核跟踪
核跟踪的目标表达通常用原始的目标区域来表达，跟踪由计算目标运动来实现的。目标运动以参数形式的运动(如平移、仿射等)或计算得到的连续帧的密度流区域描述。这些算法在外观表达的运动、跟踪的目标数目、运动估计使用的方法等方面有所差异。核跟踪算法可分为两类：分别是基于模板和概率密度的外观模型的跟踪，和基于多视角外观模型跟踪。
1 基于模板和概率密度外观模型的跟踪 这类方法计算简单，方法直观。根据目标是独立跟踪还是联合跟踪又可分为两个子类。
1.1 单目标跟踪
这类算法中最常用的是模板匹配，也是最直观的方法。在图像中搜索类似于预定义模板的区域，通过相似性度量(比如cross correlation)判断目标位置。主要问题在于计算量大。可以用邻域范围限定等方法来减少搜索半径。
除了模板匹配外，还可以用颜色直方图、混合模型等来表达外观模型。
Schweitzeret al. [2002] - 高效的模板匹配
Comaniciu and Meer [2003] - 用MeanShift算法搜索
Jepson et al. [2003] - 提出一种组合跟踪算法，分三种成分处理 - 稳定外观、暂态特征、噪声。用在线的EM算法学习三个分量参数。
光流法也是一种基于概率密度外观模型跟踪的方法。通过计算每个像素在光照不变约束下的光流向量产生稠密光流区域，从而得到矩形区域的平移。KLT算法Shi and Tomasi[1994]就是用应用光流特征的一种跟踪算法。
1.2 多目标跟踪
这类算法通常对整个图像进行建模，包括背景和每个目标。
Tao et al. [2002]分层建模整体图像。每层由一个先验形状(椭圆)、运动模型(平移和旋转)和外观(高斯函数建模的图像强度)组成。
Isard and MacCormick [2001]提出联合建模背景和前景的跟踪方法。背景的外观由混合高斯模型建模，目标的形状建模为圆柱体。跟踪用粒子滤波实现。该算法可以处理目标之间的遮挡，但是场景中目标数目的最大值要预先定义，需要对前景区域进行建模。
2 用多视角外观模型跟踪
对多个视角的目标进行离线学习，使能够处理重大视角变化情况跟踪问题。
Black and Jepson[1998]提出基于子空间的方法。先用PCA建立目标外观的子空间表达，然后将图像转化到特征子空间中。
Avidan [2001]使用了SVM分类器对多视角进行分类，并跟踪。
3 讨论
核跟踪算法的定性比较，可以由以下标准获得：
跟踪一个/多个目标
处理遮挡的能力
是否需要训练
运动模型
是否需要人工初始化
上图是本节介绍的跟踪算法的定性比较。
由于实时性的需要，当前阶段的核跟踪方法往往用基本几何形状来表达目标。这种表达方式的问题在于部分目标可能落在定义的形状之外而背景则可能部分进入了目标区域。这时用模型相似度来度量很可能会出错。解决这一问题的一种方法是将区域限定在目标内部，另一种方法是用颜色、纹理的概率密度函数建模目标外观并基于条件概率给基本形状内部的像素分配权值。
NEXT STEP
进阶阅读：
Schweitzeret al. [2002] - 改进的基于模板匹配跟踪
Comaniciu and Meer [2003] - MeanShift跟踪
Jepson et al. [2003] - 多成分组合跟踪
Shi and Tomasi[1994] - KLT跟踪
Tao et al. [2002] - 分层建模整体图像
Isard and MacCormick [2001] - 联合建模背景和前景跟踪
Black and Jepson[1998] - 基于多视角子空间跟踪
Avidan [2001] - 基于SVM分类器对多视角进行分类
本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/lynphoenix/archive/2011/02/17/6191638.aspx