Real-time tracking of multiple objects using adaptive correlation filters with complex constraints

多目标及时跟踪，使用自适应带有复杂约束的相关过滤器。

文章分为以下一个部分：

1.对于多目标识别的受限的组合过滤器。

2及时系统，多类对象的检测和分类，跟踪。

3呈现这结果：在连续的帧下，这系统获得的性能结果。

作者的主要工作：

我们提出一个及时的多目标对象识别和跟踪系统。

这系统运用一堆自适应的带有复杂约束的相关过滤器。

过滤器池，用GPU平行实行。

首先，通过分析当前帧，在系统输出上的相关峰值，来进行多目标的分类和检测。

其次，系统的预测这子序列帧的目标的状态，是基于兴趣目标的片段在输入帧上的预测和修改滤波器池中滤波器的数量。

当一个新的帧进入系统，这对象位置周围的几个小片段形成。

这过滤器的数量修改，是根据当前帧的目标的方向。

对象位置和方向预测，是根据分析当前帧和过去帧的状态，和考虑一个二维的空间状态模型。

Synthetic discriminant functions

合成区别函数，

复合相关过滤器：

gi(x,y),i=1.....NT,i是同一张图片的不同版本。ai是图片权重。

hi(x,y)是Nt个训练样本的线性组合。

权重系数的计算，服从一下点积约束。

“*“是共轭复数，ci是预先计算量,用来分类，正样本初始值设为1，负样本初始值设为0。

hi(x,y)与gi(x,y)之间的输出交叉相关值。

点积：hi(x,y)与gi(x,y)点积，意味着gi(x,y)与hi(x,y)越多共同属性，结果值越大。

ci某个值代表一个类。

ϒ是d*Nt矩阵，Nt是训练样本数量，d是图片样本局部特征数量。

gi(x,y)元素的

改成向量：

+意味着共轭转置。

再由3和4结合，得到5

为什么不直接用(线性组合3)，用C*,可以来代表输出空间的对象存在的密度。

c=[1,1,1,...,1]T初始值设为1。

Q,目标分成Q类。

Gq是第q类的正样本集。

ϒ是每一类对象各种模板的综合集合。

gqi是代表的是第q个目标对象的第i个训练模板。

 

c(x,y)，最终决策输入图像是否存在样本，对象分类结果。每一类都有一个Φq.

即c(x,y),是输入图像fk(x,y)与多类SDF分类器之间的相关函数。

|c(x,y)|2，来求密度相关平面的相关峰值，即接近1的。峰值为寻找的目标的位置。

对于多目标跟踪，初始值设正样本为1，负样本(sidelobe 傍瓣)(即值最大的负样本，最像正样本的负样本，设值为0)来增强分类(DC)能力。

使用图1，我们能寻找目标的位置，并给每个目标分类。

第一步：计算复相关函数，输入图像fK(x,y)与多类SDF滤波器h(x,y)之间的c(x,y)复相关函数。

第二步：求密度相关平面中|c(x,y)|2中，相关的峰值。

第三步：找到峰值的位置为对象估计的位置。

第四步：我们用相位值来分类。Φq+-ϵ范围内，就确定为该类。

假定为正样本训练集。

为负样本训练集，那些最和正样本相似的负样本，把它初始值ci(x,y)设置0,来提醒分类器，不要被这些假正样本集蒙骗。

pi(x,y)是从背景图片中，ci值最高中取得。

我们称pi(x,y)最大傍瓣值，来源于背景图片中与正阳本最相似的片段。我们增加pi(x,y),来增加分类器的分类能力。

分类能力the discrimination capability (DC) ，是过滤器分正样本，与负样本的能力。公式如下：

为目标占领输出相关平面的最大密度值。

为背景周围的输出相关平面的最大密度值。

DC越接近1，分类能力越强，反之，DC越远离1,分类能力越弱。

下面：构建分类能力最强的滤波器。迭代通过增加pi(x,y)数量。

图4步骤：

第一步：Gq 正样本，和负样本集来构建矩阵ϒ。

            对每个不同目标，我们构建训练样本分类矩阵C.

第二步：多类的SDF滤波器，用正负样本。

第三步：计算多类滤波器与背景图片的交叉相关性。

第四步：计算滤波器与每类样本模板DC值。再取c(x,y)中这些