|
輪廓跟蹤 形狀復(fù)雜的目標(biāo)難以用簡單的幾何形狀來表示?；谳喞姆椒ㄌ峁┝溯^為準(zhǔn)確的形狀描述。這類方法的主要思想是用先前幀建立的目標(biāo)模型找到當(dāng)前幀的目標(biāo)區(qū)域。其中目標(biāo)模型可以是顏色直方圖、目標(biāo)邊緣或者輪廓?；谳喞母櫡椒梢苑譃閮深悾盒螤钇ヅ浞椒ê洼喞櫡椒āＧ罢咴诋?dāng)前幀中搜索目標(biāo)性狀，后者則通過狀態(tài)空間模型或直接的能量最小化函數(shù)推演初始輪廓在當(dāng)前幀中的新位置。
1 形狀匹配方法 這種方法類似于基于模板的跟蹤，在當(dāng)前幀中搜索目標(biāo)的輪廓和相關(guān)模型。 Huttenlocher et al.[1993] - 用基于邊緣的表達方式進行形狀匹配，用Hausdorff距離進行匹配測量。 Li et al. [2001] - 也提出了用Hausdorff距離的形狀匹配方法。 另一種匹配形狀的方法是在連續(xù)兩幀中尋找關(guān)聯(lián)輪廓，建立輪廓關(guān)聯(lián)，或稱為輪廓匹配，是類似于點匹配的一種方法。這種方法使用了目標(biāo)的外觀特征。 -輪廓檢測通常由背景減除實現(xiàn)。 -輪廓被提取后，匹配由計算目標(biāo)模型和每個輪廓之間的距離實現(xiàn)。 -目標(biāo)模型可以使密度函數(shù)(顏色或邊緣直方圖)、輪廓邊界、目標(biāo)邊緣或這些信息的組合 Kang et al.[2004] - 使用了顏色和邊緣直方圖作為目標(biāo)模型 Haritaoglu et al. [2000 - 使用了輪廓內(nèi)部得到的邊緣信息建模目標(biāo)外觀 用光流法提取進行輪廓匹配也是一種思路。如Sato and Aggarwal [2004] - 用Hough變換計算輪廓軌跡
2 輪廓跟蹤 這種方法從前一幀的輪廓位置開始輪廓推演，得到當(dāng)前幀的輪廓。前提是當(dāng)前幀和前一幀的目標(biāo)輪廓有所交疊。這類方法又有兩種不同的實現(xiàn)方式，用狀態(tài)空間模型建模輪廓的形狀和運動，或直接用梯度搜索等輪廓能量最小化方法推演輪廓。
2.1 用狀態(tài)空間模型跟蹤 目標(biāo)狀態(tài)由輪廓的形狀和運動參數(shù)定義。狀態(tài)在輪廓的后驗概率最大化時更新。 Terzopoulos and Szeliski [1992] - 用控制點的運動定義目標(biāo)狀態(tài)，控制點的動態(tài)性用彈簧模型建模。輪廓新狀態(tài)用卡爾曼濾波器預(yù)測。 Isard and Blake[1998] - 用樣條形狀參數(shù)和仿射運動參數(shù)定義目標(biāo)狀態(tài)，狀態(tài)更新用粒子濾波器實現(xiàn)。 MacCormick and Blake[2000] - 將Isard and Blake[1998] 的基于粒子濾波的方法擴展到多目標(biāo)跟蹤，用排他性原則處理遮擋。能夠處理兩個目標(biāo)之間的遮擋。 Chen et al. [2001] - 用參數(shù)化的橢圓集合表示輪廓。每個輪廓節(jié)點擁有一個HMM，每個HMM的狀態(tài)由輪廓控制點的法線方向上的點定義。HMM的狀態(tài)轉(zhuǎn)移概率用JPDAF估計。輪廓狀態(tài)用Viterbi algorithm [1967]估計。 以上的基于狀態(tài)空間模型跟蹤的方法都是采用顯式的方法表達輪廓，如參數(shù)樣條曲線。這種表達不能處理拓?fù)浣Y(jié)構(gòu)的變化，比如目標(biāo)區(qū)域的分割、合并等。而輪廓拖延的方法則能夠解決拓?fù)渥兓瘞淼膯栴}。
2.2 直接能量最小化方法跟蹤 用輪廓推演的跟蹤與目標(biāo)分割的方法有些類似。分割和跟蹤都是通過貪婪算法或梯度下降來最小化能量。 Bertalmio et al. [2000] - 用光流不變約束在連續(xù)幀中推演輪廓，用level set表達式迭代計算輪廓位移。用了兩個能量函數(shù)，一個用作輪廓跟蹤，一個用作強度的變化。 Mansouri [2002] - 也用光流不變約束進行輪廓推演。該算法不止計算邊緣的光流，也計算目標(biāo)區(qū)域內(nèi)部每個像素的光流向量。再迭代使得能量最小化。 Cremers and Schnorr[2003] - 也是用光流做輪廓推演 還可以通過提取連續(xù)幀之間的目標(biāo)內(nèi)外的一致性信息進行輪廓推演。這種方法需要在當(dāng)前幀中用先前的位置進行輪廓初始化。 Ronfrad [1994] - 定義了一個基于Ward距離的靜態(tài)圖像模型控制輪廓推演的能量函數(shù) Yilmaz and Shah [2004] - 用目標(biāo)邊界周圍的顏色和紋理模型推演目標(biāo)輪廓
3 討論 輪廓跟蹤通常是在需要跟蹤目標(biāo)整體區(qū)域時執(zhí)行的。輪廓跟蹤的最重要的優(yōu)點在于其處理目標(biāo)形狀變化的適應(yīng)性。 輪廓可以用不同方式來表達，最常用的表達方式是二元的指示函數(shù)，目標(biāo)區(qū)域標(biāo)記為1，非目標(biāo)區(qū)域標(biāo)記為0.對基于輪廓的方法，輪廓可以是顯式表達(控制點集合組成的輪廓邊界)，或隱式表達(在網(wǎng)格上定義的函數(shù))。最常用的隱式輪廓表達式level set表達。 輪廓跟蹤算法的目標(biāo)表達方式可以使運動模型、外觀模型、形狀模型或這些模型的組合。目標(biāo)模型通常由參數(shù)的或非參數(shù)的密度函數(shù)建模，目標(biāo)性狀可以用輪廓子空間的形式建模。 基于外觀的形狀表達在直觀的輪廓搜索中普遍應(yīng)用。對基于邊緣的形狀表達，Hausdroff距離是最廣泛應(yīng)用的測量方法。 遮擋處理也是一個重要問題。通常沒有顯式地做出解決，常規(guī)方法是用勻速或勻加速假設(shè)來計算目標(biāo)位置。也有少數(shù)方法對遮擋用強制形狀約束來顯式處理。 另一個重要問題是目標(biāo)分割和融合等拓?fù)渥兓奶幚怼＿@通?？梢杂呻[式的輪廓表達來解決。 區(qū)分不同的輪廓跟蹤算法的重要因素是它們用了什么特征；如何處理遮擋；是否需要訓(xùn)練；更多的，有些算法只用了輪廓邊界信息來跟蹤，而另一些算法則用到了輪廓內(nèi)完整區(qū)域的信息。通常后者對噪聲更加穩(wěn)定。下圖是不同輪廓跟蹤算法的定性比較。
|
|
|
