判别式相关滤波器的目标跟踪综述

目标跟踪是计算机视觉领域的重要研究方向,单目标跟踪主要分为深度学习、判别式相关滤波器和传统方法.得益于频域计算的高效性,本文选择以判别式相关滤波器为切入点.首先介绍了判别式相关滤波器进行目标跟踪的原理,然后围绕着基础框架进行横向展开,解决边界效应成为判别式相关滤波器发展的分水岭.伴随着卷积神经网络的发展,描述了基于预训练模型的特征提取和深度学习与相关滤波器框架相结合的两个方向,最后总结了关于判别式相关滤波器的发展脉络图.对比于特征插值与置信图融合的方向,在模型中构建合理的约束项进行模型创新成为一个重要方向.实验部分呈现了跟踪器在OTB-2015与VOT-2018数据集下的对比结果与排名,并进行简短的分析.

通过交替方向乘子法改进空间正则化判别相关滤波器目标跟踪

为了提高空间正则化判别相关滤波器(SRDCF)跟踪算法速度并且同时保持算法优良的跟踪性能,提出了一种SRDCF 的改进算法。首先,针对高斯 - 赛德尔迭代算法复杂度高,破坏了自相关矩阵对角结构以及需预分配内存等缺点,提出用交替方向乘子法(ADMM)代替高斯 - 赛德尔迭代算法对优化函数进行求解。通过引入辅助量,增加约束条件,将总的优化问题分解成 3 个易于处理的子问题,然后分别对每个子问题进行迭代求解。其次,使用更加简明的二值化形式的惩罚函数代替二次函数形式的惩罚函数,并比较二者对于跟踪效果的影响。最后,在 OTB2013 数据集上对提出的算法进行评估,并和其他相关滤波跟踪算法进行比较。实验结果表明:相对于传统的 SRDCF, 提出的算法跟踪速度由 4fps 提升至 13fps 左右,同时,该算法的平均重叠率由 78.1% 提升至 79.6%。并且在大多数属性的视频序列上排名前二。这表明提出的算法在明显提升 SRDCF 跟踪速度的基础上,跟踪的准确性也有一定的提高。

基于孪生网络的深度学习目标跟踪算法

随着深度学习在目标跟踪领域的广泛应用,对目标跟踪算法的要求也越来越高,深度网络越来越复杂,导致过拟合等一系列严重的风险。为实现在标注数据不足且事先未知跟踪目标情况下的跟踪,利用深度卷积网络的表达能力,引入迁移学习的算法思想,提出基于判别式相关滤波器的孪生网络深度学习算法(DCFSNN)。实验结果表明,轻量级的网络可以在高帧率的情况下实现精准跟踪,DCFSNN算法做到了速度与精度的平衡。