1. 程式人生 > >近幾年目標跟蹤演算法發展綜述(上)

近幾年目標跟蹤演算法發展綜述(上)

本文旨在對本人對近幾年跟蹤演算法的瞭解以及看過的論文的一個總結,可能有些遺漏之處,還望讀者大大們不要鄙視我,有什麼缺漏請提出。

2009年

先說2009年,這算是我瞭解的演算法當中年齡最大的一些了,在09年出現的演算法在我這已經算是元老級的演算法了,09年瞭解的比較少,列舉一下自己的理解。

MIL

Boris Babenko, Visual Tracking with Online Multiple Instance Learning
這篇多例項目標跟蹤演算法使用分類方法對目標進行跟蹤,核心思想就是在以前使用的分類器中把單個樣本作為輸入去訓練,在本演算法當中,把一類的樣本(都是正樣本)和單個的負樣本作為輸入訓練,保證能夠學習到更多的目標的外觀模型,能夠更好的對目標進行分類。這裡寫圖片描述

這裡寫圖片描述

2010年

哎,這兩年的演算法確實少啊,以前的演算法又難以去理解,就繼續走吧,今年還算有點重大突破的,MOSSE,速度槓槓的。

MOSSE

David S. Bolme, J. Ross Beveridge, Bruce A. Draper, Yui Man Lui. “Visual Object Tracking using Adaptive Correlation Filters.” ICCV (2010). [paper][project]

這篇文章呢就是下面我們在接下來幾年要說的演算法的前身,鼻祖之作,把CF引入到跟蹤界,本文使用灰度特徵對目標進行表達,最小化二次方差從而去學習一個濾波器,跟蹤階段找到響應圖中最大值的位置就是目標所在的位置。
這裡寫圖片描述

這裡寫圖片描述

感受一下這速度,666666666啊,飆車啊,老司機~~~
這裡寫圖片描述

這篇文章還有一個大的創新點就是提出了錯誤檢測標準,峰值邊界比PSR,計算公式就是(最大值-均值)/標準差,話說這個PSR能夠檢測出是否跟蹤的準備,能夠判斷跟蹤上還是沒有跟蹤上,對跟蹤可靠性的一個評價指標。意會就好,不可言傳,反正我是不咋信,自己試驗去吧,雖然後來人都在用,不過都是水文章,為了好看,我不看好這個,畢竟讓計算機跟蹤到人都很難了,再讓他判斷有沒有跟上,難啊~~~~

TLD

Z. Kalal, J. Matas, and K. Mikolajczyk. P-N Learning: Bootstrapping Binary Classifiers by Structural Constraints.
[Paper]
[Project]
這篇文章沒有仔細研究過,有興趣的同學可以好好研究一下
P-N學習思想如下圖:
這裡寫圖片描述

2011年

這一篇沒看,但是還是要放上來,因為在Benchmark一直會出現他的身影,所以放上來供大家欣賞,如果有小夥伴研究了這個演算法, 可以跟我聯絡一下,幫忙寫一篇介紹還是很好的~~~
Struck: Structured Output Tracking with Kernels.Project
2011年也沒有太大的發展和進步,跟蹤基本就是停滯不前,不倒退就算好的了,也沒有什麼特別新的點子創新出來,也沒能發展出來新的演算法。MIL的作者在今年更新了一下以前的MIL,沒啥變化,重新投了一個TPAMI而已。

————————————————————————————————————————————
華麗麗的分割線,看到這大家就知道,有大事要發生了,對在12年之後,跟蹤演算法有了一個飛躍性的進展,井噴來形容不為過,下面一年一年的敘述。

2012年

CSK

F. Henriques, R. Caseiro, P. Martins, and J. Batista. Exploiting the Circulant Structure of Tracking-by-Detection with Kernels.[Paper][Project]
第一個神作必須給到Henriques大神的CSK,這個確實神了啊,不論是精度還是速度,那都是蹭蹭的竄啊。當時還沒有Benchmark的出現,只能略微感受一下了
這裡寫圖片描述

這裡寫圖片描述

本演算法速度快在哪裡呢,傅立葉變換和迴圈矩陣。學習到模板直接檢測得到位置。

2013年

今年最大的發展莫過於Benchmark的出現大,這個真的是一大福音的,給跟蹤界定下來一個指標,使得大家能夠很好的測試自己的演算法到底是什麼水平,能夠排在多少位置。

Benchmark

Online Object Tracking: A Benchmark【Paper】
【Project】
在benchmark中搜集了50個序列集,分為11個類別,以及一些已經測試了的演算法結果。
這裡寫圖片描述
————————————————————————————————————————
上篇就寫到這裡吧,下面的會詳細一點,感覺自己寫的好凌亂,好好再整理一下思緒,有什麼想法也可以提出來