标签:tracking 方式 span transform sla ems 不同 depend gre
Staple: Complementary Learners for Real-Time Tracking 论文笔记
相关滤波相关的跟踪算法,最近非常的流行,对运动模糊和光照变换有一定的鲁棒性。但是,由于像模型展示的那样,他们的跟踪结果严重的依赖于跟踪物体的空间布局,对形变非常的敏感(deformation)。基于颜色统计的模型有互补的性能:他们对物体的外形有较好的处理能力,但是,对出现的光照变量却无法很好的应对。此外,仅仅依赖于颜色统计,没有那么好的判别性。本文提出一种简单的跟踪算法,结合互补信息的岭回归框架,可以达到 80FPS,且跟踪的精度也非常好。
本文中提出的 Staple (Sum of Template And Pixel-wise LEarners), 该跟踪算法结合了 两个patch representation,使得学习到的模型对 colour changes and deformations 都具有一定的鲁棒性。为了保证实时的速度,我们解决两个独立的岭回归问题(two independent ridge-regression problems),探索每个表示的内在结构。与其他算法融合多个模型的预测结果不同,我们的算法结合两个模型的预测 score,以一种 dense translation search的方式,确保得到更好的精度。
本文的算法也是基于选择较好的那个预测 score得到的结果。简单的将 CF 和 全局颜色直方图相结合,可以得到超过大部分的跟踪算法。
算法框架:
1. Formulation and motivation:
在 tracking by detection 的框架下,在第 t 帧,给定图像 $x_t$ 的 bbox $p_t$,从结合 S 中选择一个最大得分:
函数 T 是一个图像 transformation,使得 $f(T(x, p); \theta)$ 赋予矩形框 p。模型参数可以被选择以最小化一个损失函数 L,
Staple: Complementary Learners for Real-Time Tracking 论文笔记
标签:tracking 方式 span transform sla ems 不同 depend gre
原文地址:http://www.cnblogs.com/wangxiaocvpr/p/6534954.html