多目标跟踪方法研究综述
目标跟踪方法综述
目标跟踪方法综述目标跟踪是计算机视觉领域一项重要的任务，它能够检测与跟踪目标，研究者们积极地探索并利用计算机视觉技术来解决该问题。
近年来，随着深度学习取得的成功，使得目标跟踪技术有了新的突破，并受到众多研究者的关注。
首先，根据背景抑制算法和模板匹配算法的思想，目标跟踪技术发展出基于跟踪器的传统视觉跟踪技术，其中包括基于随机样本极点算法、距离变换特征跟踪算法和基于加权和表示的跟踪算法，如Sparse Representation-based Tracking (SRT)等，并将它们用于实时的目标跟踪，大大提高了跟踪的准确度。
其次，基于深度学习的目标跟踪技术不仅提高了跟踪的准确性，同时也使得更多任务的实时性得到改善，从而取得良好的实验结果。
目前，已经有大量研究人员借助深度学习思想探索目标跟踪技术，其中有一些使用深度卷积神经网络(DCNN)、多种有效的目标匹配策略、透视反置变换等，以优化底层跟踪器，有效地提升了跟踪的性能。
另一方面，研究者也采用了空间序列学习技术来解决追踪结果的鲁棒性问题，并使用辨认技术来跟踪目标，以获得最佳的跟踪和识别结果。
最后，在无监督的情况下，研究者们也开发了一些目标跟踪技术。
他们利用Bellman，Kalman和Particle滤波技术等先进的数学方法来深入分析图像序列，有效地提升了目标跟踪的性能。
总之，采用传统技术和深度学习技术不仅提高了目标跟踪的准确度，同时也实现了实时的目标跟踪，为计算机视觉的发展提供了重要的技术支持。
至今，计算机视觉技术仍受到众多研究人员的关注，希望未来能改进系统的准确性以及运行的鲁棒性，使其能在实际的应用中发挥最佳的效果。
目标跟踪算法综述
目标跟踪算法综述目标跟踪算法综述目标跟踪是计算机视觉领域的一项重要任务，它的目标是在视频中准确地跟踪一个或多个特定的目标。
目标跟踪技术在各个领域都有广泛的应用，比如视频监控、自动驾驶、智能交通系统等。
随着计算机性能的提高和人工智能的发展，目标跟踪算法也在不断地得到改进和创新。
本文将对目标跟踪算法的发展进行综述。
目标跟踪算法主要分为传统的基于模型的方法和基于深度学习的方法。
传统的基于模型的方法主要包括卡尔曼滤波器、粒子滤波器、相关滤波器等。
这些方法首先通过对目标进行建模，然后通过观察视频序列中的目标状态来更新模型，从而实现跟踪。
由于这些方法对目标的形状、运动等进行了建模，因此在目标快速运动、形变、遮挡等情况下表现较好。
但是，这些方法对于复杂的场景以及目标外观的变化较为敏感。
近年来，随着深度学习的兴起，基于深度学习的目标跟踪算法也取得了显著的进展。
深度学习通过神经网络模型对目标进行建模，并使用大量标注数据进行训练。
这种方法通过深度学习网络从图像中提取特征，并根据提取的特征进行目标检测和跟踪。
深度学习方法具有良好的泛化能力和鲁棒性，在复杂的场景下表现优秀。
然而，由于深度学习方法需要大量的训练数据和计算资源，其运行速度较慢。
基于深度学习的目标跟踪算法主要包括基于卷积神经网络（CNN）的方法和基于循环神经网络（RNN）的方法。
基于CNN 的方法通过在网络中使用卷积层和池化层，对目标进行特征提取和表示。
这些方法一般将目标跟踪问题视为图像分类或目标检测问题，通过对目标进行分类或定位来实现目标跟踪。
基于RNN的方法则通过对时间序列数据进行建模，利用循环神经网络对目标进行跟踪。
这些方法一般采用LSTM或GRU等循环神经网络结构来对目标状态进行建模，并通过时间序列数据来更新模型。
除了基于模型和深度学习的方法，还有一些其他的目标跟踪算法，例如基于边界框的方法、基于稀疏表示的方法、基于流场的方法等。
这些方法各有特点，在不同的场景和需求下有着不同的应用。
计算机视觉中多目标跟踪算法的研究与优化
计算机视觉中多目标跟踪算法的研究与优化摘要：计算机视觉中的多目标跟踪算法是指在视频中同时跟踪多个目标的技术。
随着计算机视觉技术的不断发展，多目标跟踪在许多领域中得到广泛应用，例如智能监控、无人驾驶和机器人导航等。
然而，由于视频数据的复杂性和实时性要求，多目标跟踪依然具有一定的挑战性。
本文通过对多目标跟踪算法的研究与优化进行综述，旨在探讨多目标跟踪领域的最新进展和未来发展方向。
一、引言多目标跟踪是计算机视觉领域的重要研究方向，在诸多应用场景中发挥着重要作用。
传统的多目标跟踪方法主要基于滤波器，例如卡尔曼滤波器、粒子滤波器等。
然而，由于目标特征的复杂性、运动模型的非线性以及背景噪声的影响，传统方法在处理复杂场景下的多目标跟踪问题时表现不佳。
二、多目标跟踪算法的研究进展1. 基于深度学习的多目标跟踪算法深度学习技术的崛起为多目标跟踪带来了新的机遇。
基于深度学习的多目标跟踪算法通过端到端的训练方式，能够自动从大规模数据中学习目标特征表示，并进行目标的关联和跟踪。
其中，Siamese网络、Faster R-CNN和Mask R-CNN等深度学习模型被广泛应用于多目标跟踪领域，并取得了显著的性能提升。
2. 基于特征匹配的多目标跟踪算法特征匹配方法通过提取目标的视觉特征，并通过匹配相邻帧之间的特征来进行目标跟踪。
根据特征的表示方式，特征匹配方法可以分为基于颜色直方图、局部特征描述子和深度特征的方法。
近年来，基于深度学习的特征匹配方法得到了广泛关注，并在多目标跟踪问题中取得了较好的性能。
3. 基于图论的多目标跟踪算法图论方法通过建立目标和观测之间的关系图来解决多目标跟踪问题。
常用的图论方法包括最大感兴趣区域（MOTA）、最小均方根（MST）、二部图最大匹配（BGM）、匹配追踪（MT）等。
这些方法通过优化图的结构和节点间的连接关系，实现对多目标的准确跟踪。
三、多目标跟踪算法的优化1. 关于目标特征的优化目标特征是进行多目标跟踪的关键。
多目标跟踪算法及实现研究
多目标跟踪算法及实现研究一、本文概述Overview of this article随着计算机视觉技术的快速发展，多目标跟踪算法已成为该领域的研究热点之一。
多目标跟踪旨在从视频序列中识别并持续跟踪多个目标对象，是许多实际应用如智能监控、人机交互、自动驾驶等不可或缺的关键技术。
本文旨在深入研究和探讨多目标跟踪算法的原理、发展现状以及实际应用。
With the rapid development of computer vision technology, multi-objective tracking algorithms have become one of the research hotspots in this field. Multi object tracking aims to identify and continuously track multiple target objects from video sequences, and is an indispensable key technology in many practical applications such as intelligent monitoring, human-computer interaction, and autonomous driving. This article aims to conduct in-depth research and exploration on the principles, current development status, and practical applications of multi-objective tracking algorithms.本文将对多目标跟踪算法的基本框架和关键技术进行概述，包括目标检测、数据关联、轨迹预测等核心组件。
文章将重点介绍当前主流的多目标跟踪算法，如基于滤波的方法、基于深度学习的方法等，并分析它们的优缺点和适用场景。
多目标跟踪数据关联方法综述
多目标跟踪数据关联方法综述多目标跟踪（MOT）是计算机视觉中的一个重要任务，在很多应用领域中都有广泛的应用。
在实际的场景中，由于目标的数量众多，相互之间存在着交叉、重叠和遮挡等情况，因此需要开发一种有效的方法来进行多目标的关联追踪。
本文将综述一些常用的多目标跟踪数据关联方法。
1.基于传统图论的方法：传统图论方法是将多目标跟踪问题转化为图的模型。
其中最常用的方法是最大权匹配（MWM），即在图中找到一组边，使得边的权重之和最大。
该方法可以用于处理帧间的目标关联问题，但在长时间的跟踪中容易出现错误的关联。
2.基于滤波器的方法：滤波器方法是将跟踪问题建模为一个滤波过程。
其中常用的方法有卡尔曼滤波器和粒子滤波器。
卡尔曼滤波器通过状态空间模型来预测目标的位置和速度，并根据观测值来更新目标的状态。
粒子滤波器通过利用粒子来表示目标的状态，并通过重采样和权重更新来估计目标的位置。
3.基于深度学习的方法：深度学习方法是近年来在多目标跟踪中取得显著成果的一种方法。
其中，基于卷积神经网络（CNN）的目标检测和特征提取方法被广泛应用于多目标跟踪中。
通过在不同帧之间进行特征匹配和目标检测，可以实现目标的关联跟踪。
4.基于关联矩阵的方法：关联矩阵方法是通过计算不同目标之间的相似度来进行跟踪。
常用的方法有匈牙利算法和相关滤波器。
匈牙利算法通过计算目标之间的欧式距离来建立匹配关系。
相关滤波器通过计算目标之间的相似度来进行关联。
5.基于图神经网络（GNN）的方法：图神经网络是一种能够处理图数据的机器学习方法。
近年来，GNN在多目标跟踪中的应用得到了广泛关注。
通过将跟踪问题建模为图的结构，可以利用GNN来学习目标之间的关系，并进行目标的关联。
总结而言，多目标跟踪的数据关联方法有很多种，其中基于传统图论的方法、基于滤波器的方法、基于深度学习的方法、基于关联矩阵的方法以及基于图神经网络的方法是常用的方法。
不同的方法有着不同的优缺点，需要根据具体的应用场景选择合适的方法。
机器视觉系统中的多目标跟踪算法研究
机器视觉系统中的多目标跟踪算法研究机器视觉是人工智能领域中的一个重要分支，它主要研究如何使机器具有模拟人类的视觉感知能力，从而能够辨别和识别出图像中的内容。
机器视觉在人类社会中有着广泛的应用，涉及到医疗诊断、军事监控、自动驾驶等多个领域。
而机器视觉系统中的多目标跟踪算法是其中的重要问题之一。
1. 多目标跟踪算法的意义在机器视觉中，多目标跟踪算法是指通过对图像中的目标进行监测和识别，确定它们的位置和运动轨迹，并且在后续的图像帧中跟踪它们的运动状态。
这一算法的主要应用在视频监控、自动驾驶等场景中。
在这些场景中，需要对多个目标同时进行监测和跟踪，才能保证整个系统的有效性和稳定性。
因此，多目标跟踪算法在实际应用中具有非常重要的作用。
2. 多目标跟踪算法的基本流程多目标跟踪算法的基本流程包括目标检测、目标描述、目标匹配和目标跟踪等四个步骤。
其中：（1）目标检测：是指在图像中进行目标搜索和定位，他主要利用图像处理算法，在图像中检测出可能存在的目标，并且确定目标的位置和大小等信息。
（2）目标描述：是指对图像中检出的目标进行描述，也就是将目标从原始图像中提取特征并且进行表示。
常用的目标描述方法包括：颜色直方图、边缘方向直方图、梯度方向直方图等。
（3）目标匹配：是指在不同的图像帧之间，将先前的目标与当前图像中出现的目标进行匹配，以确定它们是否是同一个目标。
常用的目标匹配算法包括：卡尔曼滤波、粒子滤波等。
（4）目标跟踪：是指在确定了目标匹配关系之后，对目标进行跟踪，即连续追踪目标的位置和运动轨迹。
3. 多目标跟踪算法的研究挑战多目标跟踪算法的研究面临多个挑战，其中主要的挑战包括：（1）高维度问题：在现实场景中，对多个目标进行跟踪，需要考虑到目标的位置、速度、加速度、朝向和大小等多个属性，导致问题的维度非常高。
（2）目标重叠问题：在一些场景中，多个目标可能会出现重叠现象，这时就需要进行目标分割，以区分目标并进行跟踪。
多目标跟踪综述（二）
多⽬标跟踪综述（⼆）多⽬标跟踪 综述(⼆)Multi-o bject tracking multi-target tracking MO T Co mpo nents前⾯介绍了什么是MTT问题，MTT问题⾯临的难点，以及MTT的⼀般形式化表达和⽅法的分类。
这⾥主要介绍下⼀般的MTT⽅法都包含哪些component，以保证提出模型考虑问题更加全⾯。
⼀般MTT⽅法都会包含个components，分别是Appearance Model，Motion Model，Interaction Model, Exclusion Model 和Occlusion Model。
Appearance Model即表观模型，这⾥既包含⽬标的视觉表⽰，也包括⽬标间相似性、相异性的度量。
视觉表⽰肯定是基于图像特征了。
这⾥先介绍⼀些特征。
point feature, ⽐如Harris⾓点、SIFT⾓点、SURF⾓点等等Color/intensity features, ⽐如最简单的模板、颜⾊直⽅图等Optical flow, 光流特征蕴含了时域信息Gradient/pixel-comparison features, 基于梯度的特征，典型的如HOG特征Region covariance matrix features, 该特征对于光照和尺度变换相对鲁棒Depth, 即深度信息，对于视频这种3D数据作⽤还是蛮⼤的others，针对于具体应⽤的特征，⽐如对于⾏⼈的步态特征等总之呢，每个特征都不是万能的，有优点也有缺点，⽐如Color histogram简单，容易计算相似性，但其仅仅是统计信息，丢失了区域像素的位置信息。
Points features对于平⾯内变换⾮常有效，但对于遮挡和out-of-plane变化就⽆能⽆⼒了。
HOG等梯度特征显然对光照⽐较鲁棒，但对于遮挡和形变效果很差，Region covariance matrix鉴别能⼒很强，但计算太复杂。
计算机视觉中的多目标跟踪算法研究
计算机视觉中的多目标跟踪算法研究一、简介计算机视觉是人工智能领域的分支之一，其研究方向是使计算机具备对图像、视频等视觉信号的理解能力，目前已经广泛应用于人脸识别、场景分类、动态跟踪等方面，取得了非常显著的成果。
多目标跟踪技术是计算机视觉领域的一个重要研究方向，其核心是通过对图像或视频中的多个目标进行处理，确定每个目标在不同帧中的位置和状态，从而实现跟踪，并对目标进行各种应用与分析。
本文将详细介绍计算机视觉中的多目标跟踪算法研究，包括其基本概念、主要应用、研究方法等。
二、多目标跟踪的基本概念多目标跟踪是指通过最小化跟踪误差，对图像或视频中的多个目标进行连续跟踪的技术。
其基本流程包括以下几个步骤：1.目标检测：对图像或视频进行处理，寻找其中的目标，一般使用目标检测算法实现。
2.目标定位：在目标检测的基础上，确定目标在当前帧中的位置，通常使用目标定位算法实现。
3.目标识别：确定当前目标与已经跟踪的目标是否相同，或是新出现的目标。
4.目标匹配：将跟踪到的目标与新的目标进行匹配，以确定跟踪结果的正确性。
5.状态更新：根据新的测量结果，更新目标的状态信息，以提高跟踪精度。
三、多目标跟踪的主要应用多目标跟踪在实际应用中有着广泛的应用，主要的应用场景包括以下几个方面：1.交通监控：交通监控系统中的车辆识别、行人跟踪等都是多目标跟踪技术的应用。
2.智能视频监控：智能视频监控系统中采用多目标跟踪技术，可以对场景中的目标进行实时监控，发现异常事件。
3.运动分析：多目标跟踪技术可以对运动中的目标进行轨迹分析，以掌握运动过程中的动态变化。
4.目标跟踪：多目标跟踪技术可以应用于目标跟踪，如人脸跟踪、目标跟踪等。
四、多目标跟踪的研究方法多目标跟踪技术的研究方法主要包括以下几种：1.基于特征的跟踪算法：该方法通过对目标的形态、颜色、纹理等特征进行提取和匹配，确定目标在下一帧中的位置和状态。
2.基于运动的跟踪算法：该方法利用目标的运动信息进行跟踪，通过对目标的速度、加速度等运动信息的分析，确定目标位置与状态。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
科技信息经过近４０多年的深入研究和发展，多目标跟踪技术在许多方面都有着广泛应用和发展前景，如军事视觉制导、机器人视觉导航、交通管制、医疗诊断等［１－２］。目前，虽然基于视频的多运动目标跟踪技术已取得了很大的成就，但由于视频中图像的变化和物体运动的复杂性，使得对多运动目标的检测与跟踪变得异常困难，如多目标在运动过程中互遮挡、监控场景的复杂性等问题，解决上述难题一直是该领域所面临的一个巨大挑战，因此，对视频中多目标跟踪技术研究仍然是近年来一个热门的研究课题［３－５］。１、多目标跟踪的一般步骤基于视频的多目标跟踪技术融合了图像处理、模式识别、人工智能、自动控制以及计算机视觉等众多领域中的先进技术和核心思想。不同的多目标跟踪方法其实现步骤有一定的差异，但多目标跟踪的主要流程是相同的，如图１所示，其主要包括图像预处理、运动目标检测、多目标标记与分离、多目标跟踪四个步骤。图１多目标跟踪基本流程图２、多目标跟踪方法多目标跟踪方法可以根据处理图像或视频获取视点的多少分为两大类，一类是单视点的多目标跟踪，另一类就是多视点的多目标跟踪。２．１单视点的方法单视点方法是针对单一相机获取的图像进行多目标的检测和跟踪。该方法好处在于简单且易于开发，但由于有限的视觉信息的获取，很难处理几个目标被遮挡的情况。块跟踪（Ｂｌｏｂ－ｔｒａｃｋｉｎｇ）是一种流行的低成本的跟踪方法［６－７］。这种方法需要首先在每一帧中提取块，然后逐帧寻找相关联的块，从而实现跟踪。例如ＢｒａＭＢＬｅ系统［８］就是一个基于已知的背景模型和被跟踪的人的外表模型计算出块的似然性的多块跟踪器。这种方法最大的不足之处在于：当由于相似性或者遮挡，多个目标合并在一起时，跟踪将导致失败。因此，可以取而代之的方法是通过位置、外观和形状保留清晰目标的状态。文献［９］利用组合椭圆模拟人的形状，用颜色直方图模拟不同人的外观，用一个增强高斯分布模拟背景以便分割目标，一旦场景中发现对应于运动头部的像素，一个ＭＣＭＣ方法就被用于获取多个人的轮廓的最大后验概率，在单相机的多人跟踪应用中取得了非常有意义的结果。Ｏｋｕｍａ等人提出了一种将Ａｄａｂｏｏｓｔ算法和粒子滤波相结合的方法［１０］。该方法由于充分利用了两种方法的优点，相比于单独使用这两种方法本身，大大降低了跟踪失败的情形，同时也解决了在同一框架下检测和一致跟踪的问题。Ｂｒｏｓｔｏｗ等人提出了一个用于在人群中检测单个行人的特征点轨迹聚类的概率框架［１１］。这个框架有一个基本假设是一起运动的点对可能是同一个个体的一部分，并且把它用于检测和最终的跟踪。对于完全和部分遮挡目标以及外观变化，这些方法和另外一些相似的方法都有很大的局限性。为了解决遮挡问题，一系列单视点跟踪技术应运而生。典型的方法是利用块合并来检测遮挡的发生［１２］。当被跟踪的点消失，跟踪特征点的方法就简单的将其作为一个被遮挡特征点。近年来，基于目标轮廓和外观的跟踪技术利用隐含的目标到相机的深度变化来表示和估计目标间的遮挡关系。但大多数方法都只能解决部分遮挡，不能解决完全被遮挡的情况。另外，小的一致运动被假设为是可以从遮挡视点中可以预测运动模式的，这些给没有预测运动的较长时间的遮挡的处理带来问题。尽管这些单视点的方法有较长的研究历史，但这些方法由于不能明锐的观察目标的隐藏部分，因此不能很好地解决有２或３个目标的遮挡问题。２．２多视点的方法随着复杂环境中对检测和跟踪多个被遮挡的人和计算他们的精确位置的需要，多视点的方法成为研究的热点。多视点跟踪技术的目的就是利用不同视点的冗余信息，减少被遮挡的区域，并提供目标和场景的３Ｄ信息。尽管通过相机不能很好地解决目标跟踪问题，但却提出了一些很好的想法，如选择最佳视点，但这些方法都以实际环境模型和相机校正为特征。９０年代后半期，在很多文献中给出了多视点相关的多目标跟踪方法。比如利用一个或多个相机与观察区域相连的状态变化映射，同时给出一系列的行为规则去整合不同相机间的信息。利用颜色在多个视点中进行多目标的跟踪的方法，该方法模拟了从基于颜色直方图技术的背景提取中获得的连接块并应用其去匹配和跟踪目标。除此之外，也有在原来的单视点跟踪系统进行扩展的多视点跟踪方法。该方法主要是通过一个预测，当预测当前的相机不在有一个好的视点时，跟踪就从原来凯斯的那个单相机视点的跟踪转换到另外一个相机，从而实现多视点的跟踪。基于点与它对应的极线的欧氏距离的空间匹配方法、贝叶斯网络和立体相对合并的方法都是多目标多视点跟踪的常见方法。尽管这些方法都试图去解决遮挡问题，但由于遮挡的存在，基于特征的方法都不能根本解决，其次，这些方法中的遮挡关系的推理一般都是根据运动模型，卡尔曼滤波或者更普遍的马尔科夫模型的时间一致性来进行的。因此，当这个过程开始发散，这些方法也不能恢复遮挡关系。最近一种基于几何结构融合多个视点信息的Ｈｏｍｅｇｒａｐｈｉｃｏｃｃｕｐａｎｃｙｃｏｎｓｒｒａｉｎｔ（ＨＯＣ）［１２］方法，可以通过在多场景平台对人的定位来解决遮挡问题。仅采用随时间变化的外表信息用于从背景中检测前景，这使得在拥挤人流的场景中的外表遮挡的解决更健壮。利用多视点中的前景信息，主要是试图找到被人遮挡的场景点的图像位置，然后这些被遮挡的信息用于解决场景中多个人的的遮挡和跟踪问题。在这种思想指导下，Ｍｉｔｔａｌ，Ｌｅｉｂｅ，Ｆｒａｎｃｏ等的研究工作和机器人导航中基于遮挡网格的距离传感器的并行工作是相似的，这些方法在融合３Ｄ空间信息的时候需要进行校正相机。但ＨＯＣ方法是完全基于图像的，仅需要２Ｄ结构信息进行图像平面的融合。当然也有另外一些不需要进行相机校正的算法被提出，但需要学习一个与相机最小相关的信息。在目标跟踪过程中，由于这些方法依赖于单个相机的场景，对于拥挤场景中目标分布密度增加九无能为力了。在ＨＯＣ的多视点的目标跟踪中，对于任何单一相机的场景，或者相机对的场景，都不需要进行定位和跟踪目标，而是从所有相机的场景中收集证据，形成一个统一的框架，由于该方法能够从多个时间帧的场景中进行场景被遮挡概率的全局轨迹优化，因此可以同时进行检测和跟踪。３、总结动态目标检测与跟踪是智能监控系统的重要组成部分，它融合了图像处理、模式识别、自动控制及计算机应用等相关领域的先进技术和研究成果，是计算机视觉和图像编码研究领域的一个重要课题，在军事武器、工业监控、交通管理等领域都有广泛的应用。尤其是对于多目标检测与跟踪中的遮挡与被遮挡的处理，对提高智能监控中目标的行为分析有着重要的意义。随着监控设备的发展和设施的铺设，多视点的场景图像是很容易得到的，因此借助信息融合的思想，充分利用不同角度对目标的描述信息，可以很大地改进目前基于单视点的多目标检测和跟踪的精度，能够很好地解决单视点方法中不能很好解决的遮挡问题。
参考文献［１］胡斌，何克忠．计算机视觉在室外移动机器人中的应用．自动化学报，２００６，３２（５）：７７４－７８４．［２］Ａ．Ｏｔｔｌｉｋ，Ｈ．－Ｈ．Ｎａｇｅｌ．ＩｎｉｔｉａｌｉｚａｔｉｏｎｏｆＭｏｄｅｌ－ＢａｓｅｄＶｅｈｉｃｌｅＴｒａｃｋｉｎｇｉｎＶｉｄｅｏＳｅｑｕｅｎｃｅｓｏｆＩｎｎｅｒ－ＣｉｔｙＩｎｔｅｒｓｅｃｔｉｏｎｓ．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２００８，８０（２）：２１１－２２５．
多目标跟踪方法研究综述苏州联讯图创软件有限责任公司陈宁强［摘要］文章对目前现有的多目标跟踪方法从信息获取的不同角度进行了综述。主要分析比较了目前单视点和多视点目标跟踪方法对于目标遮挡问题的处理性能，并指出多视点的基于多源信息融合的思想，可以较好地解决场景中目标的遮挡问题。［关键词］单视点多视点目标跟踪信息融合
基金项目：本文系江苏省自然科学基金（ＢＫ２００９５９３）。作者简介：陈宁强（１９７３－），男，江苏苏州人，工程师，主要研究方向：ＧＩＳ、模式识别和图像处理与分析。
目标跟踪多目标标记与分离匹配目标模型运动检测
当前帧图像
背景提取
去噪ＲＯＩ预处理视频序列
（下转第２６页）
博士·专家论坛
２２——科技信息
的现金流量净额正相关。上述两个结论是以安徽省上市公司为样本作出的，与其他学者以沪深两市上市公司为样本作出的结论基本一致。由于受上市公司家数的影响和数据缺失的影响，研究结论未能把其他一些因素考虑在内。特别遗憾的是文章未能将政策因素数量化，纳入实证研究的范畴。表７Ａｎｏｖａｃａ．预测变量：（常量），基本每股收益。ｂ．预测变量：（常量），基本每股收益，每股经营活动产生的现金流量净额。ｃ．因变量：每股现金股利注释①数据来源于中国证监会安徽证监局。②从严格意义上来讲，公积金转增股本不属于股利分配的形式，本文在研究红利分配时未考虑转增股本的问题。③数据来源于“李洋．我国上市公司现金股利分配政策影响因素研究．东北财大硕士论文”。参考文献［１］庄琳琳．我国上市公司现金股利政策的影响因素之实证研究．现代经济信息，２００９（１１）．［２］张淑杰，陆玉梅．影响上市公司股利分配政策的因素．统计观察，２００５（１０）．［３］李洋．我国上市公司现金股利分配政策影响因素研究．东北财大硕士论文（２００７）．［４］中国证监会安徽证监局网站．［５］巨潮资讯网．模型平方和ｄｆ均方ＦＳｉｇ．１回归．３５０１．３５０５７．４４９．０００ａ残差．４４４７３．００６总计．７９４７４２回归．３８５２．１９２３３．８６５．０００ｂ残差．４０９７２．００６总计．７９４７４（上接第２４页）［３］ＬｉｎＺｈｕ，ＪｉｅＺｈｏｕ，ＪｉｎｇｙａｎＳｏｎｇ．ＴｒａｃｋｉｎｇＭｕｌｔｉｐｌｅＯｂｊｅｃｔｓＴｈｒｏｕｇｈＯｃｃｌｕｓｉｏｎｗｉｔｈＯｃｃｌｕｓｉｏｎＳａｍｐｌｉｎｇａｎｄＰｏｓｉｔｉｏｎＥｓｔｉｍａｔｉｏｎ．Ｐａｔ－ｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，２００８，４１（８）：２４４７－２４６０．［４］ＬｕｏＣｈｅｎｇ，ＣａｉＸｉｏｎｇｃａｉ，ＺｈａｎｇＪｉａｎ．Ｒｏｂｕｓｔｏｂｊｅｃｔｔｒａｃｋｉｎｇｕｓ－ｉｎｇｔｈｅｐａｒｔｉｃｌｅｆｉｌｔｅｒｉｎｇａｎｄｌｅｖｅｌｓｅｔｍｅｔｈｏｄｓ：Ａｃｏｍｐａｒａｔｉｖｅｅｘｐｅｒｉｍｅｎｔ．Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２００８ＩＥＥＥ１０ｔｈＷｏｒｋｓｈｏｐｏｎＭｕｌｔｉｍｅｄｉａＳｉｇｎａｌＰｒｏ－ｃｅｓｓｉｎｇ，Ａｕｓｔｒａｌｉａ，２００８：３５９－３６４．［５］ＬｉＺｈｕ，ＹａｂｕｔａＫｅｎｉｃｈｉ，ＫｉｔａｚａｗａＨｉｔｏｓｈｉ．Ａｎｅｗｍｅｔｈｏｄｆｏｒｍｏｖｉｎｇｏｂｊｅｃｔｅｘｔｒａｃｔｉｏｎａｎｄｔｒａｃｋｉｎｇｂａｓｅｄｏｎｔｈｅｅｘｃｌｕｓｉｖｅｂｌｏｃｋｍａｔｃｈ－ｉｎｇ．３ｒｄＰａｃｉｆｉｃＲｉｍＳｙｍｐｏｓｉｕｍｏｎＩｍａｇｅａｎｄＶｉｄｅｏＴｅｃｈｎｏｌｏｇｙ，Ｔｏｋｙｏ，２００９：２４９－２６０．［６］Ｉ．Ｈａｒｉｔａｏｇｌｕ，Ｄ．Ｈａｒｗｏｏｄ，ａｎｄＬ．Ｄａｖｉｓ．Ｗｈｏ，ｗｈｅｎ，ｗｈｅｒｅ，ｗｈａｔ：Ａｒｅａｌｔｉｍｅｓｙｓｔｅｍｆｏｒｄｅｔｅｃｔｉｎｇａｎｄｔｒａｃｋｉｎｇｐｅｏｐｌｅ．ＩｎＦＧＲ，ｐａｇｅｓ２２２－２２７，１９９８．［７］Ｍ．Ｈａｎ，Ｗ．Ｘｕ，Ｈ．Ｔａｏ，ａｎｄＹ．Ｇｏｎｇ．Ａｎａｌｇｏｒｉｔｈｍｆｏｒｍｕｌｔｉｐｌｅ