目标跟踪算法——KCF 进阶

本文详细介绍了KCF跟踪算法的弊端,包括目标尺度变化和遮挡问题,并提出了相应的解决方法,如尺度池技术和分块跟踪策略,通过经典论文和相关资源为读者提供了深入理解与实践的指导。
摘要由CSDN通过智能技术生成

一、前情提要

如果你对目标跟踪和KCF是什么东西还不了解的话欢迎你看前一篇博文KCF入门详解:http://blog.csdn.net/crazyice521/article/details/53525366。如果你已经对基于KCF的目标跟踪有了一定的了解,并想知道这个算法有怎么样的后续的发展的话,就请听我慢慢介绍以下的东西。

二、KCF的弊端

说道KCF的缺点的话作者在文章中也已经算是说明了,第一点,KCF因为在跟踪过程当中目标框是已经设定好的,从始至终大小为发生变化,但是我们的跟踪序列当中目标大小时有发生变化,这个就会导致跟踪器跟踪过程当中目标框漂移,从而导致跟踪失败。第二点,KCF对在跟踪过程当中当目标被遮挡时候的处理问题没有进行很好的解决,不过呢,这个问题一直也算是跟踪界的一个大难题,有哪位朋友有看到好的文章和算法的话请与我联系,欢迎赐教。

三、解决方法

(1)有问题就要解决,对于存在的这两个大的问题有什么解决方法呢,首先对于尺度的解决,近些年来解决比较好的就先看
1、Danelljan, Martin大神的Accurate Scale Estimation for Robust Visual Tracking论文代码都在这里下载(直接点击此处)。大神在文章中使用尺度池技术,对目标模版进行解决。
2、Yang Li大神的A Scale Adaptive Kernel Correlation Filter Tracker with Feature Integration
SAMF下载地址(直接点击此处)两篇文章大同小异,都是使用尺度模版不过是使用的个数不一样和对尺度设计的方法不一样,最终效果都是差不多。
两篇文章对尺度解决的细节我就不再叙述了,用一张图形象的描述一下两篇文章的思想:这里写图片描述
对初试目标进行尺度缩放,经过相关滤波器之后得到对应的响应值response,然后比较各个不同尺度的response之间的大小,找到最大的一个,此时的尺度值即为最佳的目标尺度值,使用最佳尺度值对目标进行跟踪,能够解决目标跟踪过程当中目标尺度变化的问题。
(2)对于遮挡问题的解决就相对来说比较困难了,这个问题算是Long-term tracking 的问题。因为对于目标跟踪过程当中,跟踪器是没有办法知道目标是否被遮挡,是不是完全被遮挡还是被遮挡一部分的,对于我们人来说,这个我们很容易就能判断出来,但是对于计算机来说这个是很困难的,近些年来也提出一些方法,
比如使用分块的方法对目标进行跟踪:
1、2014年ICPR上的一篇文章Online Lear
评论 9
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值