目标追踪之ECO的学习一

ECO: Efficient Convolution Operators for Tracking，用于跟踪的高效卷积运算符是Martin Danelljan继C-COT又推出的新作。

废话不多说，先上资源：

文章地址https://arxiv.org/pdf/1611.09224.pdf

matlab源代码https://github.com/martin-danelljan/ECO

python版本的代码https://github.com/StrangerZhang/pyECO

ECO原则上仍然是基于相关滤波器的，该方法较之前的Discriminative Correlation Filter（DCF）的改进之处在于以下3点：

1）定义了分解卷积算子，大大减少了模型中的参数数量。

2）为训练样本训练了一个分布紧凑的生成模型，可显着降低记忆和时间复杂度，同时提供更好的样本多样性。

3）采用了较为保守的更新策略，增加了鲁棒性，降低了模型复杂度。

先说安装，笔者采用的是python版本的，以下是提供的安装教程：

cd pyECO/eco/features/

python setup.py build_ext --inplace

pip install numpy scipy python-opencv glob pandas pillow

# if you want to use deep feature 
pip install mxnet-cu80(or 90 according to your cuda version)
pip install cupy-cu80(or 90 according to your cuda version)

cd pyECO/

python bin/demo_ECO_hc.py --video_dir path/to/video

此程序是基于mxnet和cupy的，笔者安装的是cuda9.0，将上述的修改为90即可。path/to/video是图片的路径，OTB的数据集仅修改路径便可直接用。

效果图如下：

在一定范围内，追踪器可以进行有效调节，即便有几帧图片没有追踪上，在后几帧也可以进行有效的调节。