视频目标跟踪框架

span style=\

起始输入

在跟踪起始视频帧中标定被跟踪目标，一般用一个矩形框来标定br style=\

运动模型

在目标周围的矩形或者圆形区域内进行穷举搜索，也被称为稠密采样

粒子滤波方法通过非参数化的蒙特卡洛仿真实现递推贝叶斯滤波，适用于任何能用状态空间模型表示的非线性系统。粒子滤波方法可以融入仿射变换信息，并且其计算效率较高。

特征提取

font color=\"#000000\" face=\

整体直方图描述

整体直方图描述对整个目标框内的灰度或者颜色等信息进行统计，得到其近似分布。整体直方图描述具有运算速度快的优点。常用的整体直方图描述包括灰度直方图、颜色空间直方图以及梯度方向直方图等

协方差矩阵描述

协方差矩阵描述用于统计目标特征属性中的相关性信息。根据所采用的度量的不同，协方差矩阵描述可分为基于仿射不变黎曼度量的描述和基于对数-欧几里德黎曼度量的描述

活动轮廓描述

活动轮廓描述主要用于解决非刚性目标的跟踪问题。采用有符号距离图隐含表示目标的边界，克服了采用矩形框描述非刚性目标边界的局限性

局部分块区域描述

超像素描述

能够更准确地描述非刚体的边缘，采用超像素描述可以将被跟踪目标从图像中分割出来

局部特征点描述

常用的局部特征点描述包括：SIFT 特征、SURF 特征、MSER 特征以及角点特征。局部特征的优点是其对目标轻微形变不敏感，对部分遮挡也具有一定的鲁棒性。局部特征是解决部分遮挡条件下视频目标跟踪问题的有效特征之一

上下文信息

被广泛应用在图像理解以及视频分析应用中

外观模型

基于生成模型的视频目标跟踪算法利用目标外观信息构造目标参考模型，通过在后续视频帧中搜索与目标参考模型最相似的图像区域来实现对目标的跟踪。基于生成模型的视频目标跟踪算法中的代表性方法包括：基于高斯混合模型的方法、基于主成份分析的方法、基于张量子空间学习的方法、基于局部线性嵌入（Local Linear Embedding）的方法、基于稀疏表示的方法以及基于压缩感知的方法。

基于判别模型的视频目标跟踪算法中的代表性方法包括：基于判别特征选择的方法、基于偏最小二乘的方法、基于 boosting 方法的跟踪算法、基于半监督boosting 方法的跟踪算法、基于度量学习的方法、基于集成学习的方法、基于多实例学习的方法、基于朴素贝叶斯的方法、基于支持向量机的方法、基于半监督学习支持向量机的方法、基于结构化支持向量机的方法、基于弱监督学习支持向量机的方法、基于随机森林的方法、基于核相关的方法以及基于深度学习的方法。

生存-判别混合模型

生成模型与判别模型具有不同的优缺点，且两种模型存在一定的互补性。因此，有效融合这两种模型将有助于提高视频目标跟踪的准确性。

模型更新

每一帧都进行更新br style=\

能够及时地对模型进行更新，但是也容易因为背景杂波的干扰而使得外观模型被错误的更新，最终将会导致跟踪漂移。

每隔一定的帧数进行一次更新br style=\

在一定程度上减少了模型更新所积累的噪声，但是，如果模型更新速率过慢则无法及时反映目标外观的变化，同样也会导致跟踪失败。

当模型响应分数低于一定阈值时才更新

低于阈值说明此时外观模型难以准确地区分目标和背景，因此需要对外观模型进行更新。