第2期 杨戈，等：视觉跟踪算法综述 ·99 法的健壮性，解决了遮挡问题.但这种模型比较复 围，克服了初始化困难的情况.另外一个问题是，无 杂，对于剧烈变化的运动（如跳水）效果不太理想， 法沿着边界进入凹点的情况，解决方法有定向景 在分析微脉管系统时，通过视频显微镜方法，检 点31]、控制点[32]、压力力量[334]等，有效地解决了 测和跟踪血管边界是很困难的，文献[22]提出了新 抓取范围的问题，也提供了一个理论和有效地定义 的基于主动轮廓的跟踪算法，它将梯度向量流和B- 外部域的方法，对初始化不敏感，而且能够解决进入 spline模型相结合，改进了多尺度梯度向量流，减少 边界凹点的问题.但是参数模型，为了找到适合的结 了噪声的干扰.但是它过于复杂，实现较困难. 果，需要以一系列不同参数值运行算法多次，直到取 文献[23]使用一系列的模板（轮廓）变形来模 得满意的性能 拟和跟踪视频对象，它将变形分成等级：全局仿射变 2视觉跟踪的常用方法 形、局部仿射变形、任意光滑变形（蛇形）.这样使得 跟踪算法能够及时地适应被跟踪对象姿势和形状的 视觉跟踪的常用方法有：参数估计方法和无参 变化.如果被跟踪对象是非刚性的，每个视频帧以后 密度估计方法.参数估计方法假设特征空间服从已 要更新整个模板；如果被跟踪对象是刚性的，只需要 知一个概率密度函数，通过估计目标区域中的数据 更新对象的姿势.但是它不能处理更一般的需求，在 估计密度函数的参数，得到这个概率密度函数，这个 跟踪过程中，不能自动调整参数和模板的类型， 函数一般是典型的函数，大部分是单峰的.但是在实 文献[24]通过使用局部运动和颜色信息，运用 际中，这个概率密度函数很难确定，而且特征空间也 分段轮廓预测，实行了视频对象的边界跟踪.分段轮 不一定服从一个概率密度函数.这时，无参密度估计 廓预测和对每个轮廓段两侧运动的建模使得跟踪算 方法能较好地处理这个问题， 法能够准确地决定是否以及哪里发生了被跟踪的边 设状态空间中的状态序列是{x}k=0,12.…,动态 界被其他对象遮挡，预测出可视对象的边界.能量函 状态方程是x=f(-1,),可能的观测值序列是 数是和轮廓段相关，而和尺度（分辨率）无关，针对多 {ak=l,2,观测方程是k=h(xk,n),通常f、h 尺度轮廓跟踪，不需要重新调整能量函数的权重.轮 是向量值，也是随着时间变化的函数，{，k=12, 廓的预测可以通过比真实轮廓更低尺度的图像来实 {nsk=l,2…,是噪声序列，假定它们是独立同分布. 现，可以用合理的计算成本跟踪很高分辨率的轮廓. 跟踪的目的就是在给定所有的观测值云1：k估计状态 文献[25]针对被跟踪对象的形状已知或最终 xk,或构造概率密度函数p(k|a1,).实现跟踪目标 形状和初始形状相似，提出了基于测地线主动轮廓 一般分成2步骤：预测和更新.预测是根据动态方程 的非参数拓扑约束的分割模型，整体考虑了拓扑约 和已经计算出来的时刻t=k-1状态概率密度函数 束，拓扑约束是基于几何观测的，在轮廓更新过程中 p(xk-1|1:k-1),得出目前状态的先验状态概率密度 作为约束条件 函数p(x|:k-1);更新是使用当前观测的似然函数 文献[2627]提出了非参数主动轮廓方法，首先 p(k〡x),来计算后验状态概率密度函数 不需要考虑轮廓形状就利用边域，由非参数Snake p(xx). 优先定义局部轮廓形状，基于核密度估计的表示方 如果噪声序列是高斯分布，f和h.是线性函数， 式呈现了一个便利的参数选择框架，而且更具有健 可以利用卡尔曼滤波器实现跟踪，它产生的后验概率 壮性.但它不能由一个可调整的粒度水平来控制多 密度函数也是高斯分布.如果f和h,是非线性函数， 个分段 通过线性化，可以利用扩展卡尔曼滤波器实现跟踪， 文献[28]提出了基于贝叶斯决策理论的非参 它产生的后验概率密度函数也是高斯分布.如果状态 数统计压力Snake,非参数方法用来取得统计模型， 空间是由离散的有限的状态构成，可以利用隐马尔可 来驱动曲线，实现了多颜色目标的跟踪 夫滤波器实现跟踪.如果噪声序列是非高斯分布， 目前解决基于主动轮廓的跟踪算法初始化问题 和，是非线性函数，可以利用粒子滤波器实现跟踪， 的方法有：基于多分辨率的方法9、距离潜能方 它产生的后验概率密度函数也是非高斯分布， 法[3o.但是前者对如何通过不同分辨率决定Snake 2.1参数估计方法 移动的方式还没有解决.后者引入外部模型来指引 参数估计方法必须事先知道概率密度函数的形 轮廓向对象边界移动，这种方法明显增加了查询范 式，这在计算机视觉中很推实现，数据模型往往是未