RTCST 跟踪器阅读总结

文章：Real-time Visual Tracking Using Compressive Sensing

作者：Hanxi Li, Chunhua Shen,  Qinfeng Shi

来源：CVPR

1. 总述

     本文也是通过对候选目标进行稀疏表示来实现目标跟踪的。其采用的框架和L1跟踪器相同，可以说本文将L1跟踪实时化了。总体来说本文主要有以下贡献：

（1）将L1跟踪做到了实时。充分利用压缩感知恢复信号的能力，显著的降低了计算复杂度。就是将高维的信号压缩到低维的信号空间来求解信号的稀疏表示，同时提出正交匹配追踪算法对目标函数进行优化。

（2）不像L1中那样，采用简单的模板对干扰和噪声进行表示，这里引进了背景模板，将简单模板替换为背景模板，记做RTCST-B。虽然文中说性能有很大的提高，但是该算法只适用于摄像机固定的场景。

（3）提出了一种新的度量标准，Tracking Success Probability(TSP).

    本文于L1跟踪最大的不同就是寻求候选目标的稀疏表示的目标函数不同，相对采用的优化方法也不同。

2. 算法细节

（1）压缩感知

压缩感知理论表示，一个稀疏的信号X可以采用很少的几个测量，以很大的可能精确恢复出来。X的求解过程为：

由于上述问题为一个NP困难问题，因此一般不最小化0范数，而是采用1范数。同时，为了应对噪声，一般优化下面的二阶凸优化问题。

（2）RTCST

    在本文的RTCST算法中，需要优化的目标函数为：

通过一个满足RIP条件的随机映射矩阵（高斯矩阵和hashing）将高维的特征空间压缩到低维的特征空间，可想而知，这样在优化的过程中速度可以有很大的提高。

--------------------------------

唉，敲了半天没保存好丢了，不重写了，接着丢之前写，哭。。。。。

--------------------------------

3. 总结

       本文提取的两种跟踪器：RTCST和RTCST-B。是在L1的基础上进行了改进，利用了压缩感知恢复信号的能力，最重要的提升是速度方面。可以说本文将L1跟踪器做到了实时。

对于效果跟踪方面和L1不相上下，有些视频还不如L1。。 RTCST-B效果较好的是针对摄像机固定的情况，这在一定程度上限制了它的应用。因为RTCST-B中引进了背景模板，因此效果有所提升是很自然的。（个人感觉实验没有可比性，如果待比较的算法针对摄像机固定情况进行改进，说不效果也很好。）

      

最后，作者提出了两个改进的方向：

（1）在特征中加入颜色特征，这对于效果的提升是可想而知的、

（2）对目标进行分块跟踪，将一个目标的不同部分作为不同的跟踪目标同时跟踪，以期有效果的提升。

 

完了，不知道大家可以理解不。加油。