К.Л. Тассов, Д.Е. Бекасов
4
▫ особые точки (interest point) (например, с помощью детекто-
ра Моравека (Moravec)[3] или оператора Харриса (Harris) [4]);
▫ единообразные области (кластеризация низкоуровневых
признаков [5–7]);
• высокоуровневые признаки (high-level):
▫ модель заднего фона (использование математического ожи-
дания и дисперсии [8] или смеси гауссиан [9]);
▫ модели объектов (обучение на некоторой выборке объектов
интереса, например алгоритмы аппроксимации границ объекта
(edgelets) [10, 11] или вейвлетных преобразований Хаара [1]);
2. Модели представления цели, основные из которых представле-
ны на рис. 2:
• представление формы (shape):
▫ простые формы:
▪ аппроксимация точкой [12];
▪ аппроксимация занимаемой области (прямоугольник, эл-
липс) [13];
▪ аппроксимация занимаемого объема [14];
▫ каркасные модели (аппроксимируются множеством жест-
ких, неизменяемых блоков) [15];
▫ деформируемые модели:
▪ мягкая модель (fluid model) (без ограничений на перемеще-
ние отдельных элементов) [16];
▪ контурные модели [17];
▪ точечные модели (point distribution models) [18];
• представление внешнего вида:
▫ шаблоны (для каждого изменения цели) [19];
▫ гистограммы (цвета [13], ориентации [20], SIFT [21]);
▫ адаптируемая модель (набор функций распределения для
каждого признака) [22].
3. Определение положения цели.
• методы с одной гипотезой (SHL);
▫ методы на основе вычисления градиента (например, KLT,
использующий шаблоны или Mean shift, применяющий цветовые
гистограммы) [13];
▫ байесовские методы [1];
• методы с несколькими гипотезами (MHL):
▫ регулярная сетка (гипотезы для каждого узла сетки) [1];
▫ частотный фильтр (PF) [1];
▫ гибридные методы (комбинация с SHL) [23].
Различные комбинации указанных алгоритмов порождают боль-
шое число вариантов алгоритмов отслеживания объектов для разно-
образных прикладных задач и ограничений. Часто в литературе класс
