Mean Shift Tracking: 2000-2012回顾

Mean Shift跟踪从2000年被提出至今已经经历了十余个年头,从被大量灌水到如今不屑被拿来作为比较算法,经历了辉煌高潮的 Mean-Shift based Tracking正在慢慢淡出主流tracking研究的视线。但是,作为一种轻量级、易实现的算法,用它作为视觉跟踪研究的入门还是相当推荐的。

本文回顾Mean Shift跟踪从提出、发展至当前“停滞”状态过程中出现的一些经典论文,旨在为后续学习者提供一份还不错的reading list。希望通过阅读以下文章,快速了解Mean Shift跟踪发展的几个方向,以及视觉跟踪将应对的几个难点。下文中不会对Mean Shift跟踪进行原理性讲解,试图通过本文了解算法原理的读者请自行绕道。

当然,首当其冲是Dorin Comaniciu提出Mean Shift跟踪的两篇文章(会议论文和对应的期刊):

[1] Dorin Comaniciu, Visvanathan Ramesh, Peter Meer. Real-Time Tracking of Non-Rigid Objects Using Mean Shift. CVPR, 2000.

[2] Dorin Comaniciu, Visvanathan Ramesh, Peter Meer.Kernel-based object tracking. TPAMI, 2003.

在Dorin Comaniciu挖下这个大坑后,随后国内外无数研究者争相往其中灌水。以下挖掘了几篇论文作为后续研究的代表。

空间颜色直方图作为目标表观,然后在MS tracking框架下得到改进的算法:

[3] S.T Birchfield, Sriram Rangarajan. Spatiograms versus histograms for region-based tracking. CVPR, 2005

spatiogram, nb表示颜色(直方图)索引为b的像素数量,ub和∑b分别表示对应像素点空间分布的均值和协方差矩阵

histogram:

尺度自适应一直是跟踪算法的难点,在Mean Shift跟踪中解决尺度问题一般从推导过程进入,所以这类文章的数学推导略难:

[4] Robert T. Collins. Mean-shift blob tracking through scale space. CVPR, 2003.

[5] Zoran Zivkovic, Ben Krose. An Em-like algorithm for color-histogram-based object tracking. CVPR, 2004.

Mean Shift Tracking: 2000-2012回顾_第1张图片Mean Shift Tracking: 2000-2012回顾_第2张图片

目标表观的多特征选择(这也是篇高引用的论文,很多人将它视为Online learning for tracking的开端):

[6] Robert T. Collins, Yanxi Liu, Marius Leordeanu.Online Selection of Discriminative Tracking Features. TPAMI, 2005.

下图表示目标在不同颜色特征描述下与背景的区分度

Mean Shift Tracking: 2000-2012回顾_第3张图片

目标分块,以适应遮挡的情况:

[7] J. Jeyakar, R.V. Babu, K.R. Ramakrishnan. Robust object tracking with background-weighted local kernels. CVIU, 2008.

Mean Shift Tracking: 2000-2012回顾_第4张图片

目标直方图的更新,与经典的线性加权不同,下文使用了Kalman filter对每个bin进行滤波更新:

[8] Peng NingSong, Yang Jie, Liu Zhi. Mean Shift blob tracking with kernel histogram filtering and hypothesis testing. Pattern Recognition Letters, 2005.

目标多特征,这里推荐两篇中文文献。一类只考虑候选模板(直方图)与参考的相似度,另一类考虑与背景的鉴别性来调整特征权重(以下两篇都属于后者):

[9] 王永忠,梁彦,赵春晖等.基于多特征自适应融合的核跟踪方法.自动化学报, 2008.

[10] 袁广林, 薛模根,韩裕生等.基于自适应多特征融合的Mean Shift目标跟踪.计算机研究与发展, 2010.

快速移动目标:

[11] Chunhua Shen, Brooks M.J, van den Hengel A. Fast Global Kernel Density Mode Seeking: Applications to Localization and Tracking. TIP, 2007.

[12] Li ShuXiao, Chang HongXing, Zhu ChengFei. Adaptive pyramid mean shift for global real-time visual tracking. Image and Vision Computing, 2010.

最后,我押宝它是Mean Shift跟踪在Top期刊上的绝唱,它采用“积分直方图”(并不是那种积分直方图,你懂得)的方式克服光照等影响带来的模型漂移:

[13] Ido. Leichter. Mean Shift Trackers with Cross-Bin Metrics. TPAMI, 2012.

你可能感兴趣的:(Mean Shift Tracking: 2000-2012回顾)