文章:Real-Time Probabilistic Covariance Tracking With Efficient Model Update
作者:Yi Wu, Jian Cheng, Member, IEEE, Jinqiao Wang, Member, IEEE, Hanqing Lu, Senior Member, IEEE, Jun Wang Haibin Ling, Member, IEEE, Erik Blasch, Senior Member, IEEE, and Li Bai, Senior Member, IEEE.
来源:IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 21, NO. 5, MAY 2012
摘要:最近提出的协方差区域描述符已经被证明是鲁棒的和通用的,并且计算代价适中。协方差矩阵能够有效的融合不同类型的特征,在这里空间和统计特性,还有它们之间的关系得到表征。在黎曼流形中度量两个协方差矩阵的相似性,基于相同的度量但是在概率框架中,基于黎曼流形提出了一种新颖的跟踪方法,它是基于一种新颖的增量协方差张量学习的。为了解决外观变化,ICTL递增的学习一个低维协方差张量表示,并且高效的自适应更新目标外观的变化,仅仅以O(1)的计算复杂度就可以实现实时性能。基于协方差表示和ICTL的方法结合在粒子滤波的框架内,因而可以很好的处理背景模糊,还有临时遮挡的问题。我们将提出的概率ICTL跟踪器在许多基准测试集上进行了测试,包含许多类型的挑战,包括遮挡、光照、尺度和姿态的变化。相比于之前提出的跟踪器,无论定性还是定量方面,我们提出的方法都展示出了卓越的实时性能。
这篇文章的主要贡献是:通过在黎曼流形中计算加权采样协方差矩阵,提出了一种目标模型更新策略。在这里,两个协方差矩阵相似性的度量是在黎曼流形中计算的。
跟踪的主要几个问题:
1. 目标的表示:采用CRD用来描述目标外观。在流形中计算两个矩阵的相似性。
2. 状态的预测:粒子滤波
3. 模型的更新:ICTL
对于目标模型的表示,首先从0到T构建目标外观张量集F,然后计算其协方差矩阵
目标模型的表示为:
其中,T为到目前处理的图像帧,N为每个目标外观的大小。
上边这个公式的缺陷是:(1)新的样本和就得样本的重要性是一样的。(2)计算量随着T的增加而增加。因而提出文中的方法,加权采样协方差,来表示目标外观。加权采样协方差计算公式如下:
ICTL更新策略如下公式:
注意理解其中各种公式的证明。