跟踪

本章描述了一种递归实现目标跟踪的方法。该方法只需要知道目标在前一帧中的位置，也就是说需要一个额外的初始化。在实验过程中，我们采用在第一帧进行人工干预和在后续连续帧中进行目标检测的方法来实现这个初始化。

我们沿用了Kalal等人的递归跟踪方法，如图2.1所示。首先，在t帧的边界框中均匀地创建一些点，如图2.1左图所示。然后，使用Lucas and Kanade 光流法来估计这些点在t+1帧中的位置。这种方法对角点是有效的，但这种方法无法跟踪到那些同质区域的点。我们使用Lucas and Kanade 光流法得到的信息，使用归一化互相关和前后误差（forward-backward error）作为两种错误的检测方法，来滤出那些极可能错误的跟踪点。图2.1右图给出了经过过滤后留下的跟踪点。如果所有前后误差的均值大于一个事先设定的误差阈值，我们就停止所有的递归跟踪。最后，使用过滤后剩下的点，及基于平移和尺度变化的变换模型，来估计下一帧中新边界框的位置。图2.1右图中的边界框便是根据使用过滤剩余点得到的偏移向量对前一帧中的边界框做变换得到的。

本章的组织结构如下：2.1介绍Lucas and Kanade 光流估计法； 2.2介绍检测错误的方法；2.3介绍我们所用的变换模型，并给出其算法；2.4对本章内容做一个小结。

图2.1 递归跟踪实现方法：通过光流估计得到跟踪点；滤除错误跟踪点；估计边界框变换模型。图源自[28]

2.4 总结

本章描述了我们所采用的递归估计目标位置的方法。该方法只需要知道当前帧中目标的位置，而不需要任何其它先验信息。我们阐述了如何通过光流计算稀疏逼近来估计对前一帧边界框的变换模型，并详细介绍了本文所采用的Lucas and Kanade 光流法。我们还介绍了两种检测错误的方法，并把该方法作为停止追踪的判决条件来改善追踪效果。图2.3展示了一个使用该追踪方法得到的一个结果。图2.3中最左图的初始边界框用蓝色表示。第二幅图中，目标被准确地追踪到。从第三幅图可知，使用停止追踪判决准则能够得到闭塞发生的时间。然而，本方法对第四幅图像就无法进行自身重初始化，因为该方法对第四幅图缺少进行目标检测的条件。

图2.3 只要目标存在于图像中，递归跟踪可以实现。第三帧闭塞发生，目标丢失。 图源自SPEVI库

翻译原稿：《Robust Object Tracking Based on Tracking-Learning-Detection》