目标跟踪
目标跟踪算法总结
目标跟踪算法是指通过视频分析技术，实时追踪视频序列中的目标并获取其位置、形状、速度等信息的一种算法。目标跟踪在多个领域有着广泛的应用，如监控安防、无人驾驶、人机交互以及虚拟现实等。
目标跟踪算法有多种分类方式。一种分类是基于主动轮廓、特征、区域或模型的跟踪。例如，基于主动轮廓的跟踪使用如Snake模型这样的可变形曲线，通过最小化能量函数来逐渐调整曲线形状与目标轮廓相一致。
另一种分类是根据目标的跟踪方式，分为生成（Generative）模型方法和判别（Discriminative）模型方法。生成模型方法主要基于目标的外观特征进行建模，通过比较当前帧中的目标与模型中的目标外观来估计目标的位置。判别模型方法则通过训练一个分类器来区分目标与背景，实现目标的定位跟踪。
此外，还有基于特征匹配的相关滤波器算法、卡尔曼滤波器算法和粒子滤波器算法等常用的目标跟踪算法。这些算法通过使用目标的特征信息（如颜色直方图、纹理特征等）来匹配目标并更新目标状态，从而实现目标的连续跟踪。
近年来，基于深度学习的目标跟踪算法也取得了显著进展。深度学习方法通过构建深度神经网络来提取目标的特征，并学习目标的运动模式，从而实现对目标的准确跟踪。这种方法在处理复杂场景和目标形变等方面具有较好的性能。
然而，目标跟踪算法仍面临一些挑战，如实时性、鲁棒性和准确性等方面的问题。研究者们正在不断探索新的算法和技术，以提高目标跟踪的性能和适用性。
目标跟踪算法在多个领域都有广泛的应用前景，并随着技术的不断进步和发展，其性能和准确性将得到进一步提升。
应用
Augmented Reality 增强现实
Motion Capture 运动捕捉
Surveillance 监控
Sports Analysis 运动(足球、篮球…)分析
动物行为分析
…
目录
- 运动估计/光流 Mption Estimation / optical Flow
- 单目标跟踪 Single Object Tracking
- 多目标跟踪 Multiple Object Trackink
个体之间的差异性 几何信息约束、不相容约束
运动假设
constant position (+ noise) 恒定位置（+噪声 高斯噪声、非高斯噪声）
constant velocity 速度恒定
constant acceleration 加速度恒定
多目标运动之间的关联性
1. 运动估计/光流
光流简介
光流法总结
3D运动 投影到 2D图像平面上
相邻帧上对应像素点的移动 I(x,y,t) = I(x+dx,y+dy,t+dt) 灰度不变
其计算方法可以分为三类：
（1）基于区域或者基于特征的匹配方法；
（2）基于频域的方法；
（3）基于梯度的方法；
光流基于光度不变假设，具体来说分成三个假设
（1）亮度恒定，前后帧观测到的对应点的灰度值一样。
（2）时间连续或者运动位移小。
（3）空间一致性：邻近点有相似运动，同一子图像的像素点具有相同的运动。
光流（optic flow）是什么呢？名字很专业，感觉很陌生，但本质上，我们是最熟悉不过的了。
因为这种视觉现象我们每天都在经历。从本质上说，光流就是你在这个运动着的世界里感觉到的明显的
视觉运动（呵呵，相对论，没有绝对的静止，也没有绝对的运动）。
例如，当你坐在火车上，然后往窗外看。你可以看到树、地面、建筑等等，他们都在往后退。
这个运动就是光流。而且，我们都会发现，他们的运动速度居然不一样？
