#一、创新点
作者提出,单一追踪器的性能不够稳定,而从多个追踪器的决策层得出的融合结果可以有效地提高鲁棒性。因此,作者提出一个基于多线索相关滤波的追踪算法(MCCT),文章的主要贡献如下:
- 提出了一个可以保留多条线索的追踪算法,在每一帧中算法在众多专家中挑选出一个最可靠的专家结果;
- 考虑到多个专家存在分歧,作者提出一个自适应更新策略,可以有效区分不可靠样本(如遮挡或大幅度形变)从而减轻训练样本的污染。
- 作者实现了MCCT算法的两个版本,用来验证框架的一般性。
#二、相关工作
- 相关滤波
- 融合追踪,作者提出,已有的融合多个追踪器的算法存在一些局限:
- 总体速度受到最低追踪器的限制,此外,融合方法要分析前向和反向轨迹,这要求每个追踪器至少要跑2次
- 追踪器被认为是一个黑箱子,每一帧的融合结果没有反馈给追踪器,导致不能很好利用每一帧的融合输出结果
- 如果追踪器数目增加,计算负担将大大增大
与上述追踪算法不同,作者提出的MCCT算法
- 所有的专家都是基于DCF,通过作者提出的投入产出比ROI和训练样本共享策略,算法的高效性得到保证
- 每一帧的追踪结果都会反馈给专家们,以促进他们提升
- 通过一个简单但是高效鲁棒的评估策略,用于选择最可靠的专家,且计算复杂度只有O(TN),T是帧数,N是专家数。
#三、论文算法
##3.1 DCF框架
###数学模型
###模型训练
###模型测试
###参数更新
##3.2 特征池和专家池
特征池包含3种类型的特征{低级、中级、高级},其中
- 低级特征:HOG
- 中级特征:去除VGG-19全连接层,提取conv4-4的输出
- 高级特征:去除VGG-19全连接层,提取conv5-4的输出
由特征池对应的