目標跟蹤之CCT演算法
一、摘要
論文提出了一種協同相關跟蹤器來解決相關濾波跟蹤器跟蹤時的尺度變換和模型漂移的問題,首先,論文在相關濾波器的核矩陣中嵌入尺度變換因子來適應尺度變換。然後使用隨機樣本訓練了一種有效的用來檢測的新型的長期CUR濾波器,這種濾波器通過在協同跟蹤器中有效地檢測候選目標來減少模型漂移。通過這種方式,論文中提出的方法可以準確地估計目標的狀態並有效的解決尺度變換的問題。
二、介紹
相關濾波目標跟蹤方法具有兩種侷限性,一個是目標尺度變換時跟蹤效果不好,一個是長期遮擋和出關注區域後會引起模型漂移。
對於目標尺度變換,Danelljan提出了一種分離的一維相關濾波器來估計目標尺度,但是他們僅僅使用原始的特徵空間來作為目標表型。而這篇論文提出了一種多尺度核相關濾波器,其實現方式是在基於分離的金字塔目標表型的核相關濾波器中嵌入尺度變化。此外,基於失敗檢測的自適應學習速率也有利於學習一個具有魯棒性的濾波器。
對於模型漂移,一個常見的技巧是引入一個可以選擇一些有效候選目標的檢測模組來校正基相關跟蹤器。這篇論文設計了一個用於檢測的新型的線上CUR濾波器。CUR矩陣估計通過使用矩陣實際的行和列來計算給定矩陣的低秩估計,這個方法在大矩陣估計的理論計算科學領域被研究過。在長期跟蹤過程中,所有過去的目標表型可以為適應CUR理論的當前幀形成一個大資料矩陣。這個大資料矩陣可以被線上CUR快速估計,線上CUR濾波器不僅可以利用時空領域的目標表型的低秩屬性,也可以投影過去的目標表型矩陣到具有誤差上界的子空間,從而實現一個具有魯棒性的目標表型。目標表型的低秩屬性在長期跟蹤中使普遍的,可以用來減少模型漂移。
這篇論文的主要貢獻可以總結為以下兩點:
- 通過保留長期目標表型中的具有誤差上界並且可以被有效計算的低秩部分,提出了一個用於檢測的有效的線上CUR濾波器。
- 提出了一個新型的協同相關跟蹤器,通過多尺度核相關濾波器來共同獲得目標表型並通過訓練好的CUR濾波器來利用長期目標表型。
三、多尺度核相關跟蹤
1、損失函式 º是矩陣哈達馬積,即兩個矩陣對應元素乘積,Scur是當前幀訓練樣本的大小,Sinit是初始大小,φ是投影函式,將尺寸為Scur的特徵表型X投影到尺寸為Sinit的特徵表型下。
2、多尺度核相關跟蹤濾波器H Φ是特徵投影函式來在頻域中計算核矩陣K,X是訓練樣本在頻域中的特徵表型。
3、通過插值的方法更新核正則嶺迴歸係數和目標外觀
4、自適應學習速率 To是重複率,即多尺度相關濾波器值與檢測濾波器最高置信候選目標的值的比值;T是最低重複率。
5、目標位置的獲取 最大化相關評分s
S是置信圖的最大值
四、線上CUR濾波器
CUR是尋找A的c列子集形成一個矩陣,尋找r行子集形成矩陣,和交集,然後最小化。