Princeton Tracking Benchmark个人笔记记录

Princeton Tracking Benchmark：http://tracking.cs.princeton.edu/dataset.html

 

深度传感器的日益普及使得可以容易地获得可靠的深度，深度信息可用于防止模型漂移和处理遮挡。普林斯顿(Princeton)大学提供RGB-D相关数据集以及RGB-D跟踪的基准算法比较，用于RGB和RGB-D对象的跟踪算法的在线评估，构建了一个具有高度多样性的100个RGB-D视频(大小为10G左右)的统一基准数据集，使用2D或3D模型提出了不同种类的RGB-D跟踪算法，并提出了各种算法与RGB或RGB-D输入的定量比较。

下图是各种算法在Princeton Tracking Benchmark RGB-D数据集的测试。

1. 算法1

[24] Ye Liu et al,  Context-aware 3-D Mean-shift with Occlusion Handling for Robust Object Tracking in RGB-D Videos  IEEE Trans. on Multimedia

2. 算法2

[4]Ugur Kart, Joni-Kristian Kamarainen, Jiri Matas,  How to Make an RGBD Tracker?  ECCV VOT Workshop 2018

3. 算法3(粒子滤波框架)

[18]K. Meshgi, S. Maeda, S. Oba, H. Skibbe, Y. Li, and S. Ishii,  Occlusion aware particle filter tracker to handle complex and persistent occlusions  CVIU, 2015

4. 算法4

[1]Adel Bibi, Tianzhu Zhang, and Bernard Ghanem,  3D Part-Based Sparse Tracker with Automatic Synchronization and Registration  Conference on Computer Vision and Pattern Recognition (CVPR2016)

5. 算法5

[12] S. Song and J. Xiao,  Tracking Revisited using RGBD Camera: Baseline and Benchmark,

12a. RGBD HoG detection+ optical flow + Occlusion handle.

6. 算法6(相关滤波)

[11]S. Hannuna, M. Camplani, J. Hall, M. Mirmehdi, D. Damen, T. Burghardt, A. Paiement, L. Tao,  DS-KCF: A real-time tracker for RGB-D data  Journal of Real-Time Image Processing

总结：Princeton Tracking Benchmark RGB-D数据集主要是有行人、动物、刚性物体三种类型，算法1、2、4打算找下文章看下，算法3是基于粒子滤波框架、算法5估计是传统多特征跟踪、算法6是基于KCF（核相关滤波）框架。后面还有很多算法不是近三年提出来的paper，排名也不高。算法4在行人类型上的正确率是排名第一，在阅读文章时可重点了解。

各种算法在Princeton Tracking Benchmark RGB-D数据集的测试。

算法1、2、4找文章阅读，感觉参考价值不大，没有用到深度学习，难以和三维视觉信息结合。

算法1、2、4均没有用到深度学习，这个数据集是在ICCV2013发布的，算法1、2相关滤波框架，算法4粒子滤波框架，自动同步的稀疏跟踪。