ECO目标跟踪算法

Visual Tracking领域大牛（至少我认为是这个领域的大牛）Martin Danelljan又出新作。继C-COT之后又一刷新纪录的作品。不管是从结果还是速度上都有提升，尤其是速度提升明显。用传统特征HOG+CN的版本速度有60+FPS，用CNN+HOG+CN的速度有8FPS，从跟踪效果来看，个人认为可以算一个出色的作品。

 

1. Motivation

这篇文章的出发点其实就是提高时间效率和空间效率。近一两年来，效果好的很多方法都是基于相关滤波来做的。最早用到相关滤波的是Bolme等人在2010年CVPR的MOSSE，速度非常快。在MOSSE之后，像KCF，DSST，CN，SRDCF，C-COT等等都是在相关滤波的基础上做的。随着特征维度越来越高，算法越来越复杂，跟踪效果虽然是在逐步提升，但是都是以牺牲跟踪速度为代价的。（Martin Danelljan在相关滤波这一系列方法上可谓是如鱼得水啊，有非常多的成果，非常多！）

那么Martin Danelljan（后面叫他DM好了）在相关滤波做跟踪的算法上积累了丰富的经验之后，分析了速度降低的三个最重要的因素：

(1) Model Size（模型大小）

也可以理解为特征的复杂度。比如说C-COT用了CNN+HOG+CN这样非常全面的特征组合，它每次更新模型的时候，需要更新的参数有800000个，速度当然很慢。实际上跟踪问题中的训练样本非常少，这么高的维度除了速度慢，还会引起过拟合（over-fitting）。

(2) Training Set Size（训练集大小）

这里所指的训练集是指保存了每一帧的跟踪结果的训练集，也就是说，每一次进行model update的时候，要用在这一帧之前所有跟踪到的样本。那么随着视频越来越长，这个训练集就会越来越大。那么一般的解决方案是保存比较新的样本，丢弃老的样本，具体策略每个方法都不一样。这样一来，模型还是容易过拟合。因为当目标被遮挡或者丢失的时候，比较新的这些样本本身就是错的，那么模型很容易有model drift，就是被背景或者错误的目标污染，导致跟踪结果出错。另外，样本集的保存也会使得空间效率低下，增加计算负担。

(3) Model Update

这个很显然，模型如果每帧都更新，速度肯定比间歇更新要慢。我发现16年下半年开始，做tracking的人开始非常关注这个问题。而在此之前，很多方法基本都是每帧都更新的。另外每帧都更新也会有model drift问题，这个显而易见不再赘述。

2. ECO Algorithm

好，那么针对以上三个问题，DM分别给出了应对策略，从三方面进行改进。

2.1 Factorized Convolution Operator（因式分解的卷积操作）

先简单介绍一下C-COT：

C-COT将特征feature map通过插值转换到连续的空间域了：

这里就不具体介绍了，把(1) 式当成提取的特征就行了，最后得到的特征是J{x}。最后检测目标的得分计算是：

(2)中的f就是每个维度的特征。 那么学习相关滤波器的目标函数是：

转换到频域是：

ECO在特征提取上做了简化。用了原来特征的子集，从D维的特征中选了其中的C维。C-COT是每个维度的特征对应一个滤波器，D维的特征就有D个滤波器，其实很多滤波器 的贡献很小。如图一所示，C-COT的大部分滤波器的能量很小。而ECO只选择其中贡献较多的C个滤波器，C<D，然后每一位特征用这C个滤波器的线性组合来表示。这里的C维如何选择文中没有具体说，我猜测是简单的利用滤波器中大于某个阈值的元素个数来选择。

图一：滤波器对比

那么新的检测函数是：

 

(6)式中P是一个DxC的矩阵，每一行代表对一个维度的特征对应的滤波器用所有C个滤波器的线性组合系数，也是一个未知数，需要在第一帧中进行学习，之后的跟踪中保持不变就行。这是学习滤波器的目标函数与(4)有了一些变化，现在是这样的：

 

在这个新的目标函数中，z=J{x}，又在最后加了一项整定项，为了约束P。(7)现在是一个非线性最小二乘问题，其中第一项的具有双线性。因此DM把这个问题转化为一个矩阵的因式分解问题。用了Gauss-Newton和Conjugate Gradient来求解。具体的过程就不细讲了，与理解文章没有太大关系。

到此，第一个问题Model Size的解决就是这样了，从D降到了C。相当于将特征J{x} 换成了

2.2 Generative Sample Space Model

ECO简化了训练集，如图二所示。

图二：训练集

图二中下面一行是传统的训练集，每更新一帧就加一个进来，那么连续的数帧后训练集里面的样本都是高度相似的，即容易对最近的数帧样本过拟合。上面一行是ECO的做法，ECO用了高斯混合模型(GMM)来生成不同的component，每一个component基本就对应一组比较相似的样本，不同的component之间有较大的差异性。这样就使得训练集具有了多样性。

通过样本x和目标输出y的联合概率分布p(x,y)，将目标函数进一步完善为：

(10)式是将(3)式的第一项换成了基于样本的联合概率分布。(3)是(10)的一个特例。另外，由于目标输出的y其实形状都是一致的，是一个峰值在目标中心的高斯函数，只是峰值 的位置不一样。那么ECO将y都设置成一样的，把峰值位置的平移量体现到x上，在频域中可以简单处理。那么p(x,y)就简化了，只需要计算p(x)就行了。这里用GMM来建模：

L表示component的个数，把之前的M个样本减少为L。

更新过程是这样的：每次新来一个样本，初始化一个component m，初始化

 

如果component的数量超过限制L，则丢弃一个权重最小的。否则，合并两个最近的component k和l：

 

近似目标函数(10)为：

(12)是把原来的M个样本减少为L个component的平均值。

在实际中，L设置为M/8，再一次减少了计算量，即1中提到的第二点，训练集大小。同时由于增加了样本的多样性，使得效果也有提升。

2.3 Model Update Strategy

ECO这里的做法很简单，就是简单地规定每隔Ns帧更新一次。注意这里的Ns只是对模型的更新，样本的更新是每一帧都要做的。最后的实验中，Ns设置为6。

模型更新频率降低，当然节约了时间，并且可以避免模型的漂移问题，一定程度上改进效果，但是也不可以把Ns取得太大，否则会使得模型跟不上目标的变化。

到此为止，ECO针对1中的三个问题都提出了解决方案，从速度和效果上都有了改进。

3. Experiment

具体的参数设置就不介绍了，可以直接看文章。直接放效果了，做tracking的人应该都看得懂。不做tracking的人，反正一句话：都是第一名！

VOT2016

OTB100，Temple-color，UAV123:

 

ECO通通第一，另外不用CNN的ECO-HC效果也很好，甚至比用CNN的DeepSRDCF还要好。用传统特征HOG+CN的版本速度有60+FPS，用CNN+HOG+CN的速度有8FPS。

 

总结一下ECO效果好的原因：

1. 特征全面（CNN, HOG, CN），这个对结果的贡献很高;

2. 相关滤波器经过筛选更具代表性（2.1做的），防止过拟合；

3. 训练样本具有多样性（2.2做的），减少冗余；

4. 非每帧更新模型，防止模型漂移；