Objektverfolgung

Objektverfolgung bezeichnet in der Bildverarbeitung die Bestimmung der Lage, Bewegung und Identität eines oder mehrerer Objekte über aufeinanderfolgende Bilderfolgen hinweg. Ziel ist es, Objekte konsistent zu identifizieren und ihre Position sowie Trajektorien über die Zeit zu rekonstruieren, auch bei Occlusion, Lichtwechseln und Skalierungsänderungen.

Es gibt Einzelobjektverfolgung und Mehrfachverfolgung (Multi-Object Tracking, MOT). Typische Ansätze arbeiten als Tracking-by-detection: Objekte werden zuerst in jedem Frame erkannt und anschließend durch Data Association über Frames hinweg zu Spuren verknüpft. Klassische Verfahren nutzen Kalman-Filter oder erweiterte Kalman-Filter für die Positions- und Bewegungsprognose, oft in Kombination mit Beobachtungsmodellen. In der Sichtmodellierung kommen merkmalsbasierte Ansätze (Farbhistogramme, HOG, Deep Features) sowie diskrete Methoden wie der Hungarian-Algorithmus oder probabilistische Ansätze (JPDA, MHT) zum Einsatz. Optische-Fluss-Verfahren (z. B. Lucas-Kanade) bieten alternative Verfolgungswege. Moderne Tracker setzen häufig auf tiefe neuronale Netze, Siamese-Architekturen oder Re-Identification-Modelle, die robuste Erscheinungsformen über Frames hinweg lernen.

Herausforderungen sind Occlusion, ähnliche Objekte, schnelle Bewegungen, Beleuchtungswechsel, Skalierung, Verdeckungen und Spurwechsel. Evaluationskennzahlen umfassen MOTA, MOTP, ID-Switches sowie Präzision und Recall. Standard-Datensätze umfassen MOT Challenge, KITTI, OTB und VOT.

Anwendungen erstrecken sich über Videoüberwachung, autonomes Fahren, Robotik, Sportanalyse, Augmented Reality sowie medizinische Bildverarbeitung, wo es um die Verfolgung sich bewegender Strukturen geht.