目標檢測與跟蹤的研究熱點以及發展趨勢:
1) 場景信息與目標狀態的融合
場景信息包含了豐富的環境上下文信息, 對場景信息進行分析及充分利用, 能夠有效地獲取場景的先驗知識, 降低復雜的背景環境以及場景中與目標相似的物體的干擾; 同樣地, 對目標的准確描述有助於提升檢測與跟蹤算法的准確性與魯棒性. 總之,嘗試研究結合背景信息和前景目標信息的分析方法,融合場景信息與目標狀態, 將有助於提高算法的實用性能.
2) 多維度、 多層級信息融合
為了提高對運動目標表觀描述的准確度與可信性, 現有的檢測與跟蹤算法通常對時域、 空域、 頻域等不同特征信息進行融合, 綜合利用各種冗余、 互補信息提升算法的精確性與魯棒性. 然而, 目前大多算法還只是對單一時間、 單一空間的多尺度信息進行融合, 研究者可以考慮從時間、 推理等不同維度, 對特征、 決策等不同層級的多源互補信息進行融合, 提升檢測與跟蹤的准確性.
3) 基於深度學習的特征表達
基於深度學習的特征表達具有強大的分層自學習能力, 能深度地挖掘隱含在數據內部間的潛在關系. 其中, 基於卷積神經網絡的特征表達方法效果尤為突出, 近年來取得了顯著的檢測效果[126¡128]. 同時, 深度學習框架相繼開源[92¡98], 為思想的碰撞與交融帶來了更多可能. 然而, 基於深度學習的特征表達方法也存在一些問題尚未定論, 如深度學習的層數以及隱層節點個數如何確定, 深度學習所學得特征的優劣如何評價等. 因此, 對基於深度學習的特征表達方法的進一步研究可能會產生突破性成果, 最終將促進該領域的發展.
4) 基於核的支持向量機分類方法
支持向量機 (SVM) 因其分類性能優良、 操作實現簡單等特性, 仍是目前倍受青睞的常用分類方法之一, 尤其是核方法的引入更使其性能得以極大提升. 然而, 其最大的優點也是其最致命的弱點, 其分類性能也會極大地依賴於核的選取, 盡管目前已經開展了相當一部分的工作[133; 135; 137], 但對於不同分類任務下的核方法的選取, 仍然還沒有一個普遍通用的定論. 因此, 如何根據實際分類需求, 選取合適的核方法仍需進一步探索.
5) 高維數據的分類方法
隨着分類任務研究的發展, 分類中所使用的視覺單詞的大小不斷地增加, 其相應的圖像表達數據維度也與日俱增, 傳統的單個分類器已經難以滿足高維數據的分類要求. 目前, 普遍的做法是將多個分類器集成在一起, 以獲取分類性能更好的強分類器.然而, 集成分類器方法也存在一些問題尚未定論, 如子分類器如何選取與組合, 如何在不降低分類性能的情況下使分類器數量盡可能少等. 因此, 研究子分類器模型的產生、調整以及整合, 將有助於適應高維數據的分類任務.
來源：
基於視覺的目標檢測與跟蹤綜述
尹宏鵬，陳波，柴毅，... - 《Acta Automatica ... - 2016 - 被引量: 0
基於視覺的目標檢測與跟蹤是圖像處理、計算機視覺、模式識別等眾多學科的交叉研究課題,在視頻監控、虛擬現實、人機交互、自主導航等領域,具有重要的理論研究意義和實際應用價值.本文對目標檢測與跟蹤的發展歷史、研究現狀以及典型方法給出了較為全面的梳理和總結.首先,根據所處理的數據對象的不同,將目標檢測分為基於背景建模和基於前景建模的方法,並分別對背景建模與特征表達方法進行了歸納總結.其次,根據跟蹤過程有無目標檢測的參與,將跟蹤方法分為生成式與判別式,對基於統計的表觀建模方法進行了歸納總結.然后,對典型算法的優缺點進行了梳理與分析,並給出了其在標准數據集上的性能對比.最后,總結了該領域待解決的難點問題,對其未來的發展趨勢進行了展望.
計算機視覺 / 目標檢測 / 目標跟蹤 / 背景建模 / 表觀建模