【本章节内容针对视觉跟踪进行讲解】
接下来我们将主要针对以下内容进行介绍：
目标跟踪
模板匹配法
基于Kalman滤波器的跟踪方法
基于相关滤波的跟踪方法
基于CNN的跟踪方法
视觉定位
基于Kalman滤波器的定位方法
基于关键帧的定位方法
运动分析的一般流程
Tracking
目标跟踪：在图像序列中持续地估计出感兴趣的运动目标所在区域（位置），形成运动目标的运动轨迹；有时还需要估计出运动目标的某些运动参数 （比如速度、加速度等）。
相机跟踪（摄像机定位）：通过图像序列，持续地 计算出相机的位置、姿态，如SLAM（Simultaneous Localization And Mapping，同步定位与地图创建）
目标跟踪问题分类
场景中运动目标的数目： 单运动目标 vs. 多运动目标
在多目标跟踪过程中，必须考虑到多个目标在场景中会互相遮挡(Occlusion)，合并(Merge)，分离
(Split)等情况。
多目标跟踪中的数据关联问题(Data Association)。
摄像机的数目： 单摄像机 vs. 多摄像机
多摄像机有望解决因相互遮挡导致的运动目标丢失问题，但多摄像机的信息融合是一个关键性问题。
摄像机是否运动： 摄像机静止 vs. 摄像机运动
摄像机的运动形式，一种是摄像机支架固定，摄像机可以偏转(Pan)，俯仰(Tilt)以及缩放(Zoom)；另一种是摄像机装在移动载体上，如车辆、飞机。
摄像机的运动增加了运动目标检测的难度。
场景中运动目标的类型： 刚体 vs. 非刚体
交通车辆－刚体； 人－非刚体。
传感器的种类： 可见光图像 vs. 红外图像
白天使用可见光图像；晚上使用红外图像。
目标跟踪
运动目标的表示方法
基于点的跟踪
基于区域的跟踪
基于轮廓的跟踪
基于模型的跟踪
目标跟踪的两种处理思路
自底向上(Bottom-up)的处理方法
数据驱动(Date-driven)的方法，不依赖于先验知识
模板匹配 (Template Match)
均值漂移 (Mean Shift)
自顶向下(Top-down)的处理方法
模型驱动(Model-driven)的方法，依赖于所构建的模 型或先验知识
卡尔曼滤波器 (Kalman Filter)
粒子滤波器 (Particle Filter)
模板匹配法
基于卡尔曼滤波器的跟踪方法
Kalman filter：旨在利用线性系统状态方程，基于观测数据对系统状态进行最优估计。
基于卡尔曼滤波器的跟踪：通过建立状态空间模型，把跟踪问题表示为动态系统的状态估计问题。
动态系统
卡尔曼滤波器(Kalman Filter)
卡尔曼滤波器—时间更新和状态更新
相关滤波与跟踪（MOSSE）
基于DNN的跟踪方法
策略1：DNN特征 + 相关滤波
策略2：直接使用DNN进行目标跟踪
VGG框架
底层用于关注目标
高层用于运动目标项
视觉定位
适用于室内、外定位；
基于图像的定位可以集成到手机等移动终端，方便廉价；
基于位置的服务几乎无处不在，如智能机器人、虚拟现实、增强现实等等；
离线的视觉定位
在线的视觉定位
已知环境下的视觉定位
文献中方法：
基于 图像检索 的定位方法
定位技术速度快、定位精度相对较低
基于 2D-3D匹配点 的定位方法
定位精度相对较高、但依赖于2D-3D匹配精度影响
基于 学习（神经网络） 的定位方法
计算稳定性相对较好、定位精度相对较低、泛化能力相对较差
在线视觉定位分类
基于滤波器的实时定位方法
核心思想 ：将相机位置、姿态和地图特征等未知信息作为滤波器的状态量，利用相机的观测特征不断地估计相机相机位置、姿态和地图特征。
常用滤波器：卡尔曼滤波器、粒子滤波器等。
基于几何的实时定位方法
其中为双线程，关键帧用来更新地图，其余用来定位
小节
视觉跟踪所面临的主要难点：鲁棒性、准确性、快速性。
鲁棒性：跟踪算法能够在各种环境条件下实现对运动目标（摄像机）持续稳定的跟踪。
准确性
快速性：在保证所要求的跟踪精度的前提下，实现实时地跟踪
