STRCF目標(biāo)跟蹤原文：Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking

GitHub：代碼

?????????????????????????????????????????????????????????????????????????????????????????????? Abstract

?????? 判別相關(guān)濾波器 ( DCF ) 在視覺追蹤中是很高效的，但是會(huì)受到邊界效應(yīng)[1]的影響。空間正則化 DCF ( SRDCF ) 通過對 DCF 系數(shù)施加空間懲罰來解決這一問題，在提高了追蹤性能的同時(shí)不可避免地增加了復(fù)雜度。為了解決在線更新問題，SRDCF 在多幅訓(xùn)練圖像上建立模型，進(jìn)一步增加了提高效率的難度。本文將時(shí)間正則化方法引入到單樣本 SRDCF 中，提出了一種時(shí)空正則化相關(guān)濾波器 ( STRCF )。在在線被動(dòng)攻擊 ( PA ) 算法[2]的啟發(fā)下，我們將時(shí)間正則化引入到單樣本 SRDCF 中，得到了時(shí)空正則化相關(guān)濾波器 ( STRCF )。STRCF 形式不僅可以合理地逼近多訓(xùn)練樣本的 SRDCF，而且在大的外觀變化情況下比 SRDCF 具有更強(qiáng)的魯棒性。此外，它可以通過乘數(shù)的交替方向法 ( ADMM ) 有效地求解。通過結(jié)合時(shí)間和空間正則化，我們的 STRCF 可以處理邊界效應(yīng)，同時(shí)不損失效率，并且在準(zhǔn)確率和速度上優(yōu)于 SRDCF。實(shí)驗(yàn)在三個(gè)基準(zhǔn)數(shù)據(jù)集上進(jìn)行: OTB-2015、Temple-Color 和 VOT-2016。與 SRDCF 相比，STRCF 采用人工設(shè)計(jì)的特征，速度提高了 5 倍，OTB-2015 和 Temple-Color 的 AUC 分?jǐn)?shù)分別提高了 5.4 % 和 3.6 %。此外，與 CNN 特征相結(jié)合的 STRCF 與基于 CNN 的最先進(jìn)追蹤器相比，性能良好，OTB-2015 的 AUC 得分為 68.3 %。

[1]邊界效應(yīng)(由KCF循環(huán)矩陣導(dǎo)致的)：訓(xùn)練階段，目標(biāo)中心移動(dòng)到邊緣附近，此時(shí)學(xué)習(xí)到的樣本為不合理的樣本，在檢測階段，當(dāng)目標(biāo)移動(dòng)到邊界附近，此時(shí)的目標(biāo)和訓(xùn)練時(shí)使用的負(fù)樣本是比較接近的，但是此時(shí)應(yīng)當(dāng)把此作為整樣本來使用檢測到目標(biāo)，但是實(shí)際算法中不是這樣，所以會(huì)導(dǎo)致跟蹤失敗。

[2]被動(dòng)攻擊算法:適用于大規(guī)模學(xué)習(xí)的算法。它和感知器一樣不需要學(xué)習(xí)率。然而，與感知器相反，它有一個(gè)正則化參數(shù)c

參考：

總結(jié)

以上是生活随笔為你收集整理的STRCF目标跟踪的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。