目標跟蹤的演算法流程

A. 多假設追蹤方法mht是什麼演算法

多假設跟蹤演算法是一種數據關聯類型的多目標跟蹤演算法，實現方式分為面向假設的MHT和面向航跡的MHT兩種。
MHT演算法的實現流程包括航跡關聯和航跡維護兩個步驟。
MHT演算法計算量龐大，隨著量測數和目標數呈指數級增長，但對於雜波密集環境下的多目標跟蹤具有很高的准確率。

B. 計算機視覺中，目前有哪些經典的目標跟蹤演算法

第一章介紹運動的分類、計算機視覺領域中運動分析模型、計算機視覺領域運動檢測和目標跟蹤技術研究現狀、計算機視覺領域中運動分析技術的難點等內容；
第二章介紹傳統的運動檢測和目標跟蹤演算法，包括背景差分法、幀間差分法、光流場評估演算法等；
第三章介紹具有周期性運動特徵的低速目標運動檢測和跟蹤演算法，並以CCD測量系統為例介紹該演算法的應用；
第四章介紹高速運動目標識別和跟蹤演算法，並以激光通信十信標光捕獲和跟蹤系統為例介紹該演算法的應用；
第五章介紹具有復雜背景的目標運動檢測過程中採用的光流場演算法，包括正規化相關的特性及其改進光流場評估演算法，並介紹改進光流場演算法的具體應用；
第六章介紹互補投票法實現可信賴運動向量估計。

C. 目標跟蹤的生成演算法

目標跟蹤的生成演算法是利用生成的模型來來描述目標的特徵。

D. 粒子濾波如何在演算法中實現目標跟蹤 就是怎麼一步步實現跟蹤的，求高手幫助

我通俗解釋一下，粒子濾波（PF）的應用大致這樣：（其實目標跟蹤的理論就是對狀態向量的實時估值）

1. 設有一堆樣本，假設有N個，初始給他們同樣的權值1/N。

2. 這個系統狀態轉移方程，一般是非線性的，我們只需要知道怎麼做才能把這時刻的狀態值傳播到下一個時刻。具體做法，N個樣本值通過狀態轉移得下一時刻的樣本預測值，包含過程雜訊因素。d

3. 系統還有一個非線性的觀測方程，通過它得到真正的觀測值Z。這時候，把N個樣本預測值帶進去獲得Z『。

4. 根據Z』和Z相差的程度，決定對這個樣本的可信程度，當然越接近的越好，然後把這些可信程度進行權值歸一化。

5. 重采樣環節，把這些樣本按照權值進行隨機采樣（權值越高的，當然越容易被抽中。比如說，下一時刻的值，有四個樣本說等於1，有兩個樣本說等於1.5，那麼有2/3概率認為等於1.這個解釋起來真的有夠復雜的，一般做起來200~300個樣本獲得的值都接近一樣了，還要設個2/3n的閾值防止粒子匱乏，也就是防止所有樣本得到相同的後驗估計結果），獲得的值盡可能接近真實發生的情況。

6. 循環2~5
   

E. 基於卡爾曼濾波的目標跟蹤怎麼做

在cnki上下篇kalman目標跟蹤的
碩士論文
吧，很多的，當然期刊也可以，不過一般情況下碩士論文講的能詳細點，然後找准一篇仔細研讀，這樣子基本上理論就沒啥問題了，編程就用MATLAB，用C很麻煩，很多
演算法
都沒有得自己從頭編，matlab集成了很多的演算法的，只要找出來調用就行了。
這里給你
說下
kalman跟蹤的思路吧：
0.如果你的視頻是
實際
錄得話，為防止檢測到偽目標，首先要對輸入的
圖像
進行濾波，簡單的有中值均值濾波。
1.對視頻
序列
採用
背景差分
或幀間
差分
就可以得到運動
區域
了，這里重點就是背景建模，如果嫌麻煩也就別看什麼單
高斯
或多高斯的了，直接找一個空幀(沒有運動目標)當背景就OK了，差分後就有了運動區域，然後
二值化
方便以後的處理。然後視有沒有陰影而進行陰影去除的工作。
2.上邊這步也就是檢測出了運動區域，按你的檢測出來是要給邊邊
畫圈
，這個在matlab上好好研究研究怎樣提取目標邊緣的點，在
原位
圖圖上把邊緣的點改變成一個同
像素
值就行了，這樣檢測就完了。
3.跟蹤，首先得找到目標的中心，因為目標不只是一個像素，必須有
一個中心
來表示它的坐標位置，這個方法自己想啦，什麼取均值求外接矩形中心啊都可以的，然後每一幀都這么做就有一系列的中心坐標了。
4.Kalman，Kalman的作用還是以濾波為主，相當於把第三步的那些坐標都當成
信號序列
，用Kalman濾波，邊檢測邊濾波，kalman主要記住那5個
公式
，知道它的遞推
過程
就基本能編出來了，至於
濾波器
參數
就在參考文獻里找吧，編出來kalman部分的
程序
沒多少行的，別怕。
5.如果是多目標跟蹤的話就進行目標匹配的工作，相當於每幀都檢測出兩個目標，你要知道最新一幀中的每個分別對應的是前邊幀的哪個目標。
上邊這些給你一個大體的思路，你根據自己的任務選擇做哪些工作，這個題目不難的，要
有信心

F. 目標跟蹤都有哪些方法

尾隨，監控，定位

G. 自動跟蹤的跟蹤演算法

質心跟蹤演算法：這種跟蹤方式用於跟蹤有界目標，且目標與環境相比有明顯不同灰度等級，如空中飛機等。目標完全包含在鏡頭視場范圍內。

相關跟蹤演算法：相關可用來跟蹤多種類型的目標，當跟蹤目標無邊界且動態不是很強時這種方式非常有效。典型應用於：目標在近距離的范圍，且目標擴展到鏡頭視場范圍外，如航行在大海中的一艘船。

相位相關演算法：相位相關演算法是非常通用的演算法，既可以用來跟蹤無界目標也可以用來跟蹤有界目標。在復雜環境下（如地面的汽車）能給出一個好的效果。

多目標跟蹤演算法：多目標跟蹤用於有界目標如飛機、地面汽車等。它們完全在跟蹤窗口內。對復雜環境里的小目標跟蹤，本演算法能給出一個較好的性能。
邊緣跟蹤演算法：當跟蹤目標有一個或多個確定的邊緣而同時卻又具有不確定的邊緣，這時邊緣跟蹤是最有效的演算法。典型如火箭發射，它有確定好的前邊緣，但尾邊緣由於噴氣而不定。

場景鎖定演算法：該演算法專門用於復雜場景的跟蹤。適合於空對地和地對地場景。這個演算法跟蹤場景中的多個目標，然後依據每個點的運動，從而估計整個場景全局運動，場景中的目標和定位是自動選擇的。當存在跟蹤點移動到攝像機視場外時，新的跟蹤點能自動被標識。瞄準點初始化到場景中的某個點，跟蹤啟動，同時定位瞄準線。在這種模式下，能連續跟蹤和報告場景里的目標的位置。

組合跟蹤演算法：顧名思義這種跟蹤方式是兩種具有互補特性的跟蹤演算法的組合：相關類演算法 + 質心類演算法。它適合於目標尺寸、表面、特徵改變很大的場景。

H. 目標跟蹤都有那些演算法

目標跟蹤,利用相鄰兩幀的區域匹配從圖像序列中建立目標鏈,跟蹤目標從進入監視范圍到駛離監視范圍的整個過程。首稱要確定匹配准則。常用的圖像匹配方法有Hausdorff距離區域法和圖像互相關。

I. opencv中目標跟蹤的演算法有哪些

是對MeanShift演算法的改進演算法，可以在跟蹤的過程中隨著目標大小的變化實時調整搜索窗口大小，對於視頻序列中的每一幀還是採用MeanShift來尋找最優迭代結果，至於如何實現自動調整窗口大小的，