关闭

目标跟踪“Staple: Complementary Learners for Real-Time Tracking”

4135人阅读 评论(2) 收藏 举报
分类:

综合了局部特征HOG和全局特征颜色直方图用于目标跟踪,速度达到80fps。

相关工作
Correlation Filters作为衡量信号相似度的方法被用于跟踪,主要用于rigid模板,关于CF的介绍可见:
http://www.cnblogs.com/hanhuili/p/4266990.html

CF从圆形位移中学习,而颜色直方图对圆形位移不变,要解决变形问题,就要学习可变模板。

方法描述
使用tracking-by-detection流程,目标在t帧中的位置由图像xt中的具有最大得分的矩形框p:
pt=argmaxpStf(T(xt,p);θt1) (1)
模型参数θ通过最小化损失函数求得:
θt=argminθQ{L(θ;Xt)+λR(θ)} (2)
给定第一帧中目标的位置,打分函数f和损失函数L的选取比较关键。作者给出了一个组合模板和直方图得分的打分函数,即:
f(x)=γtmplftmpl(x)+γhistfhist(x) (3)
模板得分K通道特征图像的线性函数,即:
ftmpl(x;h)=ΣuTh[u]Tϕx[u] (4)
直方图得分由M通道的图像计算得到:
fhist(x;β)=g(ψx;β) (5)
为了加速计算,重叠窗口应该共享特征计算,直方图得分可以用积分图像计算,整个模型的参数为(h,β),设训练损失为单个图像损失的加权线性组合,即:
L(θ,XT)=ΣTt=1wtl(xt,pt,θ) (8)
每个图像的损失为:
l(x,p,θ)=d(p,argmaxqSf(T(x,q);θ)) (9)

通过解决两个独立的rigid回归问题学习模型:
这里写图片描述

下图为学习过程的可视化表示:
这里写图片描述

最小平方优化
L(θ;X)f(x;θ)的凸二次函数,且f(x;θ)对于θ是线性的,则存在矩阵At和向量bt使得:
这里写图片描述

学习模板得分
在最小平方Correlation Filter情况下,每个图像的损失为:
ltmpl(x,p,)=||ΣKk=1hkϕky||2
h为输入图像,ϕ为滤波模板?y为理想响应(通常为高斯分布的函数)。使用x^表示离散傅里叶变换,归一化的目标函数为:
h^[u]=(s^[u]+λI)1r^[u]

学习直方图得分
每个图像的损失为:
lhist(x,p,β)=Σ(q,y)W(βT[ΣuHψT(x,q)[u]]y)2
使用的特征RGB颜色,或者LBP,直方图得分可以使用平均投票,这里使用每个图像的目标函数对每个特征像素进行线性回归,即:
lhist(x,p,β)=1OΣuO(βTψ[u]1)2+1BΣuB(βTψ[u])2

实验结果
在VOT14上的实验结果为:
这里写图片描述

0
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:359359次
    • 积分:5284
    • 等级:
    • 排名:第5355名
    • 原创:175篇
    • 转载:3篇
    • 译文:2篇
    • 评论:196条
    最新评论