[论文解读] Object Tracking in Videos: Approaches and Issues

Duc Phu Chau, François Brémond+1 more|arXiv (Cornell University)|Apr 18, 2013

Video Surveillance and Tracking Methods参考文献 27被引用 8

一句话总结

本文基于被跟踪目标的类型——兴趣点、外观或轮廓——提出了一种视频目标跟踪算法的分类体系，将跟踪器分类为点跟踪、外观跟踪和轮廓跟踪。该文分析了每种方法的优势与局限性，为视频监控和计算机视觉应用中的目标跟踪研究提供了未来方向的见解。

ABSTRACT

Mobile object tracking has an important role in the computer vision applications. In this paper, we use a tracked target-based taxonomy to present the object tracking algorithms. The tracked targets are divided into three categories: points of interest, appearance and silhouette of mobile objects. Advantages and limitations of the tracking approaches are also analyzed to find the future directions in the object tracking domain.

研究动机与目标

• 根据被跟踪目标的类型（兴趣点、外观或轮廓）对目标跟踪算法进行分类。
• 分析每类跟踪方法的优势与局限性，以指导目标跟踪领域的未来研究。
• 为计算机视觉与视频监控领域的研究人员和实践者提供跟踪方法的结构化概览。
• 识别现有跟踪方法中的空白与挑战，尤其是在复杂或动态视频场景中。
• 支持为特定视频监控与计算机视觉应用选择合适的跟踪方法。

提出的方法

• 采用基于被跟踪目标的分类体系，将跟踪算法划分为三类：点跟踪、外观跟踪和轮廓跟踪。
• 在基于外观的跟踪中，使用参数化变换（如平移、旋转、仿射变换）来建模目标运动。
• 在确定性点跟踪中使用卡尔曼滤波进行状态估计，以预测后续帧中的目标位置。
• 应用轮廓演化技术（如贪婪蛇算法）并结合内部与外部能量函数，以跟踪目标轮廓。
• 通过在检测到的斑点周围进行径向采样构建外观模型，结合高斯颜色模型与边缘分布。
• 通过控制点置换实现形状不变性，通过最小包围圆实现尺度不变性，用于斑点表示。

实验结果

研究问题

• RQ1 如何基于被跟踪目标的类型，系统性地对目标跟踪算法进行分类？
• RQ2 基于点、基于外观和基于轮廓的跟踪方法的关键优势与局限性是什么？
• RQ3 当前的跟踪方法在处理遮挡、运动模糊和大位移等挑战方面的能力如何？
• RQ4 如何设计形状与外观模型，以实现对平移、旋转和尺度的不变性？
• RQ5 不同跟踪范式（如点与外观、轮廓与形状）之间的最有效整合策略是什么？

主要发现

• 基于被跟踪目标的分类体系能有效将现有跟踪方法组织为三类：点跟踪、外观跟踪和轮廓跟踪。
• 基于外观的跟踪方法（使用颜色直方图与参数化运动模型）在光照稳定条件下表现稳健，但在外观变化时表现不佳。
• 基于轮廓的跟踪方法（结合轮廓演化与基于能量的模型）在复杂场景中表现更优，但对初始化与噪声敏感。
• 卡尔曼滤波显著提升了确定性点跟踪中的轨迹预测性能，尤其适用于高速或大位移目标。
• 所提出的基于径向采样与归一化分布的外观模型实现了对平移、旋转与尺度的不变性，增强了鲁棒性。
• 尽管具有优势，许多现有方法仍受限于简单的测试序列，缺乏在真实复杂视频数据上的评估。