英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
用于对象跟踪的强大的多任务相关粒子滤波器
张天竺 徐长生 杨明轩
中国科学院自动化研究所模式识别国家重点实验室
中国科学院大学 加州大学默塞德分校
摘要
在本文中，我们提出了一个多任务相关的滤波器（MCPF）来进行强大的视觉跟踪。考虑到不同功能之间的依赖关系我们先采用多任务相关滤波器（MCF）。拟议的MCPF被设计利用和加强MCF和a粒子滤波器的功能性。与现有的基于相关滤波器和粒子滤波器跟踪方法相比，这个跟踪器有较多的优点。首先，它可以通过MCF进行分配并引导采样的粒子朝向具有目标状态的形式进行移动，从而实现其稳定的跟踪性能。其次，它可以通过粒子采样策略的变化从而有效处理大规模的视觉跟踪。第三，它可以使用比传统粒子滤波器更少的粒子来保证在多种模式下的后验密度的准确性，，从而降低了计算成本。在三个基准数据集上的广泛的实验结果表明提出的MCPF有利于促生更多先进的方法的出现。
- 介绍
视觉跟踪因为具有可以实现诸如视频监控，运动分析和自动驾驶等众多应用的能力成为最重要的研究课题之一，仅举几例[38,13,36,46,35,31,14]。 强大的视觉追踪的主要挑战是计算目标对象随着时间的推移而变化的面积。 尽管近年来取得了显着进展，但是要开发强大的算法来估计具有挑战性因素的追踪场景中的物体状态仍然是一项艰巨的任务，如光照变化，快速运动，姿态变化，部分遮挡和背景混乱。
相关滤波器最近已被引入到视频跟踪中，并被证明可以实现高速和高性能[4,9,16,15,18,26,24,21,25,29]。 认识深度卷积神经网络（CNN）在进行广泛的视觉识任务上
的成功。
几种基于深度特征和相关性的跟踪方法如图1。比较提出的MCPF跟踪器与最先进的相关滤波器跟踪器（DSST [9]，KCF [16]，CF2 [25]和HDT [ 29]）在motorRolling，KiteSurf，car4和sequences [36]上的表现。 这些跟踪器的性能不同，因为使用了各种功能和规模处理策略。 但是拟议的算法对这些追踪器表现优异。
ters已经开发[25,29]。实证研究使用大对象跟踪基准数据集显示这些基于CNN的跟踪器
[25,29]对基于手工特征的方法表现优异。 图1显示了一些追踪结果，其中CF2 [25]和HDT [29]在DST [9]和KCF [16]方案中表现出色，这些方案在VOT挑战中达到了最先进的水平。
尽管实现了最先进的性能，但现有的基于CNN的相关滤波器跟踪器[25,29]有一些局限性。（1）这些跟踪器独立地学习每层的相关滤波器，而不考虑它们之间的关系。在[25,29]中，使用自适应线性相关滤波器而不是每个卷积层的输出。由于来自不同层的特征可以相互增强和补充，所以现有的基于CNN的相关跟踪器（CF2 [25]和HDT [29]）表现良好。尽管如此，这些方法假定不同特征的相关滤波器是独立的。忽略相关滤波器之间的关系往往会使跟踪器更容易在外观发生重大变化的情况下远离目标物体。为了解决这个问题，我们提出了一个多任务相关滤波器（MCF）来利用不同特征之间的相互依赖性来共同获得它们的相关滤波器。这里，学习每种特征的相关滤波器被视为一项个人任务。如图1所示，MCF实现比CF2和HDT更好的性能在KiteSurf序列中。（2）这些跟踪器[25,29]不会处理好比例尺变化。最近Danelljan等人提出了使用HOG特征的自适应多尺度相关滤波器的DSST方法[9]来处理目标物体的尺度变化。但是，自适应多尺度策略不利于基于CNN特征和相关滤波器的跟踪方法[25,29]（见第4节）。为了克服这个问题，我们采用粒子滤波器[1，19]来处理大范围的变化。在基于粒子的跟踪方法中，可以用密集的采样来覆盖发生大范围变化的目标物体的状态空间。如图1所示，HDT和CF2方法不能很好地追踪car4序列中具有尺度变化的目标对象，但是所提出的算法通过使用粒子滤波器而表现良好。
一般来说，当我们建立一个强大的物体外观模型和采样更多的粒子时，基于粒子滤波跟踪的算法可能在杂乱和嘈杂的场景中可靠地执行。然而，基于粒子滤波器的跟踪器的计算成本通常随着粒子数量的增加而显著增加。此外，粒子滤波器基于目标的跟踪器分别基于采样的粒子来确定每个目标对象状态。如果采样的粒子做不能很好地覆盖目标对象状态，如图2（a）所示，预测的目标状态可能不正确。要克服这个问题，最好是引导取样的粒子朝向目标状态分布的模式移动。在这工作中，我们利用MCF和粒子滤波器的优势，并相互补充：（1）粒子滤波器通过基于分解采样技术随时间传播后验密度来提供跟踪对象的概率框架。通过密集采样，可以覆盖进行大范围变化的目标对象的状态。因此，粒子滤波器可以有效地帮助MCF处理比例变化问题。 （2）对于每个采样的粒子，可以应用MCF，使得粒子如图所示被导向目标状态分布的模式在图2（b）中。在这里，每个粒子被用作基本样本来构造一个块循环循环矩阵，其中每个块代表一个移位样本[15]。然后，MCF对于每个相对于学习过滤器的移动样本通过计算内部产品来评估其相似度。最后，获得响应图，并使用最大响应来处理这个粒子。很显然，每个粒子都可以用MCF密集地覆盖状态子空间，而我们不需要密集地绘制粒子以保持多种可能的状态。因此，与传统的粒子滤波器相比，我们可以使用更少的粒子来维持多种模式。由于基于粒子的计算负载跟踪方法在很大程度上取决于绘制粒子的数量，因此可以在这些方法中使用多任务相关滤波器进行高效和有效的视觉跟踪。
(a) Sampled particles
(b) Particles after shepherding
如图2.多任务相关滤波器可用于将采样的粒子朝向目标状态分布的模式进行处理。 （b）中的数字是粒子的相关滤波器的分数。 不同颜色的框表示相应的位置和分数。
在这项工作中，我们提出了一种用于视觉跟踪的强大的多任务相关粒子滤波器（MCPF），它具有粒子滤波器和相关滤波器的优点，例如对尺度变化的强大掌握性和较高的计算效率。所提出的MCPF跟踪方法如下。（1）与现有的针对不同特征独立学习相关滤波器的方法不同，所提出的MCPF模型可以利用不同特征间的相关性来共同学习相关滤波器，从而提高跟踪性能。（2）提出的MCPF跟踪器可以像传统粒子滤波器一样通过粒子采样策略有效地克服尺度变化问题。具体而言，我们的MCPF跟踪器可以使用比传统粒子滤波器更少的粒子覆盖后验密度的多种模式，从而降低计算成本。（3）所提出的MCPF跟踪器可以使用所提出的MCF将采样的粒子朝向目标状态分布的模式进行处理，从而导致稳健的跟踪性能。在跟踪期间，目标对象状态被估计为所有粒子的加权平均值。这里，权重基于所提出的MCF的输出。我们在三个跟踪基准数据集上评估提出的跟踪算法[36,37,22]。在三个基准数据集上的广泛的实验结果表明，所提出的MCPF跟踪算法在准确性，效率和稳健性方面较现有技术方法有更良好的表现。
- 相关工作
对跟踪方法的全面审查超出了论文的范围，对此领域的调查可以在[38,36,31]中找到。在本节中，我们将讨论与本工作密切相关的方法，主要涉及相关性和颗粒过滤器。
相关滤波器。由于计算效率和强壮性，相关滤波器最近在视觉跟踪中引起了相当大的关注。Bolme等人提出，模型目标通过学习一个通过最小化误差平方输出和（MOSSE）来优化[4]的一个自适应相关滤波器来表现。 Henriques等人利用在核心空间中移动图像块的循环结构，并提出基于强度特征的CSK方法[15]，并使用 HOG特征方法将其扩展到KCF方法[16]。 Danelljan等人提出了使用HOG特征的自适应多尺度相关滤波器来处理目标物体尺度变化的DSST方法[9]。在[40]中，张...等人结合目标模板的循环特性来改进基于稀疏的跟踪器。洪...等人[18]提出了一个生物学启发框架（MUSTer），其中短期处理和长期处理相互配合。在[26]中，马...等人。引入在线随机蕨类分类器作为长期跟踪的重新检测组件。最近，Danelljan等人提出了一种用多尺度跟踪的连续卷积滤波器深度特征来解释由大规模变化引起的外观变化[11]。
基于局部补丁或部分的相关滤波器也已经开发[24,23]。在文献[24]中，提出了一种基于零件的方法，其中对象部分由KCF跟踪器[16]独立跟踪。刘...等人[23]提出了基于部分结构的相关滤波器来保存目标对象结构以进行视觉跟踪。在[21]中，李...等人引入可靠的本地补丁来利用本地上下文并将KCF作为基本跟踪器。最近，在
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
