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。
1.靜態背景
2.動態背景（需要進行影象的全域性運動估計與補償）
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)、變換係數特徵(傅利葉描繪子、自回歸模型)、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。其中一模擬較常用的方法是**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**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**演算法。
目標跟蹤小結
一 引言 在需要監控的環境裡，如何能夠判斷出進入特定區域的目標，並且能夠跟蹤目標的軌跡。分為兩種情況 一是靜態背景下的目標跟蹤 二是動態背景下的目標跟蹤。二 靜態背景下的目標跟蹤方法 2 多目標 靜態環境下的多目標跟蹤，需要確定每個目標的特徵，位置，運動方向，速度等資訊。3 預處理 由於獲得的影象總...
目標跟蹤小結
一 引言 在需要監控的環境裡，如何能夠判斷出進入特定區域的目標，並且能夠跟蹤目標的軌跡。分為兩種情況 一是靜態背景下的目標跟蹤 二是動態背景下的目標跟蹤。二 靜態背景下的目標跟蹤方法 2 多目標 靜態環境下的多目標跟蹤，需要確定每個目標的特徵，位置，運動方向，速度等資訊。3 預處理 由於獲得的影象總...
目標跟蹤檢測演算法（二） 檢測與跟蹤
在該階段，對已存的目標追蹤演算法出現了兩種比較公認的分類，一種是基於生成模型的方法，一種是基於判別模型的方法。在第一階段中的方法都屬於前一種，而基於判別的方法是指通過分類來做跟蹤，也叫檢測跟蹤 tracking by detection 通過機器學習方法，提取影象特徵，並訓練分類器進行分類，在下一幀...