目标跟踪之“Robust Visual Tracking with Deep Convolutional Neural Network based Object Proposals on PETS”
来源:互联网 发布:淘宝代运营效果 编辑:程序博客网 时间:2024/06/08 10:41
一、基于判别式模型的目标跟踪算法一般框架
1.候选框选择
滑动窗的方法(蛮力搜索)、粒子滤波的方法(重要性采样)、物体对象度(objectness、proposal)
2.特征提取
传统手工设置的特征:gray、color、HOG、haar-liker、LBP(人脸检测)、各种特征融合
深度特征:CNN、SDAE、多层特征的融合。
3.预测模型(分类器)
机器学习中的分类器:回归、SVM等
4.集成(可选)
多个tracker融合的方法,工作主要在融合策略上,how to calculate the weight?
5.更新模块
实质是分类器的更新,怎样判定跟踪结果是否准确?常用方法一个是根据置信图中最大值设置阈值,另外一个是根据最大值与最小值得差来设置相对值。
参见论文:《Understanding and Diagnosing Visual Tracking Systems》[1]
二、Proposed Tracker: RPNT
文章提出的算法还是在tracking-by-detection框架下,将detection当下比较火的R-CNN[2]算法用到tracking上。
1.候选框的选择:粒子滤波+proposal
正样本:
选取上一帧训练更新好的分类器(SSVM)对当前候选框打分最高的粒子,此外加了一个运动平滑约束函数S(上一帧中心位置点和当前帧确定的中心位置点距离)
负样本:
在候选框中除去正样本中选取打分最高的粒子,有hard example的思想,L函数约束候选框和正样本的交叉面积最小。
2.特征提取:CNN
借助Fast-RCNN一整张图学习一次feature map的思想加快运算速度,同时因为用到的是SVM做分类器要求feature大小相同,Rol pooling实质是Spatial Pyramid Pooling[ 3].
3.分类器
online SSVM,比较经典的跟踪器Struck[4]
4.更新模块
当预测的位置在proposal方法产生的候选框中时更新分类器,增强分类器discriminative和objects-like的能力。
三、文中实验部分对比之前跟踪器EBT[5]
本文是EBT的改进工作,EBT中的objectness产生的候选粒子主要是通过Edgeboxex[6]算法中产生的粒子再re-rank一下,同时检测的时候只对objectness产生的粒子打分,训练分类器的时候用粒子滤波和objectness两部分产生的粒子。
四、参考文献
1.Understanding and Diagnosing Visual Tracking Systems
2.Fast R-CNN
3.Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
4.Struck: Structured output tracking with kernels
5.Beyond Local Search: Tracking Objects Everywhere with Instance-Specific Proposals
6. Edge boxes: Locating object proposals from edges
- 目标跟踪之“Robust Visual Tracking with Deep Convolutional Neural Network based Object Proposals on PETS”
- 目标跟踪算法五:MDNet: Learning Multi-Domain Convolutional Neural Networks for Visual Tracking
- ImageNet classification with deep convolutional neural network
- 跟踪“Visual Tracking with Fully Convolutional Networks”
- Some Improvements on Deep Convolutional Neural Network Based Image Classif ication
- Some Improvements on Deep Convolutional Neural Network Based Image Classification(精读)
- 目标检测--A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
- Multi-Object Tracking with Quadruplet Convolutional Neural Networks
- Deep Alignment Network: A convolutional neural network for robust face alignment
- 人脸关键点:DAN-Deep Alignment Network: A convolutional neural network for robust face alignment
- Kernal-Based Object Tracking---基于核函数的目标跟踪
- 目标跟踪 Object tracking
- 【论文笔记】Image Classification with Deep Convolutional Neural Network
- ImageNet Classification with Deep Convolutional Neural Network解读
- ImageNet Classification with Deep Convolutional Neural Network 翻译
- Visual Tracking with Online Multiple Instance Learning (MIL)及Robust Object Tracking with **paper笔记
- 目标跟踪之CVPR_2017_Attentional Correlation Filter Network for Adaptive Visual Tracking
- 杂记:Visual Tracking + Object Proposals + Features + Coding
- Qt 的exe打包发布
- java根据图片路径下载图片并保存到本地目录
- java运行jar包
- Shrinking Raspberry Pi SD Card Images
- Python-字符串格式化符号
- 目标跟踪之“Robust Visual Tracking with Deep Convolutional Neural Network based Object Proposals on PETS”
- rtmp协议中streamid和chunk关系
- 从SpringMVC来看适配器模式
- JavaScript学习笔记 CH.3 SEC.4 高阶函数
- 获取手机屏幕、屏幕内容的高度和宽度
- 设计模式--[1]工厂模式
- 利用junit对springMVC的Controller进行测试
- 移动端路由层设计
- SAP HANA SQL获取本周的周一