“解析Kernelized Correlation Filters (KCF) Tracking算法”
Correlation Filter-based Tracking Frame
Discriminative Correlation Filter(DCF),即判别相关滤波器,是Visual Tracking领域应用最为广泛的跟踪算法。其核心思想是:由于每一帧中被良好检测的目标都提供了描述该目标的信息,因此完全可以通过用每一帧中的目标区域作为训练样本来进行模型的训练,具体做法是通过已经跟踪的若干帧中目标的位置,提取出我们关心的特征,训练出一个滤波器模板,对于新帧中可能的目标区域,提取出该区域特征,与滤波器模板作相关,根据相关值得到在新帧中目标的预测位置,并在以该位置为中心提取出特征,反过来进一步训练滤波器模型,并重复上述步骤进行后续的目标跟踪与模型训练。通过这种方法,就实现了模型的在线训练与目标的实时跟踪。
Adaptive Correlation Filters
Minimum Output Sum of Squared Error (MOSSE)
Minimum Output Sum of Squared Error (MOSSE) developed by Bolme et al.的提出极大地改善了相关滤波器跟踪算法的performance,在提升精度的同时降低了求解的复杂度。
t个目标区域样本分别为 f1,f2,⋯,ft ,通过滤波器 ht ,期望输出 gi (通常为二维高斯函数,峰值位于目标区域中心),最小化均方误差:
对 Ht 求导,令导数为0,得:
对于t+1帧,假设其在第t帧的目标区域内提取得到特征图z,那么计算 ht 与z的相关值
y的最大值的位置即被认为是t+1帧中目标区域的中心点.
我们保持目标区域尺寸不变,将其中心点进行移动相应位置,就得到了在新帧中的目标区域。对该区域进行特征提取,然后加入到训练集中对模型进行更新得到 ht+1 后,即可进行下一帧
中的目标检测了。
在实际的tracking过程中,一般使用如下方法来更新模型:
上一篇: 学习笔记:深入理解Kafka
下一篇: 初学者全面解析KCF跟踪算法的原理