目标跟踪算法-综述

yhwang-hub

于 2020-07-16 23:53:02 发布

阅读量1.8k

点赞数 3

CC 4.0 BY-SA版权

分类专栏：深度学习

本文链接：https://blog.csdn.net/qq_33287871/article/details/107397310

深度学习专栏收录该内容

64 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文详细介绍了目标跟踪算法的两大类别：传统方法和深度学习方法，包括特征提取、滤波器、判别式方法等。现代跟踪器主要分为相关滤波和深度学习两类，其中深度学习逐渐成为主流，但速度和精度之间的平衡仍是挑战。同时，文章讨论了视觉跟踪在移动机器人中的应用，强调了实时性、目标检测与跟踪结合、长期跟踪能力和可移植性的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

传统方式
主要是一些特征提取+滤波类搜索算法。
其中特征提取主要有：局部、全局特征、模板、直方图、binary pattern、PCA、sparse PCA、SR（sparse representation）、 discriminative model、generative model。
对于搜索机制：CSK、KCF/DCF、CN、粒子滤波、马尔可夫链蒙特卡罗法、局部最优搜索、密集抽样搜索。
在这里插入图片描述
深度学习方式
1、tracking-by-detection方式
主要针对目标检测算法和滤波类算法（多目标跟踪），yolo系列、SSD系列、anchor-free系列、two-stage系列等等，滤波类和上述传统方式相似。
2、基于Siamese Networks（生成式，主要针对单目标）
主要通过Siamese网络进行相似度匹配，主要操作为：首先手动选择初始图像中的目标，使用Siamese网络进行特征提取，然后以此特征为标准，遍历后面帧图像的每个位置，对每个位置进行特征提取，然后做比较，确定位置。
端到端方式
主要通过深度学习方式（RNN和LSTM），不过该方式速度较慢，相比于传统方式效果也没有很大的提升，现阶段几乎没有落地。
KITTI上的目标跟踪算法（benchmark）