視覺(jué)追蹤（計(jì)算機(jī)領(lǐng)域的概念）
次瀏覽 | 更新時(shí)間：2023-05-23
來(lái)源 ：網(wǎng)絡(luò)整理
精選百科
本文由作者推薦
視覺(jué)追蹤
計(jì)算機(jī)領(lǐng)域的概念
視覺(jué)跟蹤是指對(duì)圖像序列中的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)、提取、識(shí)別和跟蹤，獲得運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)參數(shù)，如位置、速度、加速度和運(yùn)動(dòng)軌跡等，從而進(jìn)行下一步的處理與分析，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的行為理解，以完成更高一級(jí)的檢測(cè)任務(wù)。
基本信息
| 中文名 | 視覺(jué)追蹤 |
| 外文名 | Visual tracking |
| 運(yùn)用領(lǐng)域 | 計(jì)算機(jī) |
| 技術(shù)支持 | 依賴高清晰度攝像機(jī)和不可見(jiàn)紅外光源 |
研究意義
視覺(jué)是人類認(rèn)知世界的重要途徑之一，人類獲取外部信息的80%來(lái)自視覺(jué)系統(tǒng)。計(jì)算視覺(jué)就是在了解人類視覺(jué)基礎(chǔ)上，用成像系統(tǒng)代替人類視覺(jué)器官，用計(jì)算級(jí)代替人腦完成對(duì)輸入圖像的處理與理解。同時(shí)，隨著信息技術(shù)與智能科學(xué)的發(fā)展，計(jì)算機(jī)視覺(jué)是人工智能領(lǐng)域熱門(mén)學(xué)科之一和物聯(lián)網(wǎng)感知層重要技術(shù)之一。
視覺(jué)跟蹤技術(shù)作為計(jì)算機(jī)視覺(jué)領(lǐng)域的熱門(mén)課題之一，是對(duì)連續(xù)的圖像序列進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)、提取特征、分類識(shí)別、跟蹤濾波、行為識(shí)別，以獲得目標(biāo)準(zhǔn)確的運(yùn)動(dòng)信息參數(shù)（如位置、速度等），并對(duì)其進(jìn)行相應(yīng)的處理分析，實(shí)現(xiàn)對(duì)目標(biāo)的行為理解。
國(guó)外在視頻目標(biāo)檢測(cè)與跟蹤領(lǐng)域的研究起步較早，美國(guó)軍方及美國(guó)自然科學(xué)基金委員會(huì)都非常關(guān)注復(fù)雜環(huán)境下目標(biāo)的檢測(cè)、跟蹤與識(shí)別算法研究與應(yīng)用。1991年，美國(guó)國(guó)防高級(jí)研究項(xiàng)目署DARPA就資助卡內(nèi)梅隆大學(xué)進(jìn)行視覺(jué)信息在無(wú)人機(jī)中的應(yīng)用研究。1997年，DARPA再次邀請(qǐng)多所美國(guó)高校參與了視頻監(jiān)控系統(tǒng)重大項(xiàng)目VSAM(videosurveillance and monitoring)的研發(fā)工作。美國(guó)國(guó)防部DAPRA和JSG&CC聯(lián)合發(fā)起成立了自動(dòng)識(shí)別工作組ATRWG。之后，國(guó)外知名大學(xué)與研究機(jī)構(gòu)也對(duì)視頻目標(biāo)的檢測(cè)與跟蹤算法進(jìn)行深入研究，J.Davis等人提出了一種適用于人體檢測(cè)的背景相減算法，它首先采用傳統(tǒng)幀相減算法得到感興趣區(qū)域，之后通過(guò)梯度信息在感興趣區(qū)域中尋找目標(biāo)輪廓，通過(guò)目標(biāo)輪廓確定目標(biāo)位置，S.Huwer等人深入研究了背景模型問(wèn)題，提出了一種自適應(yīng)的背景模型，該模型可以很好的解決光照變化等問(wèn)題。
1999年后，國(guó)內(nèi)一些高校和科研機(jī)構(gòu)也開(kāi)始視頻目標(biāo)檢測(cè)與跟蹤方面的研究。中科院自動(dòng)化所的模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室圖像和視頻分析研究組研發(fā)的交通行為事件分析系統(tǒng)；2001年，清華大學(xué)開(kāi)發(fā)的適用于野外環(huán)境的視覺(jué)偵查系統(tǒng)。
視覺(jué)跟蹤發(fā)展已經(jīng)比較成熟，出現(xiàn)了許多方法。開(kāi)始時(shí)，視覺(jué)跟蹤研究主要集中在目標(biāo)運(yùn)動(dòng)模型研究，如kalman預(yù)測(cè)跟蹤，meanshift跟蹤，粒子濾波跟蹤等。視覺(jué)跟蹤更多集中在目標(biāo)表現(xiàn)模型研究上，Tracking by detection 成為視覺(jué)跟蹤比較多的話題，如Ensemble Tracking、Support vectortracking、Incremental Leaningfor visual tracking及TLD等。
分類
（1）單攝像頭與多攝像頭
在視頻跟蹤的過(guò)程中，根據(jù)使用的攝像頭的數(shù)目，可將目標(biāo)跟蹤方法分為單攝像頭跟蹤方法（Monocular camera）與多攝像頭跟蹤方法（Multiple cameras）。由于單攝像頭視野有限，大范圍場(chǎng)景下的目標(biāo)跟蹤需要使用多攝像頭系統(tǒng)。基于多個(gè)攝像頭的跟蹤方法有利于解決遮擋問(wèn)題，場(chǎng)景混亂、環(huán)境光照突變情況下的目標(biāo)跟蹤問(wèn)題。
（2）攝像頭靜止與攝像頭運(yùn)動(dòng)
在實(shí)際的目標(biāo)跟蹤系統(tǒng)中，攝像頭可以是固定在某個(gè)位置，不發(fā)生變化，也可以是運(yùn)動(dòng)，不固定的。例如，對(duì)于大多數(shù)的視頻監(jiān)視系統(tǒng)而言，都是在攝像機(jī)靜止?fàn)顟B(tài)下，對(duì)特定關(guān)注區(qū)域進(jìn)目標(biāo)的識(shí)別跟蹤；而在視覺(jué)導(dǎo)航等的應(yīng)用系統(tǒng)中，攝像頭往往隨著無(wú)人汽車(chē)、無(wú)人機(jī)等載體進(jìn)行運(yùn)動(dòng)。
（3）單目標(biāo)跟蹤與多目標(biāo)跟蹤
根據(jù)跟蹤目標(biāo)的數(shù)量可以將跟蹤算法分為單目標(biāo)跟蹤與多目標(biāo)跟蹤。相比單目標(biāo)跟蹤而言，多目標(biāo)跟蹤問(wèn)題更加復(fù)雜和困難。多目標(biāo)跟蹤問(wèn)題需要考慮視頻序列中多個(gè)獨(dú)立目標(biāo)的位置、大小等數(shù)據(jù)，多個(gè)目標(biāo)各自外觀的變化、不同的運(yùn)動(dòng)方式、動(dòng)態(tài)光照的影響以及多個(gè)目標(biāo)之間相互遮擋、合并與分離等情況均是多目標(biāo)跟蹤問(wèn)題中的難點(diǎn)。
（4）剛體跟蹤與非剛體跟蹤
根據(jù)被跟蹤目標(biāo)的結(jié)構(gòu)屬性，可將跟蹤目標(biāo)分為剛體與非剛體。所謂剛體，是指具備剛性結(jié)構(gòu)、不易形變的物體，例如車(chē)輛等目標(biāo)；非剛體通常指外形容易變形的物體，例如布料表面、衣服表面等。針對(duì)剛體目標(biāo)的跟蹤一直得到廣泛深入的研究，而非剛體目標(biāo)的跟蹤，由于目標(biāo)發(fā)生變形以及出現(xiàn)自身遮擋等現(xiàn)象，不能直接應(yīng)用基于剛體目標(biāo)的跟蹤算法針對(duì)非剛體目標(biāo)的跟蹤一直是非常困難并且具有挑戰(zhàn)性的課題。
（5）可見(jiàn)光與紅外圖像的目標(biāo)跟蹤
根據(jù)傳感器成像的類型不同，目標(biāo)跟蹤還可以分為基于可見(jiàn)光圖像的跟蹤和基于紅外圖像的跟蹤。目標(biāo)的紅外圖像和目標(biāo)的可見(jiàn)光圖像不同，它不是人眼所能看到的可見(jiàn)光圖像，而是目標(biāo)表面溫度分布的圖像。紅外圖像屬于被動(dòng)式成像，無(wú)需各種光源照明，全天候工作，安全隱敝，使用方便；紅外光較之可見(jiàn)光的波長(zhǎng)長(zhǎng)得多，透煙霧性能較好，可在夜間工作。可見(jiàn)光圖像具有光譜信息豐富、分辨率高、動(dòng)態(tài)范圍大等優(yōu)點(diǎn)，但在夜間和低能見(jiàn)度等條件下，成像效果差。
比較常用的目標(biāo)跟蹤算法有以下幾種：基于目標(biāo)運(yùn)動(dòng)特征的跟蹤算法，如：幀差分法、基于光流的跟蹤方法等；基于視頻序列前后相關(guān)性的目標(biāo)跟蹤算法，如：基于模板的相關(guān)跟蹤算法、基于特征點(diǎn)的相關(guān)跟蹤算法等；基于目標(biāo)特征參數(shù)的跟蹤算法，如基于輪廓的跟蹤算法、基于特征點(diǎn)的跟蹤算法等。另外，很多研究者將小波、人工智能、神經(jīng)網(wǎng)絡(luò)等相關(guān)知識(shí)應(yīng)用于目標(biāo)跟蹤領(lǐng)域，并取得了很好的效果。以上這些算法各有其優(yōu)缺點(diǎn)，應(yīng)該根據(jù)應(yīng)用場(chǎng)合進(jìn)行選擇。
典型算法
（1）基于區(qū)域的跟蹤算法
視覺(jué)追蹤
起初，基于區(qū)域的跟蹤算法中所用到的目標(biāo)模板是固定的，如 Lucas 等人提出 Lucas-Kanade 方法，該方法利用灰度圖像的空間梯度信息尋找最佳匹配區(qū)域，確定目標(biāo)位置。之后，更多的學(xué)者針對(duì)基于區(qū)域方法的缺點(diǎn)進(jìn)行了不同的改進(jìn)，如：Jepson 等人提出的基于紋理特征的自適應(yīng)目標(biāo)外觀模型，該模型可以較好的解決目標(biāo)遮擋的問(wèn)題，且在跟蹤的過(guò)程中采用在線 EM 算法對(duì)目標(biāo)模型進(jìn)行更新；Comaniciu 等人提出了基于核函數(shù)的概率密度估計(jì)的視頻目標(biāo)跟蹤算法，該方法采用核直方圖表示目標(biāo)，通過(guò) Bhattacharya 系數(shù)計(jì)算目標(biāo)模板與候選區(qū)域的相似度，通過(guò)均值漂移(MeanShift)算法快速定位目標(biāo)位置。
基于區(qū)域的目標(biāo)跟蹤算法采用了目標(biāo)的全局信息，比如灰度信息、紋理特征等，因此具有較高的可信度，即使目標(biāo)發(fā)生較小的形變也不影響跟蹤效果，但是當(dāng)目標(biāo)發(fā)生較嚴(yán)重的遮擋時(shí)，很容易造成跟蹤失敗。
（2）基于特征的跟蹤方法
基于特征的目標(biāo)跟蹤算法通常是利用目標(biāo)的一些顯著特征表示目標(biāo)，并通過(guò)特征匹配在圖像序列中跟蹤目標(biāo)。該類算法不考慮目標(biāo)的整體特征，因此當(dāng)目標(biāo)被部分遮擋時(shí)，仍然可以利用另一部分可見(jiàn)特征完成跟蹤任務(wù)，但是該算法不能有效處理全遮擋、重疊等問(wèn)題。
基于特征的跟蹤方法一般包括特征提取和特征匹配兩個(gè)過(guò)程：
a) 特征提取
所謂特征提取是指從目標(biāo)所在圖像區(qū)域中提取合適的描繪性特征。這些特征不僅應(yīng)該較好地區(qū)分目標(biāo)和背景，而且應(yīng)對(duì)目標(biāo)尺度伸縮、目標(biāo)形狀變化、目標(biāo)遮擋等情況具有魯棒性。常用的目標(biāo)特征包括顏色特征、灰度特征、紋理特征、輪廓、光流特征、角點(diǎn)特征等。D.G. Lowe 提出 SIFT(Scale Invariant Feature Transform)算法是圖像特征中效果較好的一種方法，該特征對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化具有不變性，對(duì)視角變化、仿射變換、噪聲也具有一定的穩(wěn)定性。
b) 特征匹配
特征匹配就是采用一定的方式計(jì)算衡量候選區(qū)域與目標(biāo)區(qū)域的相似性，并根據(jù)相似性確定目標(biāo)位置、實(shí)現(xiàn)目標(biāo)跟蹤。在計(jì)算機(jī)視覺(jué)領(lǐng)域中，常用的相似性度量準(zhǔn)則包括加權(quán)距離、Bhattacharyya 系數(shù)、歐式距離、Hausdorff 距離等。其中，Bhattacharyya 系數(shù)和歐式距離最為常用。
Tissainayagam 等人提出了一種基于點(diǎn)特征的目標(biāo)跟蹤算法。該算法首先在多個(gè)尺度空間中尋找局部曲率最大的角點(diǎn)作為關(guān)鍵點(diǎn)，然后利用提出的MHT-IMM 算法跟蹤這些關(guān)鍵點(diǎn)。這種跟蹤算法適用于具有簡(jiǎn)單幾何形狀的目標(biāo)，對(duì)于難以提取穩(wěn)定角點(diǎn)的復(fù)雜目標(biāo)，則跟蹤效果較差。
Zhu 等人提出的基于邊緣特征的目標(biāo)跟蹤算法，首先將參考圖像劃分為多個(gè)子區(qū)域，并將每個(gè)子區(qū)域的邊緣點(diǎn)均值作為目標(biāo)的特征點(diǎn)，然后利用類似光流的方法進(jìn)行特征點(diǎn)匹配，從而實(shí)現(xiàn)目標(biāo)跟蹤。
（3）基于輪廓的跟蹤方法
基于輪廓的目標(biāo)跟蹤方法需要在視頻第一幀中指定目標(biāo)輪廓的位置，之后由微分方程遞歸求解，直到輪廓收斂到能量函數(shù)的局部極小值，其中，能量函數(shù)通常與圖像特征和輪廓光滑度有關(guān)。與基于區(qū)域的跟蹤方法相比，基于輪廓的跟蹤方法的計(jì)算復(fù)雜度小，對(duì)目標(biāo)的部分遮擋魯棒。但這種方法在跟蹤開(kāi)始時(shí)需要初始化目標(biāo)輪廓，因此對(duì)初始位置比較敏感，跟蹤精度也被限制在輪廓級(jí)。
Kass 等人于 1987 年提出的活動(dòng)輪廓模型(Active Contour Models，Snake)，通過(guò)包括圖像力、內(nèi)部力和外部約束力在內(nèi)的三種力的共同作用控制輪廓的運(yùn)動(dòng)。內(nèi)部力主要對(duì)輪廓進(jìn)行局部的光滑性約束，圖像力則將曲線推向圖像的邊緣，而外部力可以由用戶指定，主要使輪廓向期望的局部極小值運(yùn)動(dòng)，。
Paragios 等人提出了一種用水平集方法表示目標(biāo)輪廓的目標(biāo)檢測(cè)與跟蹤算法，該方法首先通過(guò)幀差法得到目標(biāo)邊緣，然后通過(guò)概率邊緣檢測(cè)算子得到目標(biāo)的運(yùn)動(dòng)邊緣，通過(guò)將目標(biāo)輪廓向目標(biāo)運(yùn)動(dòng)邊緣演化實(shí)現(xiàn)目標(biāo)跟蹤。
（4）基于模型的跟蹤方法
在實(shí)際應(yīng)用中，我們需要跟蹤的往往是一些特定的我們事先具有認(rèn)識(shí)的目標(biāo)，因此，基于模型的跟蹤方法首先根據(jù)自己的先驗(yàn)知識(shí)離線的建立該目標(biāo)的 3D 或2D 幾何模型，然后，通過(guò)匹配待選區(qū)域模型與目標(biāo)模型實(shí)現(xiàn)目標(biāo)跟蹤，進(jìn)而在跟蹤過(guò)程中，根據(jù)場(chǎng)景中圖像的特征，確定運(yùn)動(dòng)目標(biāo)的各個(gè)尺寸參數(shù)、姿態(tài)參數(shù)以及運(yùn)動(dòng)參數(shù)。
Shu Wang 等人提出一種基于超像素的跟蹤方法，該方法在超像素基礎(chǔ)上建立目標(biāo)的外觀模板，之后通過(guò)計(jì)算目標(biāo)和背景的置信圖確定目標(biāo)的位置，在這個(gè)過(guò)程中，該方法不斷通過(guò)分割和顏色聚類防止目標(biāo)的模板漂移。
（5）基于檢測(cè)的跟蹤算法
基于檢測(cè)的跟蹤算法越來(lái)越流行。一般情況下，基于檢測(cè)的跟蹤算法都采用一點(diǎn)學(xué)習(xí)方式產(chǎn)生特定目標(biāo)的檢測(cè)器，即只用第一幀中人工標(biāo)記的樣本信息訓(xùn)練檢測(cè)器。這類算法將跟蹤問(wèn)題簡(jiǎn)化為簡(jiǎn)單的將背景和目標(biāo)分離的分類問(wèn)題，因此這類算法的速度快且效果理想。這類算法為了適應(yīng)目標(biāo)外表的變化，一般都會(huì)采用在線學(xué)習(xí)方式進(jìn)行自更新，即根據(jù)自身的跟蹤結(jié)果對(duì)檢測(cè)器進(jìn)行更新。
面臨的挑戰(zhàn)
視頻目標(biāo)跟蹤技術(shù)理論研究雖然已經(jīng)取得了很大的發(fā)展，并且已經(jīng)有部分成果進(jìn)入實(shí)用化階段，但是當(dāng)前仍然面臨著巨大的挑戰(zhàn)，還有許多問(wèn)題有待進(jìn)一步解決，對(duì)此本節(jié)從以下幾個(gè)方面進(jìn)行闡述：
1、跟蹤目標(biāo)的多樣性
根據(jù)應(yīng)用需求的不同，視頻跟蹤的對(duì)象多種多樣，從而導(dǎo)致跟蹤算法的設(shè)計(jì)復(fù)雜多樣。視頻跟蹤的對(duì)象可能是不同外觀的行人、或人的臉部、眼部等局部區(qū)域，也可能是具有不同形狀、顏色的車(chē)輛或車(chē)輛的局部區(qū)域等等。針對(duì)不同的跟蹤目標(biāo)，需要建立不同的描述目標(biāo)外觀的特征模型。例如，在跟蹤車(chē)輛這類剛體目標(biāo)時(shí)所采用的描述目標(biāo)的特征模型，往往不能夠直接用于跟蹤例如衣物等變形表面這類非剛體目標(biāo)；其次，通常的跟蹤對(duì)象的運(yùn)動(dòng)具有不確定性，例如車(chē)輛的行駛過(guò)程，可能是勻速運(yùn)動(dòng)，也可能是加、減速運(yùn)動(dòng)，或是直線運(yùn)動(dòng)，或是轉(zhuǎn)向等等，針對(duì)不同的跟蹤對(duì)象要設(shè)計(jì)合適的運(yùn)動(dòng)預(yù)測(cè)模型；另外，在目標(biāo)運(yùn)動(dòng)過(guò)程中，目標(biāo)運(yùn)動(dòng)本身會(huì)造成跟蹤對(duì)象外觀特征發(fā)生變化，例如在頭部跟蹤過(guò)程中，頭部的旋轉(zhuǎn)會(huì)造成頭部區(qū)域的顏色分布發(fā)生變化，此時(shí)會(huì)導(dǎo)致目標(biāo)有些特征地消失，新特征出現(xiàn)；當(dāng)然，還有跟蹤目標(biāo)之間可能存在遮擋現(xiàn)象，在單一目標(biāo)跟蹤中，目標(biāo)本身可能會(huì)發(fā)生自遮擋情況，例如行人的部分區(qū)域，在多目標(biāo)中，目標(biāo)之間也可能發(fā)生相互遮擋，這些情況都增加了跟蹤難度。以上描述的跟蹤目標(biāo)的多樣性都需要對(duì)跟蹤算法進(jìn)行合理的設(shè)計(jì)和建模描述，從而有效應(yīng)對(duì)目標(biāo)的變化。
2、跟蹤環(huán)境的復(fù)雜性
實(shí)際應(yīng)用當(dāng)中，室內(nèi)外環(huán)境要素的變化對(duì)于目標(biāo)跟蹤算法有很大的影響。室內(nèi)外的光照變化，能夠影響到可見(jiàn)光圖像數(shù)據(jù)，進(jìn)而影響跟蹤目標(biāo)的外觀特征。例如在室內(nèi)黑暗的環(huán)境當(dāng)中，開(kāi)關(guān)燈會(huì)嚴(yán)重影響目標(biāo)與周?chē)h(huán)境的對(duì)比度；室外環(huán)境光照的變化、雨雪天氣等的影響，也會(huì)對(duì)跟蹤目標(biāo)造成嚴(yán)重干擾。此外，實(shí)際的環(huán)境當(dāng)中，不斷變化的背景要素也會(huì)對(duì)跟蹤目標(biāo)造成影響。例如，在室外密集的人流或車(chē)流當(dāng)中，周?chē)粩噙\(yùn)動(dòng)的人或車(chē)會(huì)對(duì)指定的目標(biāo)行人或車(chē)輛造成嚴(yán)重的影響，道路兩旁的樹(shù)木、建筑等同樣會(huì)對(duì)跟蹤目標(biāo)造成干擾。還有捕獲數(shù)據(jù)的攝像頭設(shè)備，在室內(nèi)外的環(huán)境中都可能受到干擾，例如有些場(chǎng)景會(huì)發(fā)生攝像頭抖動(dòng)問(wèn)題：如在小區(qū)監(jiān)控中，由于周?chē)?chē)輛的行使、刮風(fēng)等因素都可能會(huì)導(dǎo)致攝像頭晃動(dòng)、移位等；攝像頭出現(xiàn)視野模糊現(xiàn)象：在長(zhǎng)期在惡劣情況下使用，導(dǎo)致攝像頭老化，焦距產(chǎn)生漂移，或者攝像頭落上大量灰塵等情況下，都可能導(dǎo)致視野模糊的問(wèn)題。為此，如何在種種復(fù)雜干擾的條件下準(zhǔn)確可靠地提取目標(biāo)，是衡量跟蹤算法性能的一項(xiàng)重要指標(biāo)。
3、應(yīng)用需求的多樣性
視頻目標(biāo)跟蹤算法是諸多視覺(jué)應(yīng)用的基礎(chǔ)，而各類應(yīng)用對(duì)目標(biāo)跟蹤算法各類性能指標(biāo)的要求不盡相同。跟蹤算法的主要指標(biāo)包括跟蹤的準(zhǔn)確性、穩(wěn)定性、抗干擾性以及計(jì)算的實(shí)時(shí)性等。對(duì)于視頻監(jiān)控系統(tǒng)等應(yīng)用，需要算法能夠在各種復(fù)雜的外界環(huán)境條件下（如地鐵站、火車(chē)站等公共交通系統(tǒng)中），準(zhǔn)確地分析目標(biāo)行為，甚至能準(zhǔn)確報(bào)警并盡可能減少虛警誤警，這類應(yīng)用對(duì)跟蹤算法的抗干擾性以及計(jì)算實(shí)時(shí)性要求很高；對(duì)于網(wǎng)絡(luò)智能交互等應(yīng)用，例如網(wǎng)絡(luò)視頻會(huì)議等，需要跟蹤算法準(zhǔn)確提取目標(biāo)的全部區(qū)域，對(duì)算法跟蹤的準(zhǔn)確性有很高的要求，而由于網(wǎng)絡(luò)傳輸可能出現(xiàn)的延時(shí)等情況，算法的實(shí)時(shí)性可以有所折中。各類視頻應(yīng)用系統(tǒng)通常來(lái)說(shuō)涉及的方面比較多且復(fù)雜，對(duì)于目標(biāo)跟蹤算法需要在跟蹤精度、運(yùn)行速度以及其他性能指標(biāo)之間進(jìn)行權(quán)衡，是跟蹤算法研究需要考慮的一個(gè)重要內(nèi)容。許多跟蹤算法復(fù)雜度高、跟蹤精度受參數(shù)設(shè)置的影響嚴(yán)重，適應(yīng)性和抗干擾性有局限性，如何將視頻跟蹤算法在實(shí)際環(huán)境中可靠穩(wěn)定運(yùn)行，需要進(jìn)一步的研究。
如今，雖然已提出了多種視頻目標(biāo)跟蹤算法，但是大多數(shù)算法一般只適用于一些特定的目標(biāo)、特定的環(huán)境或者具有其它一些應(yīng)用約束條件，并且存在著這樣或那樣的不足有待進(jìn)一步優(yōu)化和完善，而一些更為優(yōu)秀的無(wú)環(huán)境約束下的視頻目標(biāo)跟蹤算法也有待去進(jìn)一步研究開(kāi)發(fā)。
含義二
視覺(jué)跟蹤技術(shù)是依賴高清晰度攝像機(jī)和不可見(jiàn)紅外光源來(lái)達(dá)到探測(cè)人眼方向的目的。這種技術(shù)在科學(xué)研究和廣告調(diào)研中被證明非常有用。但同時(shí)這種技術(shù)幾乎大部分時(shí)候用于殘疾人，而且造價(jià)很高。
視覺(jué)追蹤相關(guān)的文章
顱骨（skull）位于脊柱上方，由23塊形狀和大小不同的扁骨和不規(guī)則骨組成（中耳的3對(duì)聽(tīng)小骨未計(jì)入）。除下頜骨及舌骨外，其余各骨彼此借縫或軟骨牢固連結(jié)，起著保護(hù)和支持腦、感覺(jué)器官以及消化器和呼吸器的起始部分的作用。
哈密市，古稱“昆莫、昆吾、伊吾、伊吾盧、哈梅里、哈密里”，是中國(guó)新疆維吾爾自治區(qū)下轄地級(jí)市，位于新疆東部，地跨東天山南北，總面積14.21萬(wàn)平方千米，是新疆通往內(nèi)地的門(mén)戶。2020年末哈密市常住人口673383人，是多民族聚居地區(qū)，有漢、維吾爾、哈薩克、回、蒙古等39個(gè)民族。哈密市轄伊州區(qū)、 巴里
穆罕默德·穆?tīng)栁鳎∕ohamed Morsi，1951年8月20日-2019年6月17日），全名穆罕默德·穆?tīng)栁鳌ひ了_·阿耶特，政治家，埃及第5任總統(tǒng)，首位民選總統(tǒng)，畢業(yè)于美國(guó)南加利福尼亞大學(xué)工程學(xué)博士學(xué)位。
菲利普·K·迪克美國(guó)的科幻小說(shuō)作家代表作《高堡奇人》獲雨果獎(jiǎng)最佳小說(shuō)獎(jiǎng)菲利普·K·迪克（Philip K. Dick, 1928.12.16~1982.3.2)是美國(guó)的科幻小說(shuō)作家，除了現(xiàn)在仍在發(fā)行的38本書(shū)外，他還寫(xiě)了一些短篇小說(shuō)和少數(shù)作品出版在廉價(jià)的雜志上，其中至少有七部小說(shuō)被改編成電影。雖然他
金庸（1923年3月22日—2018年10月30日），本名查良鏞，浙江海寧人。現(xiàn)代武俠小說(shuō)作家、新聞家、企業(yè)家、政治評(píng)論家、社會(huì)活動(dòng)家。與古龍、梁羽生、溫瑞安等為新派武俠小說(shuō)代表作家。
阿斯旺(阿拉伯語(yǔ)：?????)，埃及南部城市，阿斯旺省首府，位于尼羅河?xùn)|岸，人口約20萬(wàn)，著名古城、旅游景點(diǎn)和貿(mào)易中心。阿斯旺是世界上最干燥的地方之一，自2006年5月13日以來(lái)，阿斯旺沒(méi)測(cè)得任何降水。在古埃及時(shí)期，阿斯旺被認(rèn)為是埃及民族的發(fā)源地。它位于尼羅河第一瀑布以北，是埃及和努比亞之間的貿(mào)易重鎮(zhèn)，其名據(jù)說(shuō)是古埃及語(yǔ)“貿(mào)易”一詞的對(duì)音。
尚可名片
這家伙太懶了，什么都沒(méi)寫(xiě)！
作者
