菜鸟实习日记~day16(目标跟踪综述+相关滤波)

科研：
一、目标跟踪综述(引用于机器之心）
目标跟踪就是在连续的视频序列中，建立所要跟踪物体的位置关系，得到物体完整的运动轨迹。给定图像第一帧的目标坐标位置，计算在下一帧图像中目标的确切位置。在运动的过程中，目标可能会呈现一些图像上的变化，比如姿态或形状的变化、尺度的变化、背景遮挡或光线亮度的变化等。目标跟踪算法的研究也围绕着解决这些变化和具体的应用展开。
传统方法：
2010 年以前，目标跟踪领域大部分采用一些经典的跟踪方法，比如 Meanshift（基于概率密度分布的跟踪方法，使目标的搜索一直沿着概率梯度上升的方向，迭代收敛到概率密度分布的局部峰值上）、Particle Filter（粒子滤波） 和 Kalman Filter（常被用于描述目标的运动模型），以及基于特征点的光流算法等
检测与跟踪相结合：
目标跟踪的方法通常分成基于产生式模型的方法和基于鉴别式模型的方法。前面介绍的经典跟踪方法都可以归类为产生式模型的方法，而基于鉴别式模型的方法是指利用分类来做跟踪的方法，即把跟踪的目标作为前景，利用在线学习或离线训练的检测器来区分前景目标和背景，从而得到前景目标的位置

如TLD（Tracking-Learning-Detection）方法：

image.png

作者利用了多级分类器的方式来提高检测器的检测能力，降低误检，级联了一个在线学习的随机森林分类器和最近邻的分类器。为了平衡整个检测器的稳定性和学习能力，作者提出了一种半监督的学习方法，利用 P-N 限制条件更新模型，使检测器能够收敛到一个稳定的状态。
基于深度学习的跟踪算法：
在大数据背景下，利用深度学习训练网络模型，得到的卷积特征输出表达能力更强。
GOTURN 方法利用 ALOV300+视频序列集和 ImageNet 检测数据集训练了一个基于图像对输入的卷积网络，输出在搜索区域内相对于上一帧位置的变化，从而得到目标在当前帧上的位置。

image.png

基于相关滤波的跟踪算法
见（二），将详细叙述。

二、相关滤波的相关算法
(1)相关滤波基础（经典论文《Minimum Output Sum of Squared Error filter》）
对于图像来讲，问题描述为要找到一个 滤波模版 h，与输入图像 f 求相关性，得到相关图 g。
为了方便理解，用一幅图来进行说明（相关图 g 描述目标响应，越接近时值越大）：

image.png

在作者的文章中，其对跟踪框（groundtruth）进行随机仿射变换，获取一系列的训练样本fi，而gi则是由高斯函数产生，并且其峰值位置是在fi的中心位置。获得了一系列的训练样本和结果之后，就可以计算滤波器h的值。注意：这里的f,g,h的size大小都相同。
具体公式推导见博文：http://blog.csdn.net/autocyz/article/details/48136473，写的非常详细。