Why is tracking difficult?

视觉跟踪的难点

1 目标怎么表示

一般用一个矩形框将目标所在区域标出来，但是目标一般不是矩形的，所以经常会包含非目标框
，要想完美解决这个问题，可能的方案有两个:

• 1.1 利用显著性，显著性的任务就是给每个像素打标签，是物体标签接近1，是背景，标签接近于0，一般是基于超像素进行的标签打分。这个在质量好的图片上，效果还好，但是还不够。但是如果显著性能完美的解决，每个超像素是不是一个物体的话，那么跟踪就化简很多步骤了。
• 1.2 前景背景分割，这个东西就是分割出物体来，具体做到什么程度不太了解。

2 目标的更新

目标在跟踪过程中，会发生改变，如何来“形容”这种改变，将这些变化记录下来，以达到对目标的“学习”呢？

• 2.1 模板库方式：我刚接触的跟踪算法TLD,号称可以，tracking learning detection，其目标学习方法，是将目标每帧的特征矩阵（是一个叫做局部二值特征的东西吧，记不清了，反正是一种简单高效的特征），和之前存的模版对比，将那么没那么相似的块，保存下来，形成一个模板库，这是一种非常直观，好理解的学习方式。
• 2.2 子空间学习，了解子空间的人可能比较好理解，一个人的外表，尽管会发生改变，但是应该都在同一个子空间里，如果能学习到这个子空间的基底，就可以比较方便的表达目标了。
• 2.3 稀疏表示，稀疏性其实本身比较简单，就是向量或矩阵里，0的个数越多，就越稀疏，但是稀疏表示是另外一个意思，我看的文章里说是，同一类目标可以由该类的其他实例的线性加权叠加的到，就是说，小明在t时刻的脸，可以通过其他时刻的脸，线性加权得到，但是不能通过，小天的脸线性加权得到，在人脸检测里，如果将一万个人脸图像向量化 D ,其中每行是一个人脸，假如我们设置，一个人采样10张图片，那么一万人的话， D 就是10万行，现在来一个新的人脸， y ,我们不知道这个是谁，那用 D 表示 y 的话，
  
  x0^=argmin||x||0subjecttoDx=y(1)
  
  那么x里面除了y对应类的10行外，其他系数基本都是0，这样就可以知道y是哪个人。这种情况，就是要学习和更新这个 D 了，就是字典学习与更新。
• 2.4 pca或spca 数据压缩，一般用pca的情况是降维，比如100组数据，每个数据是1万维，这时候减少变量的个数，降低到10维什么的吧，但是pca，其实是基于svd，是可以用来压缩数据的，比如将100组数据压缩到10组，每个数据还是1万维，spca，也一样。因为我们每跟踪一帧都得到一个数据，但是相邻两个图像是很相似的，是可以进行压缩的，压缩后的几个数据，是互补，最紧致的。
• 2.5 基于块patch的更新，将目标化分为多个小块，这个思路可以用稀疏也可以用别的方法做。每个块分别更新。

以上所有方法还要考虑，场景的变化，目标是否被遮挡，光照变化，尺度变化，还没有什么方法可以完美的解决这些问题。

3 搜索策略

从t帧到t+1帧，目标的位置，也许不会发生大的改变，也许发生的改变比较大，这是两种假设，都有一定的道理，那么去哪找目标，就是搜索问题，常用的方法是多尺度滑动窗口，比如物体是10*10大小，那么找的时候，尺度可以定为 8*8 到14*14 因为，物体跟摄像头的位置可能发生改变，每个尺度下，从图像左上角到又下角（假设目标出现的位置随机的），或者从上次的位置往周围扩散（mean shift 思路）。
最近基于correlation filter的方法，可以计算出所有搜索区域内的response，等于说一次性计算出所有位置可能是目标的概率（当时不一定是0到1之间）。但是很多方法是不会计算出所有位置是目标的概率的，尤其是基于粒子滤波的，它的计算复杂度非常高。

以上言论只代表本人现在的水平，如有问题请批评指出！