【论文阅读笔记】Adaptive Color Attributes for Real-Time Visual Tracking

论文发布时间：2014年

全文概括

  CCSK，是CSK的扩展。CKS只用了灰度图的信息进行训练，而CCSK多了一个color，即使用了颜色信息进行训练。作者进一步将RGB颜色空间映射到了11维彩色空间，分别为black, blue, brown, grey, green, orange, pink, purple, red, white and yellow。在每个通道单独处理后，结果进行融合。但由于11维的运算复杂度太大，所以用PCA降维到2维后进行处理。(目标识别和检测受益于颜色信息的使用，这也是在目标跟踪上使用颜色信息的一个原因)

  在增加了颜色属性之后，CCSK 相较于 CSK，能对更多情况进行处理，比如：光照变化，遮挡，非刚性形变，运动模糊，平面内旋转，出平面旋转和背景杂乱；CCSK 也有不足的地方，比如：尺度变化，快速运动，出视角和低分辨率，等视频的跟踪效果不佳。

---

简介

  视觉对象跟踪问题，会受到光照变化、部分遮挡、背景杂乱和形变等因子影响。在本文中，作者认为，颜色的使用能缓解其中的一些问题，增加鲁棒性。

---

Coloring Visual Tracking

Color Attributes for Visual Tracking

  颜色属性，或者颜色名字（CN, color name），是人类定义的颜色语言标签，其代表世界的颜色。语言学家的研究表明，英语包含十一种基础颜色：黑色、蓝色、棕色、灰色、绿色、橙色、粉红色、紫色、红色、白色和黄色。
  计算机视觉中，颜色表示为RGB形式，即三种颜色标签。这里将RGB值映射到11维的颜色代表概率上，其概率和为1。这个映射过程是通过 RGB 每个维度的值，通过计算得到一个值，映射到11维颜色空间的一个下标，选择离散的11维颜色表达。

  传统的CSK跟踪器将灰度值正则化到$[-0.5,0.5]$区间，这能抵消掉窗口操作带来的失真，那会影响到核的$L^2$距离。在彩色空间上，作者实验了两种正则化方法：$1)$ 每个颜色维度减去$\frac{1}{11}$，这将映射颜色空间到10维子空间，因为所有的颜色维度值加起来为$0$。$2)$ 直接将11维颜色空间映射到10维的正交基子空间中，这在让颜色空间居中的同时，将维度从11维减少到10维。

Robustifying the Classifier for Color Features

  CSK 包括学习的表现 $\hat{x}$ 和变换的分类器系数 $A$。其方法在线更新分类器系数：$$A^p=(1-\gamma )A^{p-1}+\gamma A$$其中那个，$p$是第$p$帧的指数，$\gamma$是学习率参数。这将导致次优解，因为其只考虑了当前帧 $\hat{x}$。与CSK不同的是，MOSSE跟踪器考虑了之前所有帧，却只是线性处理(平均)。

  原来的损失函数为：$$ϵ=\sum _{m,n}|<\varphi (x_{m,n}^j),w>-y(m,n){|}^2+\lambda <w,w>$$原来的系数$a$的向量$A$的解为： A = F { a } = Y U x + λ A=\mathcal{F}\{a\}=\frac{Y}{U_x+\lambda} A=F{a}=Ux​+λY​在本文损失函数变为：$$ϵ=\sum _{j=1}^p{\beta }_j(\sum _{m,n}|<\varphi (x_{m,n}^j),w^j>-y^j(m,n){|}^2+\lambda <w^j,w^j>)$$其中$w^j=\sum _{k,l}a(k,l)\varphi (x_{k,l}^j)$，这个损失函数的最小化的解为：$$A^p=\frac{\sum _{j=1}^p{\beta }_j{Y}^j{U}_x^j}{\sum _{j=1}^p{\beta }_j{U}_x^j(U_x^j+\lambda )}$$

  则更新方案变为：$$A_N^p=(1-\gamma )A_N^{p-1}+\gamma Y^p{U}_x^p$$$$A_D^p=(1-\gamma )A_D^{p-1}+\gamma U_x^p(U_x^p+\lambda )$$$${\hat{x}}^p=(1-\gamma ){\hat{x}}^{p-1}+\gamma x^p$$其中， U x j = F { U x j } U_x^j=\mathcal{F}\{ U_x^j\} Uxj​=F{Uxj​}是核输出，$u_x^j(m,n)=k(x_{m,n}^j,x^j)$，${\beta }_j$通过学习率参数$\gamma$设定；$A^p=\frac{A_N^p}{A_D^p}$

Low-dimensional Adaptive Color Attributes

  已知CSK跟踪器的计算时间和特征维度成线性关系。所以对于高维度的颜色调整，这是一个 problem。
  所以，作者通过 PCA 技术进行维度缩减，从11个维度中选择最重要两维。其具体实现，也通过指数平均学习了之前的颜色表示，以防止颜色的大尺度变化。