目標跟蹤綜述

現有目標跟蹤方法簡介

適用於目標跟蹤的深度學習模型

基於深度學習的目標跟蹤方法

其他深度目標跟蹤演算法

資料庫與評價標準

適用於深度學習目標跟蹤的評價標準

應用例項介紹

目標跟蹤方向的**可以關注計算機視覺的三大頂會

cvpr (computer vision and pattern recognition)

iccv (international conference on computer vision)

eccv (european conference on computer vision)

另外** arxiv 也值得關注

通常目標跟蹤面臨幾大難點：物體變形，亮度變化，快速移動，背景干擾覆蓋等，通常不規則的變化都是目標跟蹤的難點，這也是在工業上未得到使用而需要解決的問題。其中最主要的三個難題分別是目標背景的變化、物體本身的變化、光照強度變化

目前公認的跟蹤演算法按照是否需要檢測過程的參與，可以將其分為兩類，一類是生成式，另一類是判別式

生成模型提取目標特徵構建表現模型，在影象中搜尋與模型最匹配的區域作為跟蹤結果

生成式模型不論採用全域性特徵還是區域性特徵，其本質是在目標表示的高維空間中，找到與目標模型最相鄰的候選目標作為當前估計

該類方法缺陷在於只關注目標資訊，而忽略了背景資訊

回歸判別式模型

基於離線訓練特徵的跟蹤

相關濾波融入深度學習框架

迴圈神經網路（rnn）

自動編碼器（ae）（2010）

元學習（2018）

基於遞迴神經網路的深度目標跟蹤方法

基於生成式對抗網路的深度目標跟蹤方法

基於自編碼器的深度目標跟蹤方法

基於分類網路的深度目標跟蹤方法

基於回歸網路的深度目標跟蹤方法

基於離線訓練網路的深度目標跟蹤方法

由於siamfc網路主要關注外觀特徵而忽略了高層語義資訊,sa-siam（2018）採用融合表觀特徵和語義資訊的雙重李生網路跟蹤方案,其中乙個孿生分支負責表觀特徵匹配，另乙個負責語義資訊的匹配。sa-siam 引人語義資訊使得***更加穩定,不易受目標表觀變化的影響

與siamfc和sa-siam檢測網路的方法不同,coturn（2016）採用基於孿生網路的回歸方法,學習目標表觀和運動的變化關係。輸入兩幅包含目標的影象,goturn首先經過共享引數的孿生網路提取特徵,回歸網路能夠比較兩幅影象回歸出目標的位置,跟蹤速度可以達到100幀/s

（2017）mlt，採用梯度**的策略自適應更新網路引數，採用引數化網路梯度的方法學習網路模型,從面構建了乙個元學習網路。此外，也借鑑了經典的siamese匹配網路估計跟蹤目標的位置

（2018）meta-ltacker方法，也採用基於**梯度的策路學習方法獲得普適性的初始化模型,可以使得跟蹤模型自適應於後續幀特徵的最佳梯度方向