AMiner论文推荐

论文名称：Temporal Constraint Background-Aware Correlation Filter With Saliency
论文链接：https://www.aminer.cn/pub/5ff685f3d4150a363cc1a494?f=cs
当前的相关滤波类算法受到两个因素的制约：1）表示目标的矩形块中包含部分背景信息，这部分背景信息也被当做目标的一部分，在训练滤波器模型的时候，它们与真正的目标以相同的权重参与训练，导致模型受到污染，当目标发生剧烈形变时容易发生跟踪漂移；2）滤波器模型的更新通常采用一个经验值在每帧对模型进行线性插值操作，插值操作能够持续引入当前帧新信息，采用一个经验值在每帧对模型进行线性插值操作在一定程度上平衡了两者的关系，但是，该操作在每一帧均引入固定量的当前帧信息，没有考虑到历史信息与当前信息的连续性，当目标外观变化剧烈时，例如发生遮挡、目标形变甚至是目标出视场，这种每帧固定引入定量新信息的方式将会导致模型污染，从而导致跟踪漂移甚至跟踪失败。
为了解决以上问题，本文提出结合显著图的时域约束背景留意相关滤波算法，从特征表示和滤波器模型两方面增强跟踪器的鲁棒性。显著图通过叠加在原始特征之上的方式，显著强化跟踪目标，压缩背景信息，从而能够增强跟踪器对干扰物的鲁棒性，该特性对于扩大搜索区域的跟踪算法尤其重要，例如SRDCF算法，BACF算法，因为扩大搜索区域会提高干扰物出现在搜索区域的概率，从而提高算法错误跟踪到干扰物上的风险，见图2。新的滤波器模型在近年来提出的BACF算法基础上，引入模型变化时域约束，使得新模型能够利用投影矩阵，将小尺寸滤波器映射到大的搜索区域，在大的搜索区域上截取真正的负样本，以训练优化的滤波器模型，而且避免了线性插值模型更新策略的弊端。新模型对应的损失函数中所有项均为二范数，属于凸函数，故该函数能够保证收敛到全局最优解。利用交替方向乘子法（ADMM）推导出该优化问题的有效解析解，并且推广到多层特征；考虑到跟踪应用的实时性问题，模型求解过程通过Sherman-Morrison公式加速，在单个CPU上实现接近实时的运行速率，达到22.6帧每秒。
本文提出的深度跟踪算法DeepTBSCF和仅仅使用HOG特征的TBSCF在OTB-2015、VOT-2016、VOT-2018、UAVA123、TempleColor-128五个数据集上进行了验证，在OTB-2015、UAV123和TempleColor-128三个公开数据集上相比BACF算法精度平均提升了7.24%，重叠率平均提升了9.48%。相关结果可参考原论文。
AMiner,让AI帮你理解科学！https://www.aminer.cn