CV计算机视觉（11）——目标跟踪

一、Siam-RCNN

使用孪生网络作为重新预测器，之前的检测器均采用单级检测器结构，对于单目标的检测任务，两级检测网络更好。其中第二阶段主要将感兴趣的ROI与模版区域进行比较，将感兴趣的区域特征连接起来，与参考图像进行对比，实现了对物体大小和长宽比变化的鲁棒性，这一点，使用简单的互相关操作是很难实现的。

1、模板抽取 template extraction

第一帧框定目标，用训练好的CNN提取特征得到FM，按照pooling比例得到框出目标在FM上的对应FM，再经过ROI Align进行尺寸处理

2.特征提取 feature extraction && 候选区域生成proposal generation

对于未来的帧，命其为current frame也就是当前帧，用同样的特征提取网络（模板提取网络共享权重）提取特征，再经过RPN进行候选提取

3.re-detection head

得到更精细的Bbox，结合了第一帧和过往帧

4.track

在这里还用到分割

5.总结
基于检测；
用相同的特征提取网络，这也是名称中siam的由来；
运用roi-alingn。

二、MOSSE

核心思想是最小化方差滤波。传送门

三、SiamFC

权值共享，计算响应比。传送门

四、SiamRPN

引进RPN网络机制。传送门

五、SiamMask

引入分割。传送门

六、Kalman filter

是一种用于状态估计的算法。前提是满足线性系统和高斯噪声这两个条件，如果满足就可以用卡尔曼滤波进行估计，如果不满足就需要用粒子滤波进行估计。 传送门

所谓线性系统：一个输入x，一个输入y，经过线性变换可以分别输出u,v，而如果输入x+y，就能对应的输出u+v

对于计算和测量得到的位置有一个偏差，而这个偏差应满足高斯分布。

模拟小车运动：

有：

状态转移方程如下：


其中，上一时刻Xt 预测有一定的偏差：设为Pt

Qt代表噪声的方差。

对于实际值：另其为Zt

其中：

最终估计值：


对于跟踪中的卡尔曼滤波：

在t时刻有一个预测结果，t+1时刻有一个测量结果，通过卡尔曼滤波将预测值和测量值进行计算。