TLD理解之Forward-Backward Error

最新推荐文章于 2024-01-22 20:35:32 发布

丶Shining

最新推荐文章于 2024-01-22 20:35:32 发布

阅读量2.1k

点赞数 1

分类专栏：图像处理文章标签： TLD 目标跟踪

本文链接：https://blog.youkuaiyun.com/xxradon/article/details/47701531

版权

图像处理专栏收录该内容

5 篇文章

订阅专栏

本文深入探讨了在MedianFlow算法中，如何通过Forward-Backward Error来实现对追踪结果的有效筛选，具体解释了此误差计算背后的原理，并通过实例说明了其在追踪点位置上的实际应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

对于TLD中的Tracking，作者主要使用的是他提出的Forward-Backward Error的办法，使用Lucas-Kanade光流法跟踪，对跟踪的结果，用Forward-Backward Error做反馈，求Forward-Backward (FB) Error的结果与原始位置的欧式距离，把距离过大的跟踪结果舍弃，他把这种利用Forward-Backward (FB) Error舍弃坏值的跟踪方法叫做Median Flow，是把欧式距离集合中较大的50%的那些跟踪结果舍弃。

接下来谈谈，这个Forward-Backward (FB) Error到底是怎么计算的，首先这里必须要有个前提，就是前后一致性假设。原文是The proposed method is based on so called forward- backward consistency assumption that correct tracking should be independent of the direction of time-flow，即正确的追踪是不依赖与时间流的方向的。

下面结合图像说明该Error的原理：

这张图就能非常好的表明Forward-Backward (FB) Error是怎么计算的，上描述了在两幅图像（基本轨迹）中追踪点的方法。点1在两幅图像中都是可见的，追踪器能够正确定位其位置。向前和向后追踪为相同的轨迹。但是，点2在右边图像中是不可见的，追踪器定位到了另外一个位置。向前和向后追踪定位了与原始图形中不同的位置。上图中下部分的红色部分d就是本文的Forward-Backward (FB) Error，下面看看作者是怎么定义的：

如上图（下面部分）所示。S表示图像序列(I_t,I_t+1…, I_t+k)，x_t表示时间t时的点的位置。使用任一探测器，向前探测该点k布，得到轨迹T_f^k=（x_t_，x_t+1_。。。x_t+k）,其中f表示向前探测，k表示长度。给定图像序列S，估算轨迹T_f^k的误差（可靠性）。为此，首先构造一个验证轨迹，定义为由点x_t+k从最后一帧图像反向追踪到第一幅图像，得到T_f^k=（^x_t_，^x_t+1_。。。^x_t+k），其中x_t+k= ^x_t+k，换句话说就是追踪的都是选取的目标点。Forward-Backward Error定义为这两个轨迹之间的距离：FB(T_f^k|S)=distance(T_f^k, T_b^k)。轨迹之间的比较可以使用多种距离。简单起见，使用验证轨迹的初始点与终点之间的欧式距离，distance(T_f^k, T_b^k)=||x_t-^x_t||。

这里说明下，就是上图中小图（1）中，对于特征点1,它的Forward-Backward (FB) Error（1）=distance（①-1'），由于1点是可跟踪的点，由图就可以很明显的看到distance（①-1'）=0，而对于特征点2，它的Forward-Backward (FB) Error（2）=distance（②-2'），由图这很明显的看到其距离distance（②-2'）是很大的，远远大于0，这是因为点2被遮挡了，t+k时刻该特征点被遮挡，检测时发生了偏移。