Accurate Scale Estimation for Robust Visual Tracking(DSST) 一些理解
個人理解 DSST 總體與kcf類似。 在位置計算的基礎上添加了縮放尺度迴歸。其中位置的迴歸參考kcf
縮放尺度迴歸原理如下:
1.在原尺度框的大小為基礎 1,向上乘以scale_factor 得到幾個尺度,向下除以scale_factor得到幾個尺度
2.每個尺度的影象都縮放到原尺度
3.對每個尺度做hog特徵提取,假設hog特徵為16*16*32 其中32位hog特徵的維度,並拉昇為一維 1x (16 *16 * 32)
最後得到的矩陣為 (16 * 16 * 32) x num_scale num_scale 為列數
4.將以上矩陣想象為 位置迴歸中的hog特徵。則其餘計算類似 ,註明:在與模板相關性的計算過程中,
最後輸出的響應是 1 x num_scale
5.在響應中尋找最大值,則為對應的尺寸。
該演算法與kcf相比,在計算量上多了多尺度的計算,故運算時間相差5-10倍左右。
相關濾波優化思路主要是 特徵壓縮,pca降維 ,效能會提升很多,效果會下降,主要根據實際場景來權衡了。
其次,浮點改定點效能會有提升,效果不變
以下內容轉載至:http://blog.csdn.net/roamer_nuptgczx/article/details/50134633
基於相關濾波的跟蹤演算法近年來受到了較大的關注,其最初的代表作可以追溯到2010年CVPR的《Visual object tracking using adaptive correlation filters》,這篇paper提出了一種MOSSE correlation filter,並將其應用於視覺跟蹤當中,取得了較好的效果。DSST演算法基於MOSSE做了改進和拓展,實現了快速且準確的目標尺度評估,演算法的總體效果表現不錯。如果想要徹底理解DSST演算法,最好認真讀一讀原始碼,作者提供的matlab程式碼寫得清晰易懂,註釋也很詳細,通過讀程式碼能夠更加深入具體地瞭解其思想和實現細節,下面貼出我的總結PPT。
更新:
據測試,DSST在VOT2014 Benchmark中排名第一,在這裡可以獲取更多關於DSST的相關資料,包括完整版本和VOT版本的MATLAB原始碼等。
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10