目标检测与跟踪的研究热点以及发展趋势:
1) 场景信息与目标状态的融合
场景信息包含了丰富的环境上下文信息, 对场景信息进行分析及充分利用, 能够有效地获取场景的先验知识, 降低复杂的背景环境以及场景中与目标相似的物体的干扰; 同样地, 对目标的准确描述有助于提升检测与跟踪算法的准确性与鲁棒性. 总之,尝试研究结合背景信息和前景目标信息的分析方法,融合场景信息与目标状态, 将有助于提高算法的实用性能.
2) 多维度、 多层级信息融合
为了提高对运动目标表观描述的准确度与可信性, 现有的检测与跟踪算法通常对时域、 空域、 频域等不同特征信息进行融合, 综合利用各种冗余、 互补信息提升算法的精确性与鲁棒性. 然而, 目前大多算法还只是对单一时间、 单一空间的多尺度信息进行融合, 研究者可以考虑从时间、 推理等不同维度, 对特征、 决策等不同层级的多源互补信息进行融合, 提升检测与跟踪的准确性.
3) 基于深度学习的特征表达
基于深度学习的特征表达具有强大的分层自学习能力, 能深度地挖掘隐含在数据内部间的潜在关系. 其中, 基于卷积神经网络的特征表达方法效果尤为突出, 近年来取得了显著的检测效果[126?128]. 同时, 深度学习框架相继开源[92?98], 为思想的碰撞与交融带来了更多可能. 然而, 基于深度学习的特征表达方法也存在一些问题尚未定论, 如深度学习的层数以及隐层节点个数如何确定, 深度学习所学得特征的优劣如何评价等. 因此, 对基于深度学习的特征表达方法的进一步研究可能会产生突破性成果, 最终将促进该领域的发展.
4) 基于核的支持向量机分类方法
支持向量机 (SVM) 因其分类性能优良、 操作实现简单等特性, 仍是目前倍受青睐的常用分类方法之一, 尤其是核方法的引入更使其性能得以极大提升. 然而, 其最大的优点也是其最致命的弱点, 其分类性能也会极大地依赖于核的选取, 尽管目前已经开展了相当一部分的工作[133; 135; 137], 但对于不同分类任务下的核方法的选取, 仍然还没有一个普遍通用的定论. 因此, 如何根据实际分类需求, 选取合适的核方法仍需进一步探索.
5) 高维数据的分类方法
随着分类任务研究的发展, 分类中所使用的视觉单词的大小不断地增加, 其相应的图像表达数据维度也与日俱增, 传统的单个分类器已经难以满足高维数据的分类要求. 目前, 普遍的做法是将多个分类器集成在一起, 以获取分类性能更好的强分类器.然而, 集成分类器方法也存在一些问题尚未定论, 如子分类器如何选取与组合, 如何在不降低分类性能的情况下使分类器数量尽可能少等. 因此, 研究子分类器模型的产生、调整以及整合, 将有助于适应高维数据的分类任务.
来源：
基于视觉的目标检测与跟踪综述
尹宏鹏，陈波，柴毅，... - 《Acta Automatica ... - 2016 - 被引量: 0
基于视觉的目标检测与跟踪是图像处理、计算机视觉、模式识别等众多学科的交叉研究课题,在视频监控、虚拟现实、人机交互、自主导航等领域,具有重要的理论研究意义和实际应用价值.本文对目标检测与跟踪的发展历史、研究现状以及典型方法给出了较为全面的梳理和总结.首先,根据所处理的数据对象的不同,将目标检测分为基于背景建模和基于前景建模的方法,并分别对背景建模与特征表达方法进行了归纳总结.其次,根据跟踪过程有无目标检测的参与,将跟踪方法分为生成式与判别式,对基于统计的表观建模方法进行了归纳总结.然后,对典型算法的优缺点进行了梳理与分析,并给出了其在标准数据集上的性能对比.最后,总结了该领域待解决的难点问题,对其未来的发展趋势进行了展望.
计算机视觉 / 目标检测 / 目标跟踪 / 背景建模 / 表观建模