Discriminative Scale Space T racking翻译

英文全称：尺度估计滤波器算法

见附件

摘要

        目标尺度的精确估计是视觉目标跟踪中一个具有挑战性的研究问题。大多数最先进的方法使用详尽的尺度搜索来估计目标的大小。穷尽性搜索策略在计算上是最昂贵的，并且在遇到大规模变化时困难重重。本文研究了基于检测跟踪框架下的精确和鲁棒尺度估计问题。我们提出了一种新的尺度自适应跟踪方法，通过学习独立的判别相关滤波器进行平移和尺度估计。利用在一组不同尺度上采样的目标外观，在线学习显式尺度滤波器。与标准方法相反，我们的方法直接学习由目标尺度的变化引起的外观变化。此外，我们还研究了减少我们方法的计算成本的策略。在OTB和VOT2014数据集上进行广泛的实验。与标准的穷举尺度搜索相比，我们的方法在OTB数据集上的平均重叠精度提高了2.5%。此外我们的方法计算效率提高了50%。我们的方法在OTB上优于19个最先进的跟踪器，在VOT2014上优于37个最先进的跟踪器，在性能上排名第一。

关键字：视觉跟踪，尺度估计，相关滤波器

1.介绍

  视觉目标跟踪是计算机视觉领域的一个开放性研究课题，应用于机器人、监视、自动化领域。

在一般的视觉跟踪中，只有目标的初始位置是一种的。接下来的任务是估计目标在整个序列中的轨迹。这个问题中具有挑战性的几个因素：咬合、外观变化、运动模糊、快速运动、比例变化。 --------现有的跟踪方法使用1判别性，2，生成性学习目标的外观模型。然后使用外观模型在新的帧中估计目标状态，包括：水平和垂直位置。  目标大小的变化是由于沿摄像机轴的运动或目标外观的变化而发生的。    精确估计尺度变化是一个具有挑战性的问题，并且由于遮挡、快速移动和光照变化等其他因素的存在而进一步复杂化。

尺度估计的一个简单方法是穷尽尺度搜索，在多个分辨率下评估外观模型。这种蛮力搜索策略在计算上要求很高。本文研究了精确尺度的自适应视觉跟踪问题，并强调了实时性。

基于判别式相关滤波器DCF的视觉跟踪器有很好的性能。他是通过学习一个用于下一帧定位目标的最佳相关滤波器来工作的。在学习和检测阶段，利用快速傅里叶变化FFT可以获得限制的速度增益。目前大多数采用DCF进行跟踪的方法主要集中在平移估计问题上。

为了将尺度估计整合到基于DCF的跟踪框架中，考虑了两种不同的穷尽尺度搜索策略。1，联合尺度空间滤波器，通过构造一个三维相关滤波器来联合估计平移和尺度。2，多分辨率平移滤波器，在多个分辨率下应用标准的二维平移相关滤波器。

本文提出判别式尺度空间跟踪器DSST，它学习独立的相关滤波器来进行显示转换和尺度估计。尺度滤波器：利用一组不同尺度的目标样本来学习。

给出一个新的帧，1，我们首先使用一个标准的翻译吕伯渠估计目标翻译。2，在目标位置上应用学习尺度滤波器来获得准确的目标尺寸估计。----------与穷载尺度搜索策略不同，本文的方法在缩小搜索空间的同时，明确地学习目标大学变化引起地外观变化。

进一步的研究是在不牺牲稳健型和准确性的前提下，减少我们DSST方法的计算成本，这样我们可以增加跟踪器的目标搜索区域，从而提高鲁棒性-------》产生快速DSST跟踪器fDSST

DSST方法在准确性和速度方面改进了基线DCF穷尽尺度搜索方法，可以合并到没有尺度估计组件的任何跟踪方法中，

DSST准确的估计目标大小，从而显著地提高了跟踪器地鲁棒性和准确性。

2，相关工作

视觉目标跟踪是一个基本的计算机视觉问题。目标是估计目标在图像序列中地轨迹。

视觉跟踪方法的工作原理：根据观测到的图像信息构建目标外观模型。使用的方法：生成式或判别式。

生成外观模型的目的：使用统计模型或模板描述目标外观。

判别方法：采用机器学习技术来区分目标外观和周围背景。使用的学习方法的例子包括支持向量机和增强技术。

Bolme等人通过最小化一组样本灰度斑块上的实际和期望相关输出之间的总平方误差来训练滤波器。通过使用循环相关，作者证明了只是用fft和点运算就可以有效的计算得到的滤波器。DCF公式等价的可以转换为在所涉及的训练样本快的所有循环唯一集合上学习最小二乘回归。----》该公式被用来引入快速核化相关滤波器。

一些著作研究了DCF方法对多维特征的推广--------考虑在给定训练样本集的情况下学习一个精确的多通道滤波器------》这种方法大大增加了计算成本，不能直接适用于在线跟踪问题。多通道滤波器与特征通道的数量呈线性关系。

DCF----在许多不同的具有挑战性的跟踪场景中精确目标定位的能力-----仅限