預測運動體下一幀可能出現的位置,在其相關區域內尋找最優點。常見的預測演算法有Kalman濾波、擴充套件的Kalman濾波及粒子濾波方法等。

      另一類減小搜尋範圍的演算法是優化搜尋方向。均值漂移演算法(Meanshift演算法)、連續自適應均值漂移演算法(Camshift演算法)和置信區域演算法都是利用無參估計的方法優化目標模板

和候選目標距離的迭代收斂過程,以達到縮小搜尋範圍的目的。

     目標跟蹤分類

      依據運動目標的表達和相似性度量,運動目標跟蹤演算法可以分為四類:基於主動輪廓的跟蹤、基於特徵的跟蹤、基於區域的跟蹤和基於模型的跟蹤。跟蹤演算法的精度和魯棒性很大程度上取決於對運動目標的表達和相似性度量的定義,跟蹤演算法的實時性取決於匹配搜尋策略和濾波預測演算法。

     1)基於主動輪廓的跟蹤

      Kass等人提出的主動輪廓模型,即Snake模型,是在影象域內定義的可變形曲線,通過對其能量函式的最小化,動態輪廓逐步調整自身形狀與目標輪廓相一致,該可變形曲線又稱為Snake曲線

     2)基於特徵的跟蹤

     基於特徵匹配的跟蹤方法不考慮運動目標的整體特徵,只通過目標影象的一些顯著特徵來進行跟蹤。假定運動目標可以由惟一的特徵集合表達,搜尋到該相應的特徵集合就認為跟蹤上了運動目標。除了用單一的特徵來實現跟蹤外,還可以採用多個特徵資訊融合在一起作為跟蹤特徵。基於特徵的跟蹤主要包括特徵提取和特徵匹配兩個方面。

     3)基於區域的跟蹤

     基於區域的跟蹤演算法基本思想是: a)得到包含目標的模板,該模板可通過影象分割獲得或預先人為確定,模板通常為略大於目標的矩形,也可為不規則形狀; b)在序列影象中,運用相關演算法跟蹤目標。

     4)基於模型的跟蹤

     基於模型的跟蹤是通過一定的先驗知識對所跟蹤目標建立模型,然後通過匹配跟蹤目標進行模型的實時更新。對於剛體目標來說,其運動狀態變換主要是平移、旋轉等,可以利用該方法實現目標跟蹤。但是實際應用中跟蹤的不僅僅是剛體,還有一大部分是非剛體,目標確切的幾何模型不容易得到。

 
原文：https://blog.csdn.net/xiaoxiannan/article/details/8924473