目标检测和目标跟踪的区别

推荐阅读时间：5min~10min

主要内容：

目标检测（Object Detection）和目标跟踪（Object Tracking）的区别

在计算机视觉中，目标检测是在图像和视频（一系列的图像）中扫描和搜寻目标，概括来说就是在一个场景中对目标进行定位和识别，如下图中展示的，我们要检测图像中的车辆，这就是典型的目标检测实例。

目标跟踪就像你跟踪某个人，一直尾随着他。我们在动画图像（.gif）或者视频中跟踪一个目标是如何移动的，它要到哪里去，以及它的速度。实时锁定一个（一些）特定的移动目标。

有两种方式来“跟踪”一个目标。密集跟踪（a series detections）和稀疏跟踪（estimation+common sense）。

1.跟踪是一系列的检测。假设在交通录像中，想要检测一辆车或者一个人，我使用录像不同时刻的快照（通过暂停键）来检测我的目标，一辆车或一个人。然后通过检查我的目标是如何在录像不同的画面中移动（对录像每一帧进行目标检测，比如YOLO算法，就能知道我的目标在不同的画面里的坐标），由此实现对目标的追踪。

比如要计算目标的速度，就可以通过两帧图像中目标坐标的变化来计算目标移动距离，除以两帧画面的间隔时间。

因为我们要处理录像所有的快照（每一帧）的像素，这些算法需要密集的跟踪方法（dense methodof tracking）来实现，对于每一帧画面图像，都要进行目标检测。

就拿滑窗法来举例，需要处理图像中的所有像素，所以这种方法进行目标跟踪，计算量将会非常大。

当我们只是把跟踪处理为“一系列的检测”，就会得到如下的轨迹。根据不同时间点目标的位置，把这些位置坐标由时间线串联起来得到目标轨迹。

2.第一种方法（上述的方法）更像是欺骗，我们实际上并没有“跟踪”而是在不同的时间点来“检测”它。改进以后的方法是“动态检测（detection with dynamics）”，考虑同样的场景，你想要跟踪路上的一辆车或者一个人，通过检查它在某个时刻t的位置，我们首先估计它在其他某个时刻的位置，比如t+5时刻。所以，我们要试图判断出车的轨迹。使用我们的估计和车在t+5时刻的实际图像，我们用不同的算法来跟踪它。

当我们只处理估计位置附近的像素时，就是稀疏跟踪方法。当然，它更快（处理更少的像素），我们只需要检测我们估计的位置附近的像素就行，相比于密集跟踪方法，减少了大量的计算。。使用动态检测方法，我们得到更平滑的曲线来刻画目标的移动位置（轨迹），因为我们将我们的估计（estimation）和一般的认识（common sense）应用到了跟踪中。

目标检测和目标跟踪的异同：

（1）目标检测可以在静态图像上进行，而目标跟踪就是需要基于录像（视频）。

（2）如果对每秒的画面进行目标检测，也可以实现目标跟踪。

（3）目标跟踪不需要目标识别，可以根据运动特征来进行跟踪，而无需确切知道跟踪的是什么，所以如果利用视频画面之间（帧之间）的临时关系，单纯的目标跟踪可以很高效的实现。

（4）基于目标检测的目标跟踪算法计算非常昂贵，就如之前讲的，需要对每帧画面进行检测，才能得到目标的运动轨迹。而且，只能追踪已知的目标，这个容易理解，因为目标检测算法就只能实现已知类别的定位识别。

因此，目标检测要求定位+分类。而目标跟踪，分类只是一个可选项，根据具体问题而定，我们可以完全不在乎跟踪的目标是什么，只在乎它的运动特征。实际中，目标检测可以通过目标跟踪来加速，然后再间隔一些帧进行分类（好几帧进行一次分类）。在一个慢点的线程上寻找目标并锁定，然后在快的线程上进行目标跟踪，运行更快。

参考：

https://www.quora.com/What-is-the-difference-between-object-detection-and-object-tracking