kernel-based_object_tracking_PAMI

### Kernel-Based Object Tracking #### 一、引言与背景 在计算机视觉领域，实时对象跟踪是许多应用中的关键任务，例如监控系统([44]、[16]、[32])、感知用户界面([10])、增强现实([26])、智能房间([39]、[75]、[47])、基于对象的视频压缩([11])以及驾驶员辅助系统([34]、[4])等。通常，一个典型的视觉跟踪器可以分为两个主要组成部分：目标表示与定位以及过滤与数据关联。 1. **目标表示与定位**：这通常是一个自下而上的过程，需要应对目标外观的变化。 2. **过滤与数据关联**：这通常是自上而下的过程，处理被跟踪对象的动力学、场景先验的学习以及不同假设的评估。 这两种组件如何结合和权衡取决于具体的应用，并且对跟踪器的鲁棒性和效率起着决定性的作用。例如，在拥挤场景中的面部跟踪更多依赖于目标表示而非目标动态([21])；而在空中视频监控中，则可能更侧重于目标动力学。 #### 二、目标表示与定位的新方法 本文提出了一种新的方法来实现非刚体对象的目标表示与定位，这是视觉跟踪中的核心部分。该方法通过特征直方图的目标表示，并使用各向异性核进行空间屏蔽来正则化这些表示。这种空间屏蔽能够诱导出空间平滑的相似性函数，非常适合梯度优化。因此，目标定位问题可以利用局部最大值的吸引力盆地来表述。 为了实现这一目标，本方法采用Bhattacharyya系数导出的度量作为相似性度量，并利用均值漂移算法执行优化。在给出的跟踪示例中，该新方法成功地应对了相机运动、部分遮挡、杂乱背景以及目标尺寸变化等问题。此外，文中还讨论了与运动滤波器和数据关联技术的集成。 #### 三、关键技术点 - **各向异性核的空间屏蔽**：这种方法通过引入空间平滑的相似性函数，使得目标定位问题能够被有效地解决。通过这种方式，即使是在复杂场景中，也能保证跟踪的准确性和稳定性。 - **Bhattacharyya系数**：这是一种度量两个概率分布之间差异的方法。在本文中，它被用来衡量目标特征直方图之间的相似性，从而为优化问题提供了一个合适的度量标准。 - **均值漂移算法**：这是一种迭代的搜索算法，用于寻找高密度区域的中心（即模式）。在目标跟踪中，该算法被用来找到最有可能的目标位置，进而实现优化。 - **目标定位问题的表述**：通过定义目标定位问题为局部最大值的吸引力盆地，使得问题可以通过优化手段得到有效的解决。这种方法不仅提高了跟踪的准确性，还增强了跟踪系统的鲁棒性。 #### 四、潜在应用 - **利用背景信息**：通过对场景中背景信息的有效利用，可以进一步提高跟踪的准确性，尤其是在复杂的环境中。 - **Kalman跟踪与运动模型**：结合Kalman滤波器和运动模型，可以更好地预测和修正目标的位置，尤其是在存在噪声或遮挡的情况下。 - **面部跟踪**：对于特定场景如面部跟踪，通过上述方法可以显著提升跟踪效果，尤其是在多人场景中。 #### 五、结论 本文提出的方法通过改进目标表示与定位的技术，有效解决了非刚体对象跟踪中的多个挑战。通过对特征直方图的各向异性核空间屏蔽、Bhattacharyya系数度量以及均值漂移优化策略的应用，不仅提高了跟踪的准确性和鲁棒性，也为后续的跟踪应用提供了新的思路和技术支持。