Multihypothesis Trajectory Analysis for Robust Visual Tracking

Multihypothesis Trajectory Analysis for Robust Visual Tracking算法

2019-10-27 14:33:49app

 

Paperhttps://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Lee_Multihypothesis_Trajectory_Analysis_2015_CVPR_paper.pdf 函數

Codehttp://mcl.korea.ac.kr/research/object_tracking/dylee_cvpr2015/dylee_cvpr_2015_source_code.zip spa

Project pagehttp://mcl.korea.ac.kr/research/object_tracking/dylee_cvpr2015/ 設計

 

1. Background and Motivation3d

本文提出使用多個軌跡假設的方法來進行跟蹤,貌似也是首次將 trajectory 引入到跟蹤中。該方法能夠有效地考慮先後幀之間的關聯。 用多個 tracker 去跑,而後設計度量公式,去選擇軌跡片斷。code

 

2. STRUCK tracker:blog

本節對 STRUCK 跟蹤算法進行了迴歸。ip

 

3. MTA Trackerget

做者這裏經過經過對比前向跟蹤結果後向跟蹤結果的差別性,來判斷當前前向跟蹤器的結果是否可靠。此外,做者採用多個前向跟蹤器來提供多個軌跡假設。經過前向和後向分析,做者選擇最好的 前向跟蹤軌跡來改善跟蹤的精確度和魯棒性。

 

3.1 Multiple Component Trackers

做者爲同一個 tracker,輸入不一樣的 feature,從而達到獲得不一樣跟蹤軌跡的目的。三條軌跡分別使用:Haar-like feature,Color histograms,Illumination invariant feature,具體細節以下所示:

 

爲了衡量特徵向量 u 和 v 之間的類似性,咱們用交叉核(intersection kernel)來組合他們,獲得:

 

  

3.2 Trajectory Analysis --- Robustness Score

三個成分的跟蹤器產生了三個軌跡假設。做者衡量每個跟蹤器的魯棒性,而後選擇當前時刻最優的做爲最終的軌跡。

 

跟蹤器魯棒性得分的計算方法以下:

首先,從前些幀到當前幀,先用 tracker 進行跟蹤,那麼能夠獲得前向軌跡:

 

而後,在 frame t2 時刻的位置,咱們初始化再初始化一個 tracker 進行後向的跟蹤。後向軌跡以下:

 

注意到,在間隔 [t1, t2] 的最後一幀 t2,咱們有 做者用後向軌跡來檢查前向軌跡的可靠性,可是採用三種不一樣的度量方式:geometric similarity, cyclic weight, and appearance similarity。如圖 2 (a)所示,幾何類似性得分以下:

利用的是前向位置 和 後向位置的距離,其中分母爲 500。理想的狀況下,後向估計應該和前向是一致的,此時的幾何類似性爲 1。

 

接下來,咱們衡量前向和後向的循環權重。因爲跟蹤失敗狀況的存在,後向傳播的最終位置可能和前向的起始位置不相同。在這種狀況下,兩個軌跡並不能構成一個閉環。如圖 2(b)所示,跟蹤器 1 和 2 構成了閉環,可是 3 並無。此外,雖然 1 和 2 都構成了閉環,可是二者的 IoU 差距仍是很大的,由於 2 出現了很大的不重合。可是這多是由於 heavy occlusion,反而 跟蹤器 2 多是成功跟蹤上的。與此對比,跟蹤器 3 可能就是失敗的 tracker 了。

 

實際上,做者計算兩個對應 BBox 的重合度,獲得:

其中,德爾塔 裏面有一個 x 的表示的是該 BBox 的面積,而有兩個 BBox 的是兩個 BBox 的重合面積。當該比值小於 0.3 的時候,表示前向和後向軌跡不一致。做者統計在這個短時間內不匹配的次數,以檢查兩個軌跡是否構成一個閉環。而後,定義兩個軌跡的循環權重以下:

注意到,10^6 是一個任意的大數(big number)。

 

此外,做者也定義了 appearance similarity 來衡量反向位置的可靠性。假設咱們已經用多個 tracker 跑完了某一段,獲得了前向軌跡。咱們保持四個圖像塊,沿着前向軌跡選擇的 bbox。第一幀的 bbox 是默認選擇的,其餘三個bbox更新用於產生最高的判別函數得分。假設 P(x) 表示 x 位置的 image patch,而後,其後向軌跡對應該圖像塊的 appearance similarity 能夠定義爲:

其中,分母中 delta 2 的平方 爲 900,w 和 h 分別是 BBox 的寬和高。K 是高斯權重 mask,黑點表示 pixel-by-pixel weight multiplication。若是該指標較小,則代表:反向軌跡的 bbox 相對於之前的,快速改變了其外觀,可能代表出現了 tracking error。

 

最終,咱們組合幾何類似性,循環權重,外觀類似性來量化跟蹤器的魯棒性,獲得:

該度量值越大,代表前向軌跡越可靠。

 

3.3 Tracking by Optimal Trajectory Selection

 

 

做者爲了下降計算複雜度,每間隔 $\tao$ 幀運行一次軌跡分析。而後開始計算魯棒性得分,獲得當前 frame clip 的軌跡,即:公式(11)。

 

3.4 Failure Handling

做者也設置了一個閾值,對多個軌跡進行分析,進行 tracking failure 的判斷。

 

4. Experiments

 

 

 

 

 

 

 

 

 

==

相關文章
相關標籤/搜索