[00113582]一种基于双向SIFT流运动评估的大位移目标稀疏跟踪方法

在传统视频跟踪算法研究方法中,大部分研究者给定了一个运动平滑性假设条件,也就是说目标在视频帧间的运动变化是连续且光滑的。然而,在实际跟踪场景中,往往会因为摄像机视野切换或晃动、视频帧被抽取、目标快速运动和低帧率视频采集等客观因素的存在,导致目标在视频帧间产生了大的运动位移,破坏了传统研究方法的假定条件,引起现有大量目标跟踪算法执行失败。为了适应跟踪目标这种异常的运动行为,保证算法能够持续地跟踪兴趣目标,必须提出一种新的视频目标跟踪算法。 针对上述问题,很多研究者提出了一些研究思路：（1）基于检测方法的目标跟踪,旨在利用检测手段搜索整个状态空间以覆盖不同的运动位移,这类方法的优点是能够在特定的场景下适应大位移运动目标的跟踪问题,但其易遭遇局部最优化问题,而且扩大的搜索范围会导致大量的背景信息有待处理,如果出现背景复杂的场景跟踪算法容易失败;（2）基于多尺度和分层策略的目标跟踪,旨在利用多尺度和分层策略使得目标运动在高尺度或高层空间下再次满足平滑性条件;这类方法的优点是简单易操作,但其适合于目标帧间运动位移不太大的情况下,而且算法严重依赖分解的层数或尺度数目;（3）基于多运动模型的目标跟踪,旨在通过预先设计的运动模型并借助其能够容忍各种运动位移量而实现有效跟踪,这类方法优点是直接从目标运动入手能够精确实现不确定运作状态的评估,但是该类算法严重依赖精确的运动模型,在现实中因为目标运动的不确定性存在,其难以广义化;（4）基于马尔科夫链蒙特卡罗（Markov-chain Monte Carlo, MCMC）的目标跟踪,旨在通过不同的重要性采样方法提供能够覆盖目标所有运动状态以解决目标的大位移运动问题。该类算法优点是能够处理目标的多模态分布和目标丢失再跟踪的问题。但该类方法需要先验信息,而且容易陷入局部最优化。 因此,研究一种基于双向SIFT流运动评估的目标稀疏跟踪新算法,它能够直接从帧间运动场出发评估目标运动位移程度,不需要任何先验信息,而且能够避免局部陷入问题,这将给大位移目标持续性跟踪方法研究指引了一个新的研究方向。通过对该技术的深入研究能够尽可能地减少目标持续性跟踪技术的约束条件,大大促进跟踪算法的实际应用化进程。