目标跟踪算法小结(一）

最新推荐文章于 2025-07-02 16:52:19 发布

原创

最新推荐文章于 2025-07-02 16:52:19 发布 · 7.9k 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#目标跟踪算法

本文总结了目标跟踪算法的分类，包括生成模型和判别模型，并重点探讨了判别类方法，如Struck和TLD。介绍了Online Object Tracking基准论文，强调了数据集、代码库和鲁棒性评估的重要性。KCF作为一种高速跟踪方法，利用HOG特征和核函数提高效率，但也存在对尺度变化和遮挡处理不佳的问题。最后，提到了基于颜色判别式的跟踪方法，适用于颜色稳定的目标场景，但在遮挡和尺度变化下表现不佳。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

-1.目标视觉跟踪(visual object tracking),根据目标的跟踪方式，跟踪一般可以分为两大类：生产(generative)模型方法和判别(discriminative)模型方法。生成类方法在当前帧对目标区域建模，下一帧寻找与模型最相似的区域就是预测位置，如卡尔曼滤波，粒子滤波，mean-shift等。目前比较流行的是判别类方法，也叫跟踪检测(tracking-by-detection)，当前帧以目标区域为正样本，背景区域为负样本用来训练分类器，下一帧用训练好的分类器找最优区域，经典的判别类方法有Struck和TLD等。最近几年相关滤波方法如CF，KCF/DCF，CN，DSST也比较火。通常目标跟踪主要面临的难点有：外观变化，光照变化，快速运动，运动模糊，背景干扰等。

-2.Online Object Tracking: A Benchmark
论文工作主要有三部分：数据集，代码库，鲁棒性评估。论文主要从表示方式，搜索机制和模型更新三个方面对近年来的跟踪算法进行回顾。参与评估的算法包括：Struck，TLD等经典算法。
包含重新检测模块的TLD跟踪器在长序列的跟踪中效果更好；基于密集抽样的跟踪器（Struck，TLD，CXT）对目标快速运动时效果表现更好；Struck，SCM，TLD，LSK和ASLA等跟踪器的结构化学习和局部稀疏表示对解决遮挡问题效果较好，并且SCM，ASLA和LSK的局部稀疏表示比MTT和L1APG的全局稀疏表示模版更加有效；具有仿射运动模型的跟踪器（如ASLA和SCM）通常比像Struck那种利用少量期望值只描述平移运动的跟踪器能够更好地处理尺度变化；ASLA所采用的配准池技术比未配准和背景杂乱更加鲁棒；CSK采用了循环行列式结构提高跟踪速度； VTD和VTS方法采用了混合模型来提高跟踪性能。
背景信息对有效的跟踪是至关重要的，可以在判别式模型中对背景模型进行编码，或者显式地用作跟踪上下文信息来利用背景信息；局部模型对跟踪是非常重要的，就想局部稀疏表示比全局稀疏表示效果更好；运动模型或者说动态模型在目标跟踪中也是至关重要的，尤其是当目标的运动幅度较大或突然运动时。

-3.High