多目标追踪算法
‘壹’ opencv中目标跟踪的算法有哪些
是对MeanShift算法的改进算法，可以在跟踪的过程中随着目标大小的变化实时调整搜索窗口大小，对于视频序列中的每一帧还是采用MeanShift来寻找最优迭代结果，至于如何实现自动调整窗口大小的，
‘贰’ 目标跟踪都有那些算法
目标跟踪,利用相邻两帧的区域匹配从图像序列中建立目标链,跟踪目标从进入监视范围到驶离监视范围的整个过程。首称要确定匹配准则。常用的图像匹配方法有Hausdorff距离区域法和图像互相关。
‘叁’ 计算机视觉中，目前有哪些经典的目标跟踪算法
跟踪是一个很混乱的方向。
比如TLD、CT、Struct这些效果不错的Tracker其实都不是单纯的Tracker了。09年的时候我记得比较流行的是Particle Filtering， 或者一些MeanShift/CamShift的变形，比如特征变了，比如对问题的假设变了。
后来突然出现一些tracking by detection的方法，之前的很多朋友就觉得这是耍流氓。比如TLD，严格的跟踪算法也许只是里面的Forward/Backward Opitcal Flow的部分，但是效果很Impressive，所以不管怎样，一下就火了。
之后所谓的跟踪就不再是一个传统的跟踪问题，而是一个综合的工程问题。online learning，random projection ，sparse learning的东西都加进来，大家其实到底是在做跟踪还是在做检测或者online learning，其实已经不重要，因为衡量的标准是你在某些public dataset上的精度。
但这些对实际的项目有没有帮助呢？
这是个很有意思的地方，在很多时候，我们之所以需要跟踪算法，是因为我们的检测算法很慢，跟踪很快。基本上当前排名前几的跟踪算法都很难用在这样的情况下，因为你实际的速度已经太慢了，比如TLD，CT，还有Struct，如果目标超过十个，基本上就炸了。况且还有些跟踪算法自己drift掉了也不知道，比如第一版本的CT是无法处理drift的问题的，TLD是可以的，究其原因还是因为检测算法比较鲁棒啊……
实际中我觉得速度极快，实现也简单的纯跟踪算法居然是NCC和Overlap。
NCC很简单，这个是对点进行的，对于区域也有很多变种，网上有一些相关的资源。
Overlap是我取的名字，一般用在里面，假如你的摄像头是静止的，背景建模之后出来的前景可以是一个一个的blob，对相邻两帧的blob检测是否Overlap就可以得到track。在一些真实场景下，这个算法是非常有效的。关于背景template的问题在真实的里面也是很好解决的。
坐在电脑前面调试代码tuning 各种阈值让跟踪算法在某一个帧下面不要drift的事情我是再也不想干了。
顺祝你2015幸福快乐。
‘肆’ 自动跟踪的跟踪算法
质心跟踪算法：这种跟踪方式用于跟踪有界目标，且目标与环境相比有明显不同灰度等级，如空中飞机等。目标完全包含在镜头视场范围内。
相关跟踪算法：相关可用来跟踪多种类型的目标，当跟踪目标无边界且动态不是很强时这种方式非常有效。典型应用于：目标在近距离的范围，且目标扩展到镜头视场范围外，如航行在大海中的一艘船。
相位相关算法：相位相关算法是非常通用的算法，既可以用来跟踪无界目标也可以用来跟踪有界目标。在复杂环境下（如地面的汽车）能给出一个好的效果。
多目标跟踪算法：多目标跟踪用于有界目标如飞机、地面汽车等。它们完全在跟踪窗口内。对复杂环境里的小目标跟踪，本算法能给出一个较好的性能。
边缘跟踪算法：当跟踪目标有一个或多个确定的边缘而同时却又具有不确定的边缘，这时边缘跟踪是最有效的算法。典型如火箭发射，它有确定好的前边缘，但尾边缘由于喷气而不定。
场景锁定算法：该算法专门用于复杂场景的跟踪。适合于空对地和地对地场景。这个算法跟踪场景中的多个目标，然后依据每个点的运动，从而估计整个场景全局运动，场景中的目标和定位是自动选择的。当存在跟踪点移动到摄像机视场外时，新的跟踪点能自动被标识。瞄准点初始化到场景中的某个点，跟踪启动，同时定位瞄准线。在这种模式下，能连续跟踪和报告场景里的目标的位置。
组合跟踪算法：顾名思义这种跟踪方式是两种具有互补特性的跟踪算法的组合：相关类算法 + 质心类算法。它适合于目标尺寸、表面、特征改变很大的场景。
‘伍’ 现在所说的多目标跟踪是在单摄像头还是多摄像头下的
一、静态背景下的目标跟踪方法1、单目标：目标跟踪还可以分为单目标的跟踪和多目标的跟踪。单目标的静态背景下的目标跟踪指的是摄像头是固定在某一方位，其所观察的视野也是静止的。通常采用背景差分法，即先对背景进行建模，然后从视频流中读取图像（我们称之为前景图像），将前景图像与背景图像做差，就可以得到进入视野的目标物体。对于目标的描述，通常用目标连通区域的像素数目的多少来表达目标的大小，或者用目标区域的高宽比等。目标的位置信息可采用投影的方式来定位。2、多目标：静态环境下的多目标跟踪，需要确定每个目标的特征，位置，运动方向，速度等信息。3、预处理：由于获得的图像总会有着噪声，需要对图像做一些预处理，如高斯平滑，均值滤波，或者进行一些灰度拉伸等图像增强的操作。二、动态背景下的目标跟踪 摄像头在云台控制下的旋转，会使得他所采集的图像时可在变化，所以，对于整个目标跟踪过程来说，背景是变化，目标也是在整个过程中运动的，所以跟踪起来较有难度。 目前课题组提出的方案是：跟踪过程：在摄像头不同偏角情况下取得若干背景图片，建立背景图片库――>摄像头保持固定时，取得当前帧图片，与图片库中的背景图像匹配，背景差分(灰度差分？)，获得目标――>目标特征提取――>实时获得当前帧图片，采用跟踪算法动态跟踪目标。 提取特征是一个难点，课题组提出多颜色空间分析的方法。根据彩色图像在不同的颜色空间里表征同一物体呈现出的同态性，可以把目标物体在不同的颜色空间里进行分解，并将这些关键特征信息进行融合，从而找出判别目标的本质特征。跟踪过程中采用的各种方法说明：1）在0－360度不同偏角时，获得背景图片，可进行混合高斯背景建模，建立图片库，以俯仰角和偏转角不同标志每张背景图片，以备匹配使用；2）背景差分获得目标后，对差分图像需要进行平滑、去噪等处理，去除干扰因素；3）对目标采用多颜色空间（HSV、YUV）特征提取，对不同颜色空间的特征相与（AND），得到目标特征，以更好的在当前帧图片中找到目标；4）实时得到的当前帧图片，进行混合高斯建模，排除树叶摇动等引起的背景变化；5）跟踪算法可采用多子块匹配方法、camshift方法等。
‘陆’ 目标跟踪算法好处
目标跟踪算法好处是：
1、可以提高后续检测的准确性。
2、能够掌握目标的运动状态。
‘柒’ 如何实现多种目标跟踪算法并行实现对比
本文通过理论和实际的分析，提出一种在以矩不变量为特征的目标跟踪系统中引入并行计算机处理的算法，该算法将目标跟踪过程中的特征提取和模块匹配算法结合起来进行合理划分，使得在每个控制间隔里，两部分交换信息后分别同时计算，从而在任务级上实现并行处理。
‘捌’ 视觉追踪的分类
（1）单摄像头与多摄像头
在视频跟踪的过程中，根据使用的摄像头的数目，可将目标跟踪方法分为单摄像头跟踪方法（Monocular camera）与多摄像头跟踪方法（Multiple cameras）。由于单摄像头视野有限，大范围场景下的目标跟踪需要使用多摄像头系统。基于多个摄像头的跟踪方法有利于解决遮挡问题，场景混乱、环境光照突变情况下的目标跟踪问题。
（2）摄像头静止与摄像头运动
在实际的目标跟踪系统中，摄像头可以是固定在某个位置，不发生变化，也可以是运动，不固定的。例如，对于大多数的视频监视系统而言，都是在摄像机静止状态下，对特定关注区域进目标的识别跟踪；而在视觉导航等的应用系统中，摄像头往往随着无人汽车、无人机等载体进行运动。
（3）单目标跟踪与多目标跟踪
根据跟踪目标的数量可以将跟踪算法分为单目标跟踪与多目标跟踪。相比单目标跟踪而言，多目标跟踪问题更加复杂和困难。多目标跟踪问题需要考虑视频序列中多个独立目标的位置、大小等数据，多个目标各自外观的变化、不同的运动方式、动态光照的影响以及多个目标之间相互遮挡、合并与分离等情况均是多目标跟踪问题中的难点。
（4）刚体跟踪与非刚体跟踪
根据被跟踪目标的结构属性，可将跟踪目标分为刚体与非刚体。所谓刚体，是指具备刚性结构、不易形变的物体，例如车辆等目标；非刚体通常指外形容易变形的物体，例如布料表面、衣服表面等。针对刚体目标的跟踪一直得到广泛深入的研究，而非刚体目标的跟踪，由于目标发生变形以及出现自身遮挡等现象，不能直接应用基于刚体目标的跟踪算法针对非刚体目标的跟踪一直是非常困难并且具有挑战性的课题。
（5）可见光与红外图像的目标跟踪
根据传感器成像的类型不同，目标跟踪还可以分为基于可见光图像的跟踪和基于红外图像的跟踪。目标的红外图像和目标的可见光图像不同，它不是人眼所能看到的可见光图像，而是目标表面温度分布的图像。红外图像属于被动式成像，无需各种光源照明，全天候工作，安全隐敝，使用方便；红外光较之可见光的波长长得多，透烟雾性能较好，可在夜间工作。可见光图像具有光谱信息丰富、分辨率高、动态范围大等优点，但在夜间和低能见度等条件下，成像效果差。
比较常用的目标跟踪算法有以下几种：基于目标运动特征的跟踪算法，如：帧差分法、基于光流的跟踪方法等；基于视频序列前后相关性的目标跟踪算法，如：基于模板的相关跟踪算法、基于特征点的相关跟踪算法等；基于目标特征参数的跟踪算法，如基于轮廓的跟踪算法、基于特征点的跟踪算法等。另外，很多研究者将小波、人工智能、神经网络等相关知识应用于目标跟踪领域，并取得了很好的效果。以上这些算法各有其优缺点，应该根据应用场合进行选择。