Accurate Scale Estimation for Robust Visual Tracking(DSST) 一些理解

本文介绍了基于相关滤波的DSST目标跟踪算法,该算法在KCF基础上增加了尺度估计功能,提高了跟踪精度。通过多尺度搜索和响应峰值定位,实现目标尺寸变化的准确评估。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

个人理解 DSST 总体与kcf类似。 在位置计算的基础上添加了缩放尺度回归。其中位置的回归参考kcf

缩放尺度回归原理如下:

    1.在原尺度框的大小为基础 1,向上乘以scale_factor 得到几个尺度,向下除以scale_factor得到几个尺度

    2.每个尺度的图像都缩放到原尺度

    3.对每个尺度做hog特征提取,假设hog特征为16*16*32 其中32位hog特征的维度,并拉升为一维 1x (16 *16 * 32)

      最后得到的矩阵为 (16 * 16 * 32) x num_scale    num_scale 为列数

   4.将以上矩阵想象为 位置回归中的hog特征。则其余计算类似 ,注明:在与模板相关性的计算过程中,

     最后输出的响应是 1 x num_scale    

  5.在响应中寻找最大值,则为对应的尺寸。

该算法与kcf相比,在计算量上多了多尺度的计算,故运算时间相差5-10倍左右。

相关滤波优化思路主要是 特征压缩,pca降维 ,性能会提升很多,效果会下降,主要根据实际场景来权衡了。

其次,浮点改定点性能会有提升,效果不变




以下内容转载至:http://blog.youkuaiyun.com/roamer_nuptgczx/article/details/50134633


基于相关滤波的跟踪算法近年来受到了较大的关注,其最初的代表作可以追溯到2010年CVPR的《Visual object tracking using adaptive correlation filters》,这篇paper提出了一种MOSSE correlation filter,并将其应用于视觉跟踪当中,取得了较好的效果。DSST算法基于MOSSE做了改进和拓展,实现了快速且准确的目标尺度评估,算法的总体效果表现不错。如果想要彻底理解DSST算法,最好认真读一读源码,作者提供的matlab代码写得清晰易懂,注释也很详细,通过读代码能够更加深入具体地了解其思想和实现细节,下面贴出我的总结PPT。

更新: 
据测试,DSST在VOT2014 Benchmark中排名第一,在这里可以获取更多关于DSST的相关资料,包括完整版本和VOT版本的MATLAB源码等。

1/10 
1
2/10 
2
3/10 
3
4/10 
4
5/10 
5
6/10 
6
7/10 
7
8/10 
8
9/10 
9
10/10 
10


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值