论文笔记之Understanding and Diagnosing Visual Tracking Systems

Understanding and Diagnosing Visual Tracking Systems

论文链接：http://dwz.cn/6qPeIb

　　本文的主要思想是为了剖析出一个跟踪算法中到底哪个部分对最终的结果影响最大，进而让我们在改进跟踪算法时更有目的性，更有轻重点。本文一作王乃岩博士在目标跟踪也是很有名气的，值得关注的大牛。
　　 回归本文，作者把目标跟踪分为五大部分，分别为motion model，feature extractor，observation model，model updater and ensemble post-processor。在研究这五个部分对最后跟踪结果的影响时，采用了控制变量法，也即控制其它四个不变，就改变我们要研究的这个变量。
　　 首先，motion model就是用来选取我们所说的一个个候选框的模型，这里作者用了粒子滤波，sliding window和Radius Sliding Window三个模型作比较。
　　 feature extractor就是我们熟悉的特征提取器了，比如:HOG特征，CN特征等。这里作者也选取了五个进行比较。如下图：

　　

　
　　　说明了特征提取的好与坏对结果的影响还是很大的，这个也是整个跟踪器的重点,而不是我们自己想的observation model是对结果影响最大的。而observation model的真正影响如下图所示，当特征提取的比较低级，比较弱时，模型影响比较大；当我们换做HOG+raw color这种高级特征时，模型对结果的影响就小了很多。

（第二个图（figure5）也是observation model，不是motion models）

　　 model updater就是对于observation model的一些参数以及特征模型在更新时的参数进行微小的调整变动，让模型对目标的跟踪不会慢慢漂移，让跟踪效果可以持续下去。
　　 ensemble post-processor对于一个由多种trackers组成的跟踪系统进行后处理，是为了克服单一跟踪器容易受参数变化影响这一缺点提出的。
　　 此处只列出了observation model和feature extractor做对比,进而说明提取强有力的特征对目标跟踪的重要性。当然，整体后处理，motion模型的选取以及参数的更新这些方面，如果改善妥当对结果都会有一定的改进的。