一、理論
該方法的基本思想是使用一組封閉的輪廓曲線來表徵目標，將曲線作為模板，在相鄰幀的邊緣影象中匹配並跟蹤該模板。該方法與基於區域的跟蹤方法相類似，都存在目標模板匹配和目標模板更新兩個環節，但是該方法是在二值化影象中匹配目標的輪廓模板，大大減小了計算量，提高了匹配的速度。
主動輪廓模型方法是近些年來發展較快的一類輪廓匹配跟蹤方法。 michael kass 等人在1988 年提出了主動輪廓模型(active contour models, acm)的概念，即snake 模型。該模型是指在目標區域內定義一組可以發生形變的曲線，通過不斷求解其能量函式最小化的過程，使該曲線不斷調整自身的形狀，最終和目標區域的輪廓相一致，該曲線即稱為snake 曲線。 snake 模型的運算主要是基於snake 曲線能量的，其運算過程的實質是求解其能量極小化的樣條函式 (spline function)，snake 曲線的形狀是受到內力所約束的，而運動是被外力所引導的，因此，使用snake 模型方法可以較為準確地跟蹤目標的輪廓。
利用 snake 模型可以較好地處理非剛體目標的跟蹤問題。首先通過邊緣檢測方法獲得目標的邊緣資訊，確定表徵邊緣的目標函式，不斷求解目標函式的最小值，使初始的snake 曲線逐漸與目標區域的輪廓相一致，實現對目標的跟蹤。由於目標區域的輪廓會受到雜訊的影響，導致其不能與目標的真實輪廓完全吻合。因此，該方法通常只適用於簡單背景下的目標跟蹤。而且使用該方法求解跟蹤目標的實質是尋找乙個最優解的過程，計算量較大，對於形變較大或速度較快的目標，很難實現實時跟蹤。
基於pytorch 目標檢查與跟蹤
1 pytorch detect to track 2 pytorch yolo v3 3 使用pytorch實現基於yolov3的目標檢測器 4 a faster pytorch implementation of faster r cnn 5 faster rcnn with pytorch 6...
基於Opencv的多目標跟蹤
python實現 import cv2 import sys major ver,minor ver,subminor ver cv2.version split print major ver,minor ver,subminor ver if name main 建立 boosting mil ...
基於深度學習的目標跟蹤
基於深度學習的目標檢測 基於深度學習的目標檢測綜述 目標檢測演算法匯聚 目標檢測演算法總結 10行 實現目標檢測 深度學習目標檢測 綜述 作者的個人理解 一刀流 tensorflow實現的目標檢測 有github 目標檢測演算法簡介，都是文字 內容摘要 r cnn是region based conv...