Beyond Local Search: Tracking Objects Everywhere with Instance-Specific Proposals

CVPR 2016

Beyond Local Search: Tracking Objects Everywhere with Instance-Specific Proposals

本文主要解决快速运动物体的跟踪问题，以前大部分跟踪的方法都会在通过一个运动模型预测下一帧物体可能的位置，在其局部区域进行搜索匹配。该方法有两个个前提就是：1）物体被正确跟踪，2）运动不是太快。有时物体变形也会对其产生影响。这里我们采用全局搜索的策略。一般全局搜索的运算量很大，所以我们先使用快速的算法提出一个物体候选区域，然后在这些位置进行精确匹配。

下面里看看我们这个系统的流程图：

首先对当前帧提取 edge map， 然后 使用 Edge Boxes 提取 物体候选区域，对每个候选区域进行目标相似性分析，这个主要是 instance-specific 分析，使用的是 线性 SVM
，然后进行匹配，得到跟踪的结果，再根据跟踪到的结果，（一个正样本，其他的候选区域都是负样本）更新分类器

其中 instance-specific 分析 主要是针对跟踪的目标，提取一些特征，对候选区域进行一个概率相似性排序。

效果及速度

文中使用的 是 Edge boxes, 我们测试了一下使用 BING，其效果不是很好，原因是： results in a relatively low recall of the objects, which is one reason for its mediocre performance